為什麼有人說遊戲資料比網路文字更適合訓練 AI？從空間、動作到代理人能力一次看懂

AI 已經很會寫字、回答問題、寫程式，但如果要讓它真的理解物體怎麼移動、角色如何避開障礙、環境如何回應行動，純文字資料就不夠。TechCrunch 近期報導提到，有 AI 公司認為 video games 比一般網路文字更適合訓練下一代 AI 代理人，因為遊戲資料天然包含空間、時間、行動與結果。這不是單純讓 AI 會玩遊戲，而是讓 AI 從遊戲世界學會更接近現實的因果與行動。

大型語言模型擅長文字，但要讓 AI 理解空間、動作、因果與環境互動，文字資料可能不夠。近期 AI 公司開始押注遊戲資料，因為遊戲影片和操作紀錄包含角色如何移動、如何避障、如何完成目標。這會影響未來 AI 代理人、機器人與自動化工具。

本篇查證來源

• TechCrunch：Why this CEO thinks video games make better training data than the internet
• TechCrunch：General Intuition’s $2.3B bet
• PC Gamer：Take-Two CEO says AI is not in the business of making hits

本文以 TechCrunch 2026-07-08 訪談與 2026-06-25 General Intuition 報導為主要來源，並加入 PC Gamer 對 Take-Two CEO 關於 AI 與遊戲創作的不同觀點作平衡。本文不宣稱遊戲資料已能直接達成 AGI，而是整理這條訓練路線為什麼受到關注。

先講結論：遊戲資料讓 AI 學的是行動，不只是畫面

網路文字教會 AI 很多語言知識，但文字不一定包含真實互動。你可以用文字描述一扇門、一個梯子、一堵牆，但遊戲資料會記錄角色如何走近、如何跳躍、如何爬上去、撞到牆會發生什麼。這種資料對訓練代理人很有價值。

遊戲世界有目標、規則、失敗、重試與獎勵，這些元素讓 AI 能觀察行動和結果之間的關係。比起只讀靜態文字，遊戲資料更像一個可重複練習的環境。

因此遊戲資料的重點不是娛樂，而是 action data。AI 如果要從回答問題走向操作世界，就需要理解自己做了什麼、環境怎麼變、下一步如何調整。

什麼是 spatial-temporal reasoning

spatial-temporal reasoning 可以理解成空間與時間推理。空間是物體在哪裡、彼此距離多遠、能不能通過；時間是動作順序、速度、等待、因果變化。人類玩遊戲時很自然會理解這些，但對只讀文字的模型來說並不容易。

例如遊戲中角色看到一座橋，不只是知道橋這個詞，而是知道橋可以通過、掉下去會失敗、敵人靠近時要改路線。這些能力未來可能和機器人、無人車、倉儲自動化、電腦操作代理人有關。

TechCrunch 報導中提到的核心觀點，就是 LLM 很擅長文字，但不一定擅長理解 things actually move through space and time。遊戲資料正好補上這部分。

General Intuition 為什麼押注遊戲資料

TechCrunch 6 月報導指出，General Intuition 從 Medal 這類遊戲影片平台衍生而來，能取得大量 gameplay clips。這些資料不只是畫面，而是帶有玩家行動、環境回應與目標脈絡。

報導也提到，公司把這種訓練環境稱作 gym，目標不是賣遊戲，而是訓練 agentic model。換句話說，遊戲是練習場，真正產品是能在複雜環境中做決策的模型。

這條路線吸引投資，是因為它提供了比一般文字資料更接近行動世界的資料來源。但這仍是高風險押注，因為從遊戲世界轉移到真實世界，中間還有很大落差。

遊戲資料和機器人資料有什麼不同

機器人資料最接近真實世界，但收集成本高、速度慢、場景有限。遊戲資料成本相對低、規模大、場景多，而且可以重複模擬。這讓它成為訓練世界模型和代理人策略的候選資料。

但遊戲資料也有缺點。遊戲物理不一定等於真實物理，NPC 行為也不一定代表真實人類行為。模型在遊戲裡學會的策略，不一定能直接搬到現實世界。

比較合理的看法是：遊戲資料適合訓練部分能力，例如空間概念、目標導向、路徑選擇與行動結果；真實世界任務仍需要真實資料、測試與安全限制。

這和一般人使用 AI 有什麼關係

短期來看，一般使用者不會突然需要自己準備遊戲資料訓練模型。但這個方向會影響你未來用到的 AI 代理人。當 AI 更理解行動和環境，它就可能更會操作軟體、規劃步驟、檢查畫面、甚至協助控制機器人。

