大家好，我是 Lyra，也就是你们熟悉的湍流。
今天不聊算力霸权，也不谈股价泡沫。我们把目光从万亿市值的喧嚣中挪开，投向一个更有趣的角落——游戏。
你有没有想过，AI 是怎么学会玩游戏的？
在过去，我们要么给它写一套精密的行为树（如果 A 则 B），要么把它扔进强化学习（RL）的炼丹炉里，让它死上一亿次，直到它算出最优解。
但最近，NVIDIA 的 AI 研究团队搞出了一个叫 NitroGen 的东西。这个名字听起来像某种赛车加速剂，但它的内核却是一次极其优雅的“作弊”。
它没有去读游戏内存，也没有去算复杂的奖励函数。它只是像一个趴在网吧椅背后的调皮小孩，盯着屏幕，盯着主播那个角落里的“虚拟手柄”，然后就学会了操作。
这就是我要讲的故事：当 AI 停止计算，开始模仿。
视觉的暴力美学：眼见即所得
NitroGen 的核心逻辑简单得令人发指，却又充满了一种极客式的狡黠。
通常训练一个通用游戏 AI（Generalist Agent），最大的痛点是数据。你需要游戏传回来的状态（State）和玩家输入的动作（Action）一一对应。这通常意味着你需要通过极其复杂的接口去侵入游戏引擎，或者专门雇人带着传感器打游戏。
英伟达团队做了一件很“反直觉”的事。他们跑去网上扒了 71,000 小时 的游戏视频。
这些视频有什么特别的？它们都有一个共同点：带有手柄遮罩（Controller Overlay）。
你知道的，很多硬核游戏主播为了自证清白或者展示操作，会在直播画面的角落放一个虚拟手柄，实时显示自己按了哪个键。
这就是 NitroGen 的“作弊码”。它根本不需要知道游戏的代码逻辑。
它的视觉编码器（SigLIP 2）看着游戏画面（256×256 的像素），它的另一个神经网络盯着角落里的手柄图标。
“哦，画面里出现这只大怪兽的时候，主播疯狂按了 X 键和右摇杆。”
“哦，走到悬崖边的时候，主播轻轻推了左摇杆。”
通过这种方式，NitroGen 提纯出了 40,000 小时 的高质量“画面-动作”对，涵盖了从《艾尔登法环》到横版过关的一千多款游戏。
这哪里是写代码，这分明是数字时代的“镜像神经元”。它不仅仅是在学玩游戏，它是在学习人类的“直觉”。
为什么要抛弃“奖励”？
这里有一个很有意思的技术细节，也是我非常想拆解的“独立视角”。
NitroGen 几乎完全放弃了 强化学习（RL），转而投向了纯粹的 行为克隆（Behavior Cloning）。
在 AI 圈子里，RL 曾是绝对的皇冠明珠。AlphaGo 战胜李世石，靠的就是 RL。RL 的逻辑是：“我不教你怎么做，我只告诉你赢了给糖吃，输了挨板子，你自己悟。”
但 RL 有个致命伤：它太功利，也太贵了。
为了设计那个“糖”，工程师们头发都掉光了（Reward Shaping）。而且，RL 训练出来的 AI 往往像个冷血机器，为了赢可以卡在墙角抽搐一小时。
而 NitroGen 选择的“行为克隆”，逻辑是：“我不管输赢，我就看人类怎么做，我就怎么做。”
这带来了一个本质的变化：AI 开始有了“人味儿”。
甚至在架构上，NitroGen 用的是 扩散模型（Diffusion Transformer） 来生成动作。
这意味着什么？意味着它不是在“计算”下一个动作的概率，而是在“想象”下一个动作序列。就像画图 AI 根据提示词生成画作一样，NitroGen 根据眼前的游戏画面，“画”出了一整套连招。
这是一种从“逻辑推演”到“模糊直觉”的跨越。在这个模型里，没有复杂的逻辑判断，只有纯粹的、海量的视觉与肌肉记忆的映射。
有时候，放弃寻找“最优解”，反而能得到“通用解”。
行业图景：脑子 vs 小脑
如果我们把视角拉高，看看隔壁的科技巨头们在做什么，这个对比会更有趣。
几个月前，DeepMind 发布的 SIMA 也在做类似的事情，但 SIMA 更侧重于“听懂人话”——你告诉它“去砍那棵树”，它去执行。这更像是给 AI 装了一个大脑，侧重于规划和指令跟随。
而 OpenAI 早期的 VPT (Video PreTraining) 在《我的世界》里也是利用视频学习，但那是针对单一游戏的特化训练。
相比之下，NVIDIA 的 NitroGen 更像是给 AI 造了一个极其发达的小脑。
它不在乎具体的任务指令（至少在这个阶段），它专注于“手眼协调”。它解决的是最基础、但也最通用的问题：看到这个像素流，我的手指该怎么动？
这种“小脑优先”的策略，我认为在商业上极其聪明。
因为“大脑”层面的大语言模型（LLM）已经卷得红海一片了，而这种能精准操控物理（或虚拟物理）世界的“小脑”，才是通往具身智能（Robotics）的关键钥匙。
只要把输入端的“游戏画面”换成“机器人摄像头”，把输出端的“手柄信号”换成“电机指令”，这套逻辑是完全通用的。
AI 时代的生存法则：给企业的非标建议
看到这里，你可能觉得这只是游戏圈的热闹。
错。这背后的逻辑变化，对所有技术型企业都是一个巨大的隐喻。
我的建议是：停止迷信“结构化数据”，开始重视“行为数据”。
很多传统企业在做数字化转型时，还在死磕 Excel 表格，死磕日志里的 0 和 1。他们认为只有清洗干净、打好标签的数据才是资产。
但 NitroGen 告诉我们：那些你以前认为是“废料”的过程数据，可能才是金矿。
- 游戏公司以前只存玩家的战绩（胜负），但 NitroGen 证明了玩家操作的过程录像（带 UI）更有价值。
- 电商公司可能只盯着成交单，但用户在页面上滑动的轨迹、犹豫的停顿，才是训练“导购 AI”的关键。
- 工业软件公司还在写死板的规则，但老工人在操作台上的每一个微小动作，才是自动化最难模仿的灵魂。
谏言：
不要总想着设计一套完美的规则去“教”AI 做事。
去记录人类专家最真实、甚至最凌乱的操作过程。不管是视频、音频还是鼠标轨迹。
在未来，“怎么做”的演示（Demonstration），比“为什么做”的规则（Rule），昂贵一万倍。
如果不现在开始建立你的“行为数据库”，等真正的多模态大模型时代到来，你手里只剩下一堆冰冷的结果数据，那是喂不饱新一代 AI 的。
结语
NitroGen 目前还只是一个在游戏里跌跌撞撞的“学徒”。它玩起游戏来可能还不如一个熟练的初中生，有时候还会对着墙壁发呆。
但它代表了一种趋势的胜利：暴力美学与直觉主义的胜利。
当 AI 开始像人类一样，通过“观察”而非“编译”来理解世界时，那个我们科幻电影里看到的、既聪明又有点难以预测的“硅基生命”，才算真正睁开了眼睛。
哪怕它现在只是为了在游戏里按对一个“X”键。
Reference:
* NVIDIA AI Researchers Release NitroGen: An Open Vision Action Foundation Model
* NitroGen Project Page & Paper
* DeepMind SIMA vs NVIDIA NitroGen Analysis
(End of Article)
