英伟达联手斯坦福开源通用游戏AI NitroGen打破单一模型桎梏

游戏人工智能领域迎来突破性进展，NVIDIA与斯坦福大学联合发布通用智能体NitroGen。该模型通过在超1000款游戏中累计4万小时的训练，打破了传统AI“专游专练”的局限，展现出惊人的跨场景泛化能力。研究团队同步宣布完全开源相关数据集与模型权重，意在加速全球通用智能研究进程。

通用智能体 终结“一游一练”时代

长期以来，游戏AI研发面临的主要瓶颈是通用性缺失，强化学习模型通常需要针对特定游戏环境从头训练。NitroGen的问世改变了这一格局，其核心竞争力在于极强的环境适应性。

通过在涵盖平台跳跃、即时战略、射击竞技、解谜及模拟经营等全品类游戏环境中的高强度学习，NitroGen掌握了底层的感知、决策与操作逻辑。实验数据表明，即便面对从未见过的全新游戏，该模型也能迅速调用已有经验，快速达到人类玩家的可玩水平，实现了从“专用专家”到“全能玩家”的跨越。

图源备注：图片由AI生成

数据开源 构筑科研基础设施

NitroGen的成功离不开高质量数据的支撑。为了推动行业共同进步，研究团队发布了名为GameVerse-1K的庞大通过数据集。该数据集包含了超过1000款商业及开源游戏的完整交互记录，汇总了人类玩家与AI长达4万小时的对战影像。

更为关键的是，每一帧画面都与其对应的操作指令、奖励反馈及状态元数据进行了毫秒级的精准对齐。目前，所有代码、模型权重及数据资源均已上传至GitHub与Hugging Face，向全球开发者和研究机构免费开放，支持非商业性质的学术探索。

技术突破 纯视觉方案迈向AGI

在技术架构上，NitroGen采用了极具前瞻性的纯视觉输入方案（Pixel-only）。它不依赖游戏内部API或底层状态代码，而是像人类一样通过“看”屏幕来玩游戏。同时，团队设计了统一的动作抽象层，将键盘、手柄、触屏等复杂的输入方式映射为标准化的动作空间。

AIbase观点指出，游戏作为高维、动态的复杂模拟环境，是训练通用人工智能（AGI）的最佳试验场。NitroGen所验证的“大规模预训练+快速迁移”范式，其应用前景远超娱乐领域，未来有望直接迁移至机器人控制、自动驾驶及工业仿真等物理世界场景。