在人工智慧領域，AGI（通用人工智慧）的實現始終是科學家與科技巨頭們追逐的終極目標。當全球目光聚焦於ChatGPT等大型語言模型（LLM）的驚人文本處理能力時，一家由亞馬遜創辦人貝佐斯投資的新創公司卻提出了截然不同的觀點，他們認為，LLM並不足以實現AGI，而我們每天都在產生的「遊戲數據」可能才是解鎖AGI的真正密碼。
大型語言模型的「盲點」：為何ChatGPT還不夠格實現AGI？
近年來，以ChatGPT和Claude為代表的大型語言模型（LLM）在文本生成、語義理解、邏輯推理等方面展現出令人驚嘆的能力，讓許多人對AGI的到來充滿期待。然而，根據TechCrunch的深入報導與該新創公司的觀點，這些模型雖然在處理語言資訊方面表現卓越，卻存在一個根本性的「盲點」：它們缺乏對物理世界、空間與時間動態的深層次理解。
幫你整理重點：
- 文本導向的局限： LLM主要透過海量的文字數據進行訓練，擅長捕捉語言模式和概念關聯，但這些知識大多停留在符號層面。
- 缺乏物理直覺： 它們難以真正理解物體如何在三維空間中移動、相互作用，以及時間流逝對事物狀態的影響。例如，ChatGPT可以描述一個球如何滾動，但它並不像人類或動物那樣，擁有對物理法則的直覺感知和預測能力。
- 真實世界互動的匱乏： 現有的LLM模型與真實世界的互動能力有限，這使得它們難以建立一個關於世界運作方式的全面、內在模型，而這恰是實現AGAGI不可或缺的一環。
貝佐斯看上誰？這家新創的AGI「秘方」是什麼？
在眾多AI研究者仍專注於提升LLM效能之際，一家獲得貝佐斯支持的神秘新創公司，卻將目光投向了一個出乎意料的領域：遊戲數據。儘管該公司的具體名稱尚未被廣泛披露，但其核心理念已在業界引起廣泛討論。他們堅信，要讓AI具備真正像人類一樣的通用智慧，就必須讓AI從「理解文字」轉變為「理解世界如何運作」。
這家新創的AGI「秘方」在於：
- 超越語言的數據： 他們認為，遊戲數據提供了一種比純文本數據更豐富、更具互動性的資訊來源。遊戲世界是模擬的物理環境，玩家在其中進行的每一次操作、每一次互動，都包含了豐富的空間、時間、物理和因果關係資訊。
- 學習動態與因果： 透過分析玩家在遊戲中如何移動、如何與虛擬物體互動、如何解決問題，AI可以學習到「事物如何移動」、「行動會產生什麼結果」等底層規律，這正是LLM所缺乏的物理世界理解能力。
- 建立世界模型： 遊戲數據有助於AI建立一個內在的、可預測的世界模型，使其不僅能「知道」事實，更能「理解」事件發生的機制與邏輯，進而為AGI的實現奠定基礎。
遊戲數據如何訓練AI理解「物理世界」？
遊戲數據之所以被視為AGI的潛在解藥，是因為它提供了一個獨特的訓練場景，讓AI能夠以一種前所未有的方式學習物理世界。幫你整理重點，遊戲數據的獨特優勢在於：
- 空間與時間的動態性： 遊戲環境是三維的，物體有位置、有速度，會受到重力、碰撞等物理法則的影響。AI可以透過觀察和學習玩家在遊戲中穿越空間、操縱物體、規避障礙的過程，來建立對空間幾何和時間序列的理解。
- 因果關係的實踐： 在遊戲中，玩家的每一個動作都會產生即時的反應和後果。例如，按下按鈕會打開一扇門，射擊敵人會使其倒下。這些明確的因果鏈條，為AI學習「如果X發生，那麼Y會發生」提供了豐富的訓練樣本。
- 複雜互動與策略： 許多遊戲涉及複雜的環境互動、資源管理和戰略決策。AI透過分析這些數據，不僅能學會單一的物理現象，還能理解如何在多變的環境中制定計畫、適應變化，這對於發展通用的問題解決能力至關重要。
- 多模態資訊整合： 遊戲數據通常包含視覺（畫面）、聽覺（音效）、操作（輸入）等多模態資訊，這有助於AI學習如何整合不同感官輸入來理解世界。
從「文字大腦」到「物理大腦」：AGI的發展新路徑？