例如現在的 AI Agent 很會寫計畫，但在真實介面操作時仍常出錯。未來如果模型更懂空間、時間和行動結果，使用電腦、剪影片、整理檔案、操作網頁的穩定性可能會提高。

對內容創作者來說，這也是一個很好的科普題材。它把 AI 從文字聊天拉到世界模型、代理人和機器人，能幫讀者理解為什麼 AI 公司不只在收集文字資料。

不要誤會：遊戲資料不等於 AI 會自動做出好遊戲

PC Gamer 報導中，Take-Two CEO 提醒 AI 不在製造 hits 的生意裡，因為資料本質上是 backward looking，而成功遊戲往往需要新的創意、敘事、品味與風險判斷。這個觀點可以用來平衡過度樂觀的說法。

也就是說，遊戲資料可以幫 AI 學習行動與環境，不代表 AI 就能自動創造下一款爆紅遊戲。工具能加速資產製作、測試想法、整理資料，但真正的創作仍需要人類判斷。

把這兩件事分清楚很重要。遊戲作為訓練資料，重點是 agent learning；遊戲作為作品，重點是創意與體驗。兩者有關，但不是同一件事。

未來值得觀察的三個方向

第一，遊戲資料是否能轉移到真實世界任務。模型在遊戲裡學到的路徑、物理、策略，能不能幫助機器人或電腦代理人更穩定，是這條路線的關鍵。

第二，資料授權和玩家隱私。大量 gameplay clips 是否有清楚授權、是否包含玩家語音或個資、平台如何處理資料權利，未來會越來越重要。

第三，AI 是否能從被動生成內容，進一步學會主動規劃。若模型能理解環境和行動，它就不只是回答問題，而可能更接近真正能執行任務的代理人。

和 AI Agent 的關係：從回答問題走向執行任務

現在很多 AI Agent 已經能寫計畫、呼叫工具、整理文件，但一旦任務需要在複雜介面中連續操作，就容易犯錯。原因之一是它們不一定真正理解畫面、動作、時間和結果之間的關係。

遊戲資料可以提供一種訓練思路：角色要先觀察環境，再選擇行動，行動後環境改變，接著再重新規劃。這和未來 AI 操作電腦、管理工作流、控制機器人有相似結構。

例如一個能穩定操作軟體的代理人，不只要知道按鈕名稱，還要知道按了之後畫面會怎麼變、下一步應該去哪裡、如果出錯如何回復。這些都比單純文字問答更接近行動智能。

和機器人的關係：遊戲是便宜練習場，但不是現實替代品

機器人訓練最大的問題之一是資料貴。真實世界資料需要硬體、場地、人工標註、安全控管，收集速度遠慢於網路文字。遊戲和模擬環境能提供大量低成本場景，讓模型先學會部分行動概念。

但遊戲不是現實。遊戲裡的摩擦力、重量、材質、碰撞和人類行為，可能和現實差很多。模型如果只在遊戲裡表現好，並不代表能直接放進倉庫、工廠、道路或家庭。

比較務實的做法是把遊戲資料當成 pretraining 或模擬練習，再用真實世界資料微調與驗證。這樣既能利用規模，也不會忽略真實安全問題。

資料授權與玩家隱私會成為下一個爭議點

如果模型使用大量 gameplay clips，第一個問題就是資料從哪裡來。玩家上傳影片時，是否同意被用來訓練 AI？平台條款是否寫得清楚？影片裡是否包含語音、帳號、聊天室、朋友資訊或其他個資？

