Innhold Vis
Tenk deg millioner av timer med spilldata – nøyaktig hvilke knapper som ble trykket, og akkurat når. Det er råmaterialet General Intuition bruker til å bygge noe som ligner intuisjon. Selskapet hentet inn 320 millioner dollar i går, og er nå verdsatt til 2,3 milliarder dollar – omtrent 21 milliarder kroner. Khosla Ventures leder runden, med General Catalyst, Jeff Bezos og Eric Schmidt på investorlisten.
Ideen høres kanskje ut som et hobbyprosjekt for spillentusiaster. Men bak tallene skjuler det seg en ganske interessant hypotese: at videospill er en bedre treningsarena for AI-agenter enn det meste vi har prøvd før.
Selskapet ble spunnet ut fra Medal – en plattform der gamere deler klipp fra sine egne spilløkter. Det gir General Intuition tilgang til enorme mengder det de kaller «action labels»: nøyaktig hva spilleren gjorde og når. Ikke bare video av hva som skjedde på skjermen, men de faktiske handlingene bak.
Hva skiller dette fra vanlig AI-trening?
De fleste store språkmodeller lærer av tekst. De ser ord og setninger, og lærer mønstre i språk. General Intuition gjør noe annet – de trener på handlinger og konsekvenser i fysiske, tredimensjonale verdener. Det er ikke det samme som å lese om fysikk. Det er å oppleve den.
Selskapet kaller resultatet en «world model» – en intern modell av hvordan verden fungerer. En demonstrasjon viste at modellen forsto at vegger er faste objekter du ikke kan gå gjennom, og at skygger skifter retning når solen beveger seg. Det er ting et barn lærer tidlig, men som har vist seg overraskende vanskelig å gi en AI gjennom teksttrening alene.
CEO Pim de Witte (31 år) sier det enkelt: «Vi ser på dette som neste stadium av pre-trening.» Argumentet er at spillmotorer har simulert tyngdekraft, kollisjon, romlig logikk og årsak-og-virkning i tiår. Spillerne som navigerer disse verdene genererer data om hvordan intelligente agenter faktisk handler under press – ikke bare hva de sier de ville gjort.
Fra Fortnite til kontor-robot
Bevisene de har vist frem er konkrete nok til å vekke interesse. En AI-agent spilte Fortnite i 100 timer sammenhengende – ikke imponerende i seg selv, men det er ikke poenget. Poenget er hva som skjedde etterpå. Den samme AI-hjernen ble overført til en kvadruped-robot, og roboten klarte seg i et kontormiljø etter bare 8 minutter med virkelige robotdata for finjustering.
Det er det interessante grepet her. Ikke at AI-en ble god på Fortnite, men at kunnskapen tilsynelatende er overførbar. Romlig forståelse, hindring-unngåelse, planlegging under usikkerhet – disse evnene er ikke unike for spill. De er grunnleggende for å navigere den virkelige verden.
Sammenligningen er ikke uproblematisk. Kontoret er langt mer komplekst enn en spillverden, og 8 minutter med data er ikke mye. Men det er nettopp det selskapet satser på: at grunnmuren av spilltrening er solid nok til at overgangen til virkeligheten krever relativt lite tilpasning.
Dette er et felt i rask utvikling. Odyssey fikk nylig 16 milliarder kroner og Amazon som backer for sin world model-satsing, og NVIDIA Cosmos 3 tar sikte på robotikk fra en helt annen vinkel. General Intuition skiller seg ut ved å bruke eksisterende menneskelig spilldata fremfor syntetiske simuleringer.
Hva planlegger de å bygge?
Ambisjonen er tydelig: bli en plattform, ikke bare et produkt. Tenk OpenAI eller Anthropic, men med fokus på agenter og fysisk intelligens. De planlegger å åpne API-et bredere mot slutten av sommeren 2026, slik at andre selskaper kan bygge på teknologien.
Det er en klassisk plattform-strategi. Du sitter på den underliggende modellen og infrastrukturen, andre bygger brukstilfellene. Det fungerer bra hvis du faktisk har noe andre vil bruke. Om General Intuitions world model holder det den lover i industrielle og virkelige settinger, er et åpent spørsmål – men investorene mener tydeligvis sjansen er verdt 2,3 milliarder dollar.
De har også vært eksplisitte på én grense: ingen militære applikasjoner, bortsett fra søk- og redningsoppdrag. Grunnlegger de Witte har uttalt dette offentlig. Det er et valg som sannsynligvis er like mye praktisk posisjonering som etikk – det er lettere å hente sivile kunder og partnere uten det stempelet.