這家貝佐斯投資的新創公司所提出的觀點，預示著AGI發展可能正從單純的「文字大腦」轉向整合「物理大腦」的新路徑。過去，AI研究在很大程度上受限於語言和符號邏輯，試圖透過分析文本來模擬人類的思考方式。然而，人類的智慧不僅僅是語言的產物，更是透過與物理世界的互動、感知和操作而形成的。
這條新路徑的關鍵在於：
- 模擬與實踐的結合： 透過遊戲數據，AI能夠在一個受控且豐富的模擬環境中「實踐」對物理世界的理解，這比單純閱讀文本更為直接和有效。它讓AI從「知道」一個概念轉變為「理解」其運作機制。
- 建立內在世界模型： 這種方法旨在讓AI建立一個類似於人類的「世界模型」，即對環境、物體和事件如何相互作用的內在表徵。有了這個模型，AI就能更好地預測未來、規劃行動，並在陌生情境下進行推理。
- 彌補LLM的不足： 結合遊戲數據訓練的AI，可以彌補LLM在空間推理、因果理解和物理直覺方面的不足，使其具備更全面的智慧能力。這或許能讓AI不僅能「說」得通順，更能「做」得合理。
- 更接近人類智慧： 人類兒童透過玩耍、探索來學習世界。這種利用遊戲數據訓練AI的模式，更接近人類學習的自然過程，有望讓AGI的發展更貼近真實的通用智慧。
台灣科技產業的啟示：遊戲開發者也能成為AGI推手？
對於台灣的科技產業而言，這項來自貝佐斯投資新創的AGI發展方向，帶來了幾個值得深思的啟示。台灣在全球遊戲開發領域佔有一席之地，擁有豐富的遊戲開發經驗和龐大的玩家社群，這意味著我們可能蘊藏著大量的「AGI潛力數據」。
這項趨勢可能帶來的影響：
- 遊戲數據的再評價： 過去可能被視為娛樂產品的遊戲數據，如今可能成為推動AGI發展的寶貴資產。台灣的遊戲開發商和數據分析團隊，應重新評估其數據的潛在價值。
- 跨領域合作機會： 遊戲產業與AI研究領域之間的合作將變得更加緊密。台灣的遊戲公司可以探索與AI新創或學術機構合作，共同研究如何從遊戲數據中提取對AGI有益的知識。
- 人才培育新方向： AI人才的培育應更注重跨領域能力，例如結合遊戲設計、物理模擬與機器學習的專業。這有助於台灣在未來的AGI競賽中佔據有利位置。
- 創新應用場景： 一旦AI能更好地理解物理世界，將催生更多創新應用，例如更智慧的機器人、虛擬實境（VR）/擴增實境（AR）體驗、智慧製造等，這些都是台灣具備發展潛力的領域。台灣應把握機會，將現有優勢轉化為未來AI發展的動能。
常見問題
什麼是AGI？它與ChatGPT有何不同？
AGI（Artificial General Intelligence），即通用人工智慧，指的是一種能夠像人類一樣學習、理解並執行任何智力任務的AI。它具有跨領域的學習和推理能力。ChatGPT等大型語言模型（LLM）雖然強大，但它們主要在語言和文本領域表現出色，缺乏對物理世界、空間和時間的深層理解，因此被認為是「狹義AI」，而非真正的AGI。
為什麼遊戲數據比文字數據更適合訓練AGI？
遊戲數據的優勢在於它包含豐富的物理世界互動、空間動態、時間序列和因果關係。與單純的文字描述不同，遊戲數據讓AI能在一個模擬環境中「體驗」和「實踐」這些概念，從而建立起對世界運作方式的內在模型，彌補了LLM在物理直覺和現實世界理解方面的不足。
除了遊戲數據，還有哪些潛在的AGI訓練資料來源？
除了遊戲數據，其他潛在的AGI訓練資料來源可能包括：機器人學的感測器數據和動作數據（讓AI學習真實世界的物理互動）、科學模擬數據（例如物理、化學、生物學的模擬）、多模態數據（結合圖像、聲音、影片和文本）、以及未來可能出現的，來自虛擬實境和增強實境（VR/AR）環境的互動數據。核心目標都是讓AI能更全面地理解和學習真實世界的複雜性。
這項由貝佐斯支持的新創公司所提出的觀點，無疑為AGI的發展開闢了一條令人興奮的新路徑。它提醒我們，通往通用智慧的道路可能比我們想像的更加多元，而那些看似非傳統的數據來源，或許正蘊藏著解鎖未來AI潛力的關鍵密碼。隨著AI研究的持續演進，我們期待看到更多創新思維，共同推動AGI從科幻走向現實。
資料來源：TechCrunch Podcast