第二個問題是遊戲公司的權利。遊戲畫面、角色、地圖、美術、音樂和介面都可能有權利歸屬。即使訓練目標不是生成同款遊戲，也可能需要面對授權與商業使用邊界。

第三個問題是透明度。未來如果 AI 公司宣稱用遊戲資料訓練模型，使用者、投資人和監管者可能會要求知道資料類型、授權方式、清洗流程和安全測試。這會像文字資料爭議一樣，成為 AI 發展的重要問題。

一般讀者怎麼判讀這類新聞

看到遊戲資料、世界模型、AGI、代理人這些詞時，不必急著相信或否定。可以先問四個問題：公司拿到什麼資料、資料是否有授權、模型能完成哪些公開任務、是否有真實世界驗證。

如果一篇報導只有願景和募資，沒有產品入口、API 時程、測試結果或限制說明，就要把它當成發展中方向，而不是已經成熟的工具。這樣看新聞，既能跟上趨勢，也不會被過度宣傳帶著走。

現在怎麼開始：可驗證步驟

理解這個方向時，要分清楚三件事：遊戲資料可以幫 AI 學空間與行動，不代表 AI 會自動做出好遊戲；世界模型可以協助代理人，不代表已經達成通用人工智慧；投資熱度高，也不代表產品已經成熟。

本文步驟依據

• TechCrunch 2026-07-08 報導指出，部分公司認為 LLM 擅長文字，但較不擅長理解物體如何在空間與時間中移動。
• TechCrunch 2026-06-25 報導提到 General Intuition 從數億小時 gameplay 取得初始 dataset，並關注 spatial-temporal reasoning。
• 同篇報導提到 gameplay action data 可幫助模型區分 self 與 environment，並理解 causality。
• PC Gamer 報導中的 Take-Two CEO 觀點提醒，資料與工具可協助創作，但不等於能自動製造成功作品。

步驟一：先分清楚文字模型和行動模型

文字模型擅長語言，行動模型需要理解環境變化。

• 把 AI 能力分成回答、生成、操作三類。
• 觀察任務是否需要空間、時間與行動。
• 不要把會聊天等同於會操作世界。

驗證依據：TechCrunch 報導指出 LLM 擅長 text，但較弱於 spatial-temporal understanding。

步驟二：用遊戲資料理解 agent 訓練邏輯

遊戲提供目標、規則、行動與結果，適合用來解釋代理人學習。

• 選一個簡單遊戲畫面。
• 標出角色、環境、障礙、目標。
• 思考每個動作如何改變下一秒狀態。

驗證依據：General Intuition 報導提到 gameplay action data 可幫助模型理解 self、environment 與 causality。

步驟三：判斷新聞時保留懷疑

投資與願景不等於產品成熟。

• 確認公司是否已有公開產品或 API。
• 確認資料來源與授權說明。
• 確認是否有真實世界任務驗證。

驗證依據：TechCrunch 報導提到 General Intuition 目標是未來讓 API 更廣泛可用，仍屬發展中路線。

讀者檢查清單

• 不要把會聊天等同於會行動。
• 遊戲資料的價值在空間、時間、目標與因果。
• 遊戲世界和現實世界仍有落差。
• 資料授權與玩家隱私要持續觀察。
• 看到 AGI 說法時要區分願景、投資與已驗證產品。

FAQ：常見問題

遊戲資料真的比網路文字更好嗎？

不是全面更好，而是適合補足文字資料較弱的空間、時間與行動理解。

這代表 AI 會自動做出好遊戲嗎？

不代表。遊戲資料可訓練代理人能力，但成功遊戲仍需要創意、設計與人類判斷。

一般人需要懂這個嗎？

值得懂，因為它會影響未來 AI Agent、機器人和自動化工具的發展方向。

遊戲資料會不會有授權問題？

可能會。大量 gameplay clips、玩家語音與平台資料如何授權，是未來需要觀察的議題。