
> **导语**
> 英伟达 AI 团队近日再度突破界限，推出开放视觉行动基础模型 NitroGen。该模型通过学习 40,000 小时的海量视频数据，无需代码介入即可掌握游戏操控逻辑，为通用游戏智能体的构建提供了全新的技术范式。

## 视频即数据 重新定义游戏AI训练逻辑

传统游戏 AI 的训练往往依赖于对游戏内部接口的深度挖掘或定制化开发，而 NitroGen 走了一条更为通用的 "人类视角" 路线。该模型的核心构建始于对公开游戏视频的深度挖掘。

研究团队构建了一个庞大的数据管道，收集了总计 71,000 小时的原始视频素材。经过严格的质量过滤，最终提炼出 40,000 小时的精选数据。这些数据涵盖了 818 位创作者上传的 38,739 个视频，跨越了 846 款截然不同的游戏。数据分布显示，动作角色扮演类游戏（ARPG）占据主导地位，占比达 34.9%，其次是平台跳跃类（18.4%）和动作冒险类（9.2%）。这种多样化的数据构成，为模型理解复杂的 3D 空间关系和操作逻辑奠定了基础。

![Google_AI_Studio_2025-12-29T03_18_39.132Z.png](https://static.downly.cn/images/ff17838482696f5dbdf98f93f0b067bd.png)
 <center>图源备注：图片由AI生成</center>

## 三阶段提取 并不是简单的模仿

NitroGen 并非简单地 "看" 视频，而是通过一套精密的三阶段提取流程来 "理解" 操作。

首先，系统利用 300 个标准化的控制器模板，在视频画面中精准定位游戏手柄的 UI 叠加层。随后，基于 SegFormer 的分类分割模型会对这一区域进行深度解析，将视觉信号转化为具体的按键指令。最后，通过坐标精细化处理，确保动作预测的毫秒级准确性。这一流程让 NitroGen 具备了大规模行为克隆的能力，使其能够像人类玩家一样，仅凭画面反馈做出决策。

此外，随模型发布的还有一个通用模拟器。它能将商业 Windows 游戏无缝封装为兼容 Gymnasium 的接口，实现逐帧互动而无需修改任何底层代码，极大地降低了跨游戏策略迁移的门槛。

![Google_AI_Studio_2025-12-29T03_18_52.433Z.png](https://static.downly.cn/images/44511532641526f940446290039dc39d.png)
 <center>图源备注：图片由AI生成</center>

## 扩散架构驱动 性能与迁移能力的双重飞跃

在架构层面，NitroGen 采用了基于 Diffusion Transformer 的先进策略，专门针对 256×256 分辨率的 RGB 图像进行优化。这种架构选择使得模型在生成动作策略时具备了极高的鲁棒性。

实测数据显示，NitroGen 在多个零样本（Zero-shot）评估任务中表现优异，任务完成率稳定在 45% 至 60% 之间。更令人瞩目的是其迁移学习能力：当应用于一款从未见过的全新游戏时，经过预训练的 NitroGen 相较于从头开始训练的模型，性能提升幅度高达 52%。这证明了该模型不仅记忆了操作，更习得了通用的游戏交互逻辑。

英伟达发布NitroGen 视觉大模型开启游戏AI新纪元



> 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。

![Google_AI_Studio_2025-12-27T02_58_10.468Z.png](https://static.downly.cn/images/836fbf98aa6cc29781b85b900ee56ea8.png)

<center>图源备注：图片由AI生成</center>

## 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。

英伟达联手斯坦福开源通用游戏AI NitroGen打破单一模型桎梏


>导语
英伟达推出基于OpenVision的通用游戏智能体NitroGen，该模型通过分析YouTube和Twitch上超过4万小时带控制器图层的游戏视频，学会了跨不同游戏类型的操作逻辑。测试显示，其在陌生环境中的表现比传统模型高出52%，相关代码与数据已全部开源。

## 从视频旁观者到全能操作者

为了让NitroGen掌握复杂的操控逻辑，研究团队挖掘了一个此前被学术界忽视的数据宝库 YouTube和Twitch上带有控制器叠加层的游戏视频。

通过分析1000多款游戏、总计超过4万小时的玩家录像，NitroGen学会了如何根据视觉反馈直接生成操作指令。AIbase了解到，研究人员利用模板匹配和微调后的SegFormer模型，精准地从海量视频中提取出了玩家的实时按键输入数据，实现了从“看”到“玩”的进化。

![Google_AI_Studio_2025-12-22T02_20_42.284Z.png](https://static.downly.cn/images/d0e53ac43072e665b84487cadbbfe42a.png)
<center>图源备注：图片由AI生成</center>

## 跨平台适应力与卓越性能

在技术架构上，NitroGen深度集成了英伟达此前发布的GR00T N1.5机器人模型，这赋予了它强大的跨平台适应能力。测试数据显示，无论是动作角色扮演、平台跳跃还是Roguelike等风格迥异的游戏，它都能轻松驾驭。

