一款由英伟达推出的通用游戏AI模型近期引发关注，其宣称能自主操作多种类型游戏，无需针对特定游戏进行专门训练。这一名为NitroGen的模型通过分析海量游戏视频数据，实现了对不同游戏的基础操作能力，但实际测试显示其游戏水平仍处于初级阶段。
该模型的核心训练方式颇具创新性。研究人员从互联网收集了超过4万小时的游戏视频，涵盖1000余款不同类型作品。其中动作角色扮演类占比最高，达到34.9%，平台跳跃类以18.4%位居第二。为提升训练效率，团队特意筛选带有手柄操作指示器的视频素材，使AI能够直观学习按键与游戏画面的对应关系。
在实际操作层面，NitroGen展现出独特的运行机制。当玩家将其接入游戏后，模型会持续截取屏幕画面进行分析，根据当前场景决策下一步操作。为解决算力不足的问题，开发团队设计了特殊的时间控制工具——当AI需要更多时间处理信息时，系统会自动暂停游戏进程，待计算完成后再恢复运行。这种设计虽导致画面出现卡顿，但确保了模型能够稳定运行各类商业游戏。
测试过程中，该模型在多个场景表现出基础操作能力。在《赛博朋克2077》中，AI曾完成反杀追击者的精彩操作；操控《黑神话：悟空》时，能正确使用药品、翻滚躲避攻击并衔接技能；在《空洞骑士》中展现出流畅的平台跳跃能力；甚至能作为双人游戏的第二玩家，完成躲避敌人和收集金币等基础动作。这些表现证明其确实掌握了多种游戏的基本操作逻辑。
然而深入测试暴露出明显短板。面对复杂场景时，AI常出现操作失误：在《黑神话：悟空》中频繁丢失目标锁定，技能释放时机不当；在《赛博朋克2077》里经常出现驾驶撞墙、走路瞄地等低级错误；双人合作时更需人类玩家持续引导。研究人员承认，当前模型仅具备条件反射级的操作能力，缺乏战略规划和环境预判等高级认知功能。
从技术架构看，NitroGen采用独特的训练范式。其通过分析游戏画面与手柄操作的对应关系，构建起基础操作知识库。但模型的学习深度有限，仅停留在肌肉记忆层面，无法理解游戏规则背后的逻辑关系。这种设计虽保证了跨游戏兼容性，却限制了其在复杂场景下的表现能力。
英伟达团队强调，该项目的核心目标并非开发游戏外挂，而是为机器人研究提供新思路。通过赋予机器类似人类的条件反射能力，未来可加速智能体在物理世界的学习进程。研究人员比喻称，当前模型如同刚接触手柄的孩童，虽操作稚嫩，但为通用型智能体研究开辟了新路径。这种将虚拟世界训练成果迁移至现实场景的技术思路，正受到越来越多科研机构的关注。
对于普通玩家而言，该模型的实际游戏价值仍显有限。其操作水平与人类新手相近，在复杂关卡和对抗场景中表现欠佳。但作为技术演示项目，NitroGen成功验证了跨游戏通用操作模型的可行性。随着算力提升和训练方法优化，未来或许能出现更成熟的版本，不过现阶段距离实用化仍有较大差距。