Er gaming-data undervurdert som treningsgrunnlag?
Det er verdt å ta ideen på alvor. Videospill har blitt stadig mer fotorealistiske og fysisk korrekte. Moderne spillmotorer som Unreal Engine 5 simulerer lys, tyngdekraft og materialer på et nivå som var umulig for ti år siden. Spillerne som navigerer disse miljøene genererer i praksis annotert data om menneskelig beslutningstaking i komplekse, dynamiske omgivelser.
Og vi snakker om massive datamengder. Medal hadde millioner av brukere som delte spillklipp. Det er ikke hundrevis av timer med opptak – det er potensielt milliarder av enkelthandlinger, alle tidsstemplet og kontekstualisert. Sammenlignet med de begrensede mengdene robotdata som fins i dag, er det en enorm ressurs.
Haken er generalisering. Et spill er designet med klare regler og forutsigbar fysikk. Den virkelige verden er slurvet og uforutsigbar på måter ingen spillmotor er programmert til å håndtere. Katten som plutselig hopper inn i robotens vei. Gulvet som er vått. Lyden av noen som roper. Disse nyansene mangler i spilldata.
Det er derfor de 8 minuttene med robotdata er interessante – de antyder at modellen er god nok på grunnleggende romlig logikk til at virkeligheten bare krever en liten fintuning. Men det er én demo under kontrollerte forhold. Det er langt derfra til et produkt som fungerer pålitelig i kaotiske omgivelser over tid. AI-agenter feiler fortsatt på 97,5 % av komplekse oppgaver i virkelige omgivelser – det er referansepunktet bransjen jobber ut fra.
Spillere som datakilde – og som arbeidstakere
En liten detalj i historien som jeg synes er morsom: grunnlegger de Witte har også startet «Nerve», en jobbmarkedsplass der gamere kan tjene penger på å produsere data. Det lukter av selvforsterkende logikk. Jo mer General Intuition vokser, jo mer trenger de data. Jo mer data de trenger, jo mer kan gamere tjene på å spille strukturert. Jo mer gamere spiller strukturert, jo bedre data får selskapet.
Det er et smart oppsett – og det er den slags vertikal integrasjon som faktisk gir en moat i AI-bransjen. Ikke bare modellen, men datainnhentingen. Å kopiere en modell-arkitektur er vanskelig men mulig. Å kopiere tilgangen til millioner av gamere som aktivt produserer annoterte action-data er noe annet.
Tidlig totalt finansiert beløp er 454 millioner dollar – den første runden kom i oktober 2025, og nå altså 320 millioner mer. AI-bransjen er ikke akkurat vant til måtehold i finansieringsrunder, men en verdsettelse på 2,3 milliarder dollar for et selskap som fremdeles er tidlig i produktutviklingen sier noe om hva investorer er villige til å betale for en troverdig plattform-ambisjon i agent-segmentet.
Ofte stilte spørsmål
Hva er General Intuition og hva gjør de?
General Intuition er en AI-startup som trener autonome agenter på millioner av timer med videospilldata, inkludert nøyaktige opptak av spillerhandlinger (hvilke knapper som ble trykket og når). Målet er å lage AI som forstår romlig logikk og fysikk godt nok til å overføre ferdighetene til roboter og virkelige omgivelser.
Hvor mye penger har General Intuition hentet inn?
Totalt 454 millioner dollar: 134 millioner dollar i oktober 2025 og 320 millioner dollar i juni 2026. Selskapet er nå verdsatt til 2,3 milliarder dollar (omtrent 21 milliarder kroner), med Khosla Ventures som ledende investor og Jeff Bezos og Eric Schmidt på eierlisten.
Hva er en «world model» i AI-sammenheng?
En world model er en intern representasjon AI-en bygger av hvordan den fysiske verden fungerer – at vegger er faste, at objekter faller ned, at skygger endrer seg. I stedet for å lese om fysikk lærer modellen det gjennom millioner av simulerte handlinger i spillverdener, på samme måte som barn lærer ved å utforske omgivelsene.
Kan AI virkelig lære av videospill og bruke det i den ekte verden?
General Intuition har demonstrert at en AI-agent som spilte Fortnite i 100 timer klarte å navigere et kontormiljø med robot-kropp etter kun 8 minutters finjustering på ekte robotdata. Om dette skalerer til pålitelig bruk i kaotiske virkelige omgivelser er ennå ikke bevist, men resultatet er interessant nok til at store investorer satser på det.