即使被置于完全陌生、未曾见过的游戏环境中，它的表现也比从头训练的模型成功率高出52%。这一结果充分证明了机器人基础模型在虚拟环境中的通用性，不再局限于单一任务。

## 全面开源推动行业发展

目前，这支由英伟达、斯坦福及加州理工学院等顶尖学术机构组成的联合研究团队，已正式将该项目的论文、代码及相关数据集开源。这一举措旨在为全球AI社区在具身智能和通用代理领域的进一步探索提供重要基石。

英伟达发布通用智能体NitroGen 4万小时游戏视频训练出的全能玩家



> 今日AI界风起云涌，马斯克旗下xAI将苹果与OpenAI告上法庭，指控其垄断行为。同时，一种利用图像重采样技术的新型AI攻击方式被揭露，为安全领域敲响警钟。各大科技巨头则竞相发布创新工具：字节跳动内测3D模型生成器，谷歌NotebookLM解锁80种语言，微软与阿里分别开源超长语音合成及视频修复模型，腾讯推出游戏AI大模型大幅提升动画制作效率。这些进展预示着AI技术在应用层面正迎来新一轮的爆发。

## 巨头之争 xAI正式起诉苹果与OpenAI
埃隆·马斯克创立的xAI公司已在美国联邦法院对苹果和OpenAI提起诉讼。诉讼指控两家公司通过签订排他性协议，非法合谋阻碍人工智能领域的公平竞争。此举不仅限制了xAI等公司的发展空间，还直接损害了其应用Grok在苹果平台上的展示机会。

![image.png](https://static.downly.cn/images/2818f2825f9a47c34d77dfe3a1c6939e.png)

## 无形攻击 AI模型爆出新漏洞，图像竟成特洛伊木马
研究人员发现了一种全新的AI攻击方式。攻击者可以利用图像重采样技术，将恶意指令嵌入到人眼无法察觉的图像之中。当AI系统处理这些被篡改的图像时，隐藏的指令便会激活，从而劫持大语言模型，导致用户数据被窃取等严重后果。

![image.png](https://static.downly.cn/images/3c07d2480cd7a4c6a91ab1542b1ec05c.png)

## 人人都是建模师 字节跳动内测“3D模型生成器”
字节跳动豆包团队正在内部测试一款名为“3D Model Generator”的全新工具。该工具能根据用户上传的图像直接生成3D模型，旨在大幅降低3D建模的技术门槛，为游戏开发等领域提供高效的3D资产创建方案。

![image.png](https://static.downly.cn/images/9e14138468a996333e83a1b063598fdb.png)

## 打破语言壁垒 谷歌NotebookLM支持80种语言并新增视频转换功能
谷歌旗下的学习工具NotebookLM迎来重磅升级，现已全面支持80种语言。此次更新还革命性地推出了视频概览功能，用户可以将笔记、PDF和图片一键转换为多语言视频演示文稿，彻底打破了过去仅支持英语的局限，极大地扩展了其作为全球学习助手的能力。

![image.png](https://static.downly.cn/images/9f439aa39142b58ff5a73ebc666d65a4.png)

## 90分钟超长语音一键生成 微软开源VibeVoice-1.5B模型
微软研究院近日开源了其最新的VibeVoice-1.5B音频模型。该模型在语音合成技术上取得了重大突破，能够一次性生成长达90分钟的超长语音，且保证了音色的自然稳定与语义的连贯。此外，它还支持多达四位发言人的多说话人合成，性能远超以往模型。

![image.png](https://static.downly.cn/images/0d9835e99d3e7ff36bcbb6d9d3b4c530.png)

## 视频修复神器 阿里云开源Vivid-VR解决闪烁抖动难题
阿里云正式开源了视频修复工具Vivid-VR。该工具利用生成式AI与T2V模型，并结合了ControlNet技术，能够高效解决视频中常见的闪烁、抖动等问题，确保帧间内容的高度一致性，为内容创作者们带来了更高质量、更便捷的视频修复解决方案。

![image.png](https://static.downly.cn/images/5207201740603581996dd2fda24d8492.png)

## 告别爆肝 腾讯游戏AI大模型4秒生成200帧动画
腾讯游戏发布了其专业的游戏AI大模型，该模型在动画制作领域取得了惊人突破。现在，仅需短短4秒钟，AI便能自动生成200帧的流畅动画，将动画师从繁重的工作中解放出来，效率提升高达8倍。

![image.png](https://static.downly.cn/images/073af8f22d879f6012c623ef3103aa8d.png)

## 编程新哲学 Karpathy提出三层AI编程结构
著名AI专家Andrej Karpathy提出了最新的“氛围编程”指南，他建议为不同的编程场景选择最合适的AI工具。这套三层结构为 顺境时使用Cursor，逆境时求助Claude，而绝境中则依赖GPT-5 Pro。这一理念强调了在AI时代，为不同任务选择最适宜的模型，已成为一种需要深思熟虑的艺术。

![image.png](https://static.downly.cn/images/fadc6dfae39d84b7db7e4628fd175f74.png)

