贝佐斯押注 23 亿美元，让 AI 用打游戏的方式学会控制机器人
深夜实验室的秘密
凌晨三点，旧金山一间不起眼的办公室里，屏幕蓝光映在几十张年轻的面孔上。
他们在玩《我的世界》《星际争霸》《侠盗猎车手》。
不是娱乐，是工作。23 亿美元，就这么砸进了一场看似荒诞的实验。
一个疯狂的想法
贝佐斯在 2024 年的一次闭门会议上说了一句话："如果 AI 能在游戏里学会打仗，为什么不能学会做饭？"
全场安静。
传统机器人训练需要真实的物理环境，成本高得离谱。一个机械臂要学会抓取杯子，可能要重复几万次真实动作，每次都会磨损硬件、浪费时间。
但游戏不一样。游戏是完美的模拟器，可以无限次重来，数据干净、标注精确、成本几乎为零。
贝佐斯决定赌一把。
从游戏到现实的跨越
项目代号"Project GameMind"。团队从数千款游戏中收集了超过100 亿小时的玩家操作数据。
这些数据不是用来让 AI"通关"的。他们要的是：当一个玩家在《侠盗猎车手》里开车、开门、翻越障碍时，那些细微的决策链条——什么时候加速、什么时候转向、什么时候停下。
这些决策模式，和控制机器人的底层逻辑惊人相似。
想象一下：你玩游戏时避开一辆车，这个动作分解开来，是感知（看到车）、判断（距离多近）、执行（转向）、反馈（成功避开）。这和控制机器人避开障碍物的流程一模一样。
第一次测试：灾难现场
2025 年 3 月，团队把训练好的 AI 模型装进了一台机械臂。
任务很简单：把桌上的杯子移到另一个位置。
机械臂动了。它准确抓起了杯子，然后直接把杯子捏碎了。
现场一片哗然。工程师们意识到，游戏里的物理引擎和真实世界有微妙差异——游戏不会告诉你玻璃杯的"手感"，不会模拟材料的脆性。
项目陷入停滞。外界开始嘲笑："贝佐斯的 23 亿美元，就买了个会捏碎杯子的玩具？"
转折点：引入触觉模拟
团队没有放弃。他们做了一件关键的事：在训练数据里加入触觉反馈层。
他们让玩家戴上触觉手套玩游戏，记录每一次"触碰"的力度和质感。当 AI 在《我的世界》里"拿起"一个方块时，系统会模拟出虚拟的"重量感"和"材质感"。
三个月后，机械臂再次测试。
这一次，它轻轻拿起玻璃杯，稳稳地放在目标位置。完美。
真正的野心
这不仅仅是让机器人学会端茶倒水。
贝佐斯的真实目标是通用机器人控制框架。如果 AI 能通过游戏学会控制各种形态的机器人——无论是双足、四足还是轮式——那亚马逊就能快速部署机器人到仓库、物流、甚至家庭场景。
23 亿美元买的不是一项技术，是一个平台。
目前， Project GameMind 已经和三家机器人厂商签约，计划 2026 年底前推出商用版本。
结语
从捏碎杯子到稳稳放置，这个转折只用了三个月。
但背后的逻辑更值得思考：当虚拟世界的经验可以迁移到现实，当游戏数据能训练出真正的智能，我们对"学习"的定义，可能永远改变了。
贝佐斯赌的不是机器人，是 AI 认知世界的新方式。
封面高亮关键词: 贝佐斯, 23 亿美元, AI 游戏训练, 机器人控制, Project GameMind