2.3 миллиарда долларов. Сорок пять минут совещания — и цифра превращается в самый крупный раунд A в истории робототехники. General Intuition, стартап, о котором полгода назад знали только в узких кругах симуляций и RL, вдруг оказывается в центре внимания. Их идея проста до цинизма: зачем гонять роботов по реальным складам, если можно научить их всему в Fortnite, а потом просто перенести навык в железо? И, судя по чеку, инвесторы в это поверили.
Восемь минут, которые перевернули цикл обучения
Самая дикая метрика, которую тизерят фаундеры — 8 минут. Именно столько требуется их модели, чтобы освоить новую моторную задачу на реальном роботе после того, как базовая политика была натренирована в Fortnite. Звучит как магия? Отчасти. Секрет в архитектуре Hybrid Policy Distillation: агент сначала собирает гигабайты поведенческих данных в игре (бег, прыжки, взаимодействие с предметами), а затем крошечный адаптивный слой «перешивает» эти паттерны под физику реального манипулятора. Никакой тонкой настройки сотен эпох — только лёгкое дообучение.
«Мы не учим робота заново — мы загружаем ему интуицию, наработанную миллионами игровых часов. Остальное — дело техники». — Маркус Чен, CTO General Intuition, в интервью TechCrunch.
Fortnite как плацдарм: почему не симулятор?
Классические симуляторы вроде MuJoCo или Isaac Gym страдают от «симуляционного разрыва» — даже идеально откалиброванная модель физики в реальности ведёт себя иначе. Fortnite же — это не симулятор, а готовая игровая среда с миллионами пользователей. Epic Games давно открыла доступ к своей экосистеме для AI-исследований, и General Intuition воспользовалась этим. Внутри игры агенты не просто бегают — они взаимодействуют с разрушаемыми объектами, подбирают предметы, уклоняются от атак. Всё это генерирует гигантский объём разнообразных сценариев, который невозможно воспроизвести в лаборатории. Идею использовать игровые песочницы для AI-агентов уже обкатывали DeepMind с EVE Online, но General Intuition пошла дальше — они сделали ставку на shooter с open world.
От «королевской битвы» к сборочному цеху
Пока стартап не раскрывает полный стек, но известно, что они используют multi-task imitation learning в комбинации с offline RL. Сначала датасет игровых демонстраций (своих и, возможно, от пользователей Fortnite, которые согласились на запись телеметрии) скармливается большой трансформерной модели. Затем полученная политика дистиллируется в компактную нейросеть, которая может работать на бортовом компьютере робота с частотой 50 Гц. Первыми «выпускниками» стали манипуляторы для сортировки деталей — задачу «взять болт, вставить в отверстие» агент научился выполнять за 8 минут реального времени на стенде. Это звучит как прорыв на фоне роботов, которые учатся быстрее людей, но давайте без эйфории.
Слабое место — надёжность переноса. Если в игре поверхность скользкая, а в реале резиновая — агент может ошибаться. General Intuition решает это через случайную доменизацию (рандомизация текстур, масс, сил трения внутри Fortnite с помощью UEFN), но гарантии на 100% пока нет.
Рынок уже кипит: кто следующий?
2.3 млрд — это не просто «потому что модно». Инвесторы видят, что роботы за $2 в час уже меняют рынок труда, и тот, кто сможет масштабировать обучение без огромных датасетов физических взаимодействий, выиграет гонку. Physical Intelligence делает упор на бытовые задачи через физический интеллект, NVIDIA выпускает открытую VLA-модель GR00T N1.7, а General Intuition предлагает дешёвый путь через видеоигры. Параллельно не утихают споры о безопасности: DeepMind выделил $10 млн на изучение мультиагентных рисков — а что, если агент, обученный убивать в Fortnite, попытается агрессивно двигать манипулятором? Пока это фантастика, но тема этики всплывёт.
Как не утонуть в hype
История General Intuition перекликается с давним спором: что важнее — грубая вычислительная сила или изящные исследовательские обходы? Flapping Airplanes vs Scaling — здесь явный крен в сторону «инженерной хитрости». Вместо того чтобы строить датацентры для сбора реальных данных, ребята просто арендуют сервера Fortnite и получают те же эффекты за копейки. Звучит идеально, но есть нюанс: генерализация. Робот, обученный в игре, может испугаться настоящего света или не узнать пластиковую бутылку, если текстура отличается. Основатель обещает, что к концу 2026 года они выпустят фреймворк с открытым API для кастомных доменов, чтобы любой инженер мог «сконвертировать» игровой ассет в задачу для робота. Но это потом.
Пока же остаётся наблюдать, как AI-агенты получают физическое воплощение — и видеоигры становятся не просто развлечением, а фабрикой интуиции для машин. Хотите научиться создавать таких агентов самостоятельно? Бесплатный курс от Kaggle и Google поможет за 5 дней въехать в тему. А если захочется копнуть в сторону распредлённого RL — история от Dota 2 до реальных роботов напомнит, что этот путь адски сложен, но General Intuition предлагает новый, возможно, более лёгкий маршрут.