每日AI资讯0826：巨头纷争与技术革新，AI应用时代全面爆发

> 近日，**谷歌正式发布了其旗舰AI模型 Gemini 2.5 Pro 和 Flash 的稳定版本**，标志着这两款性能强劲、效率卓越的模型全面向开发者和企业开放。 更令人振奋的是，谷歌还**同时推出了速度最快的 Gemini 2.5 Flash-Lite 预览版**。 此次发布不仅带来了显著的**性能提升和上下文窗口扩展**，更强调了**稳定性和可靠性**，旨在赋能全球开发者，加速AI应用的创新与落地，进一步巩固谷歌在AI领域的领先地位。



自谷歌推出 Gemini 系列模型以来，其在多模态理解和推理能力上展现出强大潜力，备受业界关注。 如今，谷歌将这一前沿技术推向了一个新的里程碑，正式发布了 **Gemini 2.5 Pro 和 Gemini 2.5 Flash 的稳定版**，供开发者和企业广泛使用。

![image.png](https://static.downly.cn/images/e417f9580cb250784bf5dfbf54641e38.png)

此次发布不仅是简单的版本更新，更是谷歌在确保模型性能、可靠性和可扩展性方面迈出的重要一步，旨在为开发者提供更坚实、更强大的AI构建基石。 更值得一提的是，**谷歌还同步推出了速度最快的 Gemini 2.5 Flash-Lite 预览版**，进一步拓展了AI模型的应用边界。



### 性能、效率与极致速度并驾齐驱

Gemini 2.5 系列的稳定版和预览版，在继承Gemini家族优秀基因的基础上，带来了多项关键改进，以满足不同场景下的AI应用需求

#### 1. Gemini 2.5 Pro 性能再升级

作为Gemini家族的旗舰模型，**Gemini 2.5 Pro 稳定版在复杂推理、代码生成、多模态理解等核心能力上表现更为出色**。 它拥有强大的上下文窗口，能够处理海量的输入信息，无论是长篇文档、视频片段还是复杂的代码库，都能进行深入分析和高效响应。 这使得Gemini 2.5 Pro 成为开发高级AI应用，如智能助手、内容创作工具、复杂数据分析系统的理想选择。

#### 2. Gemini 2.5 Flash 高效轻量化

与 Pro 版的“全能”不同，**Gemini 2.5 Flash 稳定版则专注于速度和效率**。 Flash 模型经过优化，在保持强大性能的同时，拥有更快的响应速度和更低的计算成本。 这使得它特别适合需要实时交互、高吞吐量或对延迟敏感的应用场景，例如聊天机器人、实时翻译、物联网设备上的AI功能以及大规模的批处理任务。 它有效地降低了AI部署的门槛和运行成本。

#### 3. Gemini 2.5 Flash-Lite 极致速度预览

此次发布的亮点之一，是**同时推出了速度最快的 Gemini 2.5 Flash-Lite 预览版**。 这一版本进一步压缩了模型体积，优化了推理速度，旨在为对延迟要求极高的边缘计算、快速响应或超大规模并发场景提供解决方案。 Flash-Lite 的推出，意味着谷歌在AI模型的轻量化和效率提升方面，正在进行更深层次的探索，为开发者在极端性能约束下的AI部署提供了新的可能。

#### 4. 稳定可靠的生产级支持

“稳定版”的发布意味着谷歌对 Gemini 2.5 Pro 和 Flash 这两款模型在**可靠性、安全性和可扩展性方面进行了全面验证和优化**。 开发者可以放心地将其集成到生产环境中，用于构建面向用户的应用或企业级解决方案。 这将大大缩短开发周期，降低部署风险，加速AI技术的商业化落地。

![image.png](https://static.downly.cn/images/65ced0038844e8eded3ba20e46fe9bc1.png)
### 赋能开发者 拓展应用边界

Gemini 2.5 Pro、Flash 稳定版以及 Flash-Lite 预览版的发布，为全球开发者提供了前所未有的强大工具组合，有望在多个领域引发创新

*   **更强大的AI助手** 开发者可以利用 Pro 模型的长上下文能力，构建能够理解和处理更复杂、更长时间对话的智能助手。
*   **高效的内容创作** Flash 模型的高速响应，可以助力实时生成文本、代码、图像描述等，极大提升内容生产效率。
*   **极致实时交互** Flash-Lite 的超快响应速度，将为要求毫秒级延迟的AI应用（如语音助手、游戏AI）提供可能。
*   **智能数据分析** Pro 模型的强大推理能力，能够从海量非结构化数据中提取洞察，辅助决策。
*   **个性化推荐系统** 结合用户行为和偏好，Flash 模型可快速生成个性化推荐，提升用户体验。
*   **企业级AI解决方案** 三款模型结合使用，可满足企业在客户服务、知识管理、自动化流程等方面的多样化AI需求。

谷歌表示，将继续投入资源，不断迭代和优化 Gemini 系列模型，致力于让AI技术更易于访问、更强大、更安全，最终赋能全球开发者，共同塑造AI的未来。 此次稳定版的发布以及 Flash-Lite 的同步推出，无疑是AI发展道路上又一个坚实的里程碑。




搜索结果: 游戏AI