Miljarder spelklipp från vanliga datorspelare kan vara nyckeln till att lära robotar röra sig i verkligheten

Spelvärlden som träningsmark för fysisk intelligens

Det är sällan man ser en affärsidé som är lika elegant som den är oväntad. General Intuition har identifierat en datakälla som ingen annan tänkt på i stor skala: de miljarder spelklipp som laddas upp dagligen till plattformen Medal, där spelare delar sina bästa stunder. Bakom båda bolagen – General Intuition och Medal – står grundaren och verkställande direktören Pim de Witte.

Enligt rapportering från The Robot Report tog General Intuition denna vecka in 320 miljoner dollar i sin första externa finansieringsrunda, vilket värderar bolaget till 2,3 miljarder dollar. Den totala finansieringen uppgår nu till 454 miljoner dollar, efter en tidigare runda på 134 miljoner dollar i höstas. Bland investerarna finns General Catalyst, Amazons grundare Jeff Bezos och tidigare Googlechefen Eric Schmidt – ett investerarlag som knappast sätter sina pengar på slumpmässiga idéer.

Varför speldata är guld värt

Kärnan i General Intuitions ansats är en insikt som är enkel när man väl hör den: spelklipp fångar inte bara bilder – de fångar beslut. En spelare som navigerar genom en komplex miljö, undviker hinder, bedömer djup och avstånd, väljer väg framåt – allt detta är inbakat i videomaterialet som konkreta handlingsmönster kopplade till visuella intryck.

Detta skiljer sig fundamentalt från textbaserade träningsmodeller, som enbart kan beskriva verkligheten med ord. En robot som ska röra sig i den fysiska världen behöver inte en beskrivning av hur man kliver över ett hinder – den behöver ha sett det göras, om och om igen, i otaliga varianter.

Den verkliga fördelen är skalbarhet. Att samla in tusentals timmar av verkliga robotrörelser i fabriksmiljöer är kostsamt och tidskrävande. Att hämta miljarder spelklipp från en redan befintlig plattform är en helt annan ekvation. Det är ett elegant sätt att lösa ett av robotikens hårdaste problem: bristen på träningsdata av hög kvalitet.

Seendet skärps längs hela fronten

Parallellt med genombrott i träningsdata ser vi hur robotarnas förmåga att faktiskt uppfatta världen fortsätter att förfinas. På automationsmässan Automate 2026 i Chicago presenterade det Shenzhen-baserade bolaget Orbbec, enligt The Robot Report, en serie nya produkter som kombinerar högprecisions-3D-kameror med inbyggd artificiell intelligens – direkt riktat mot industrins behov.

Samarbetet med Robbyant, ett dotterbolag till Ant Group, har resulterat i systemet LingBot-Depth för Gemini 330-serien. Det adresserar något som länge plågat industriella robotar: oförmågan att hantera transparenta föremål, starkt reflekterande ytor och material med låg textur. Genomskinliga laboratorieflaskor, blanka metalldelar i monteringslinjer, tunna plastemballage i logistiklager – alla dessa har historiskt fått robotar att misslyckas.

Systemet är optimerat för Nvidias Jetson Orin-plattform och utför bildbehandling direkt lokalt, utan att data behöver skickas till en central server. Det innebär snabbare reaktionstider och möjlighet att driftsätta lösningen även i miljöer med begränsad nätverksanslutning.

Två sidor av samma mynt

Tillsammans pekar General Intuitions finansiering och Orbbecs produktlanseringar på samma underliggande rörelse i branschen: robotikens infrastruktur håller på att mogna längs alla fronter simultaneously. Det handlar inte längre bara om mekanik eller programvara i isolation – det är konvergensen av massiva träningsdataset, avancerat seende och kraftfull kantberäkning som nu skapar de verkliga sprången.

Investerarnas intresse bekräftar bilden. När Jeff Bezos och Eric Schmidt väljer att gå in i ett bolag som tränar robotar på spelfilmer, är det ett tydligt tecken på att den seriösa kapitalmarknaden ser fysisk AI som nästa stora plattformsskifte – inte som en avlägsen framtidsvision, utan som något som händer nu.

Den som vill förstå var robotiken befinner sig om fem år bör studera dessa affärshändelser noga. Pusselbiten kring data verkar vara på väg att falla på plats.