公司創辦人 Pim de Witte 去年 10 月從遊戲剪輯平台 Medal 分拆出 General Intuition。它的差異化資料來源是 Medal 累積的數億小時遊戲內容，以及玩家按鍵與操作時間點形成的 action labels。這些資料可用來訓練模型理解人在虛擬空間中如何移動、決策與操作，目標是建立能跨任務泛化的「large action models」，再延伸到具體的機器人 embodiment。
資金用途包括擴充算力基礎設施與招聘人才，文章也提到公司與 CoreWeave 有合作。這透露出 physical AI 的競爭不只是機器人硬體，也包含大規模模擬、行動資料、推理基礎設施，以及把虛擬環境中的行為資料遷移到現實世界的能力。
為什麼重要
AI 的下一個增長敘事正在從「語言與程式碼」向「行動與物理世界」外溢。大型語言模型主要學習文字 token，而 General Intuition 這類公司試圖學習 action token / 行動軌跡：人在空間裡如何看、移動、按下按鍵、達成目標。若這種資料能幫助模型形成可泛化的直覺，機器人、遊戲 NPC、自動化控制、AR/VR agent 都可能受益。
這也代表資料護城河正在重新定義。過去高價值資料是文字、程式碼、影像與影片；現在能綁定「狀態—動作—結果」的互動資料變得更稀缺。遊戲平台、模擬環境、機器人 fleet、工業控制場域都有可能成為下一代 AI 資料資產。
我的觀點
General Intuition 的高估值說明市場相信「從遊戲行動資料到機器人泛化」這條路徑，但這仍是高風險假設。虛擬操作到真實世界之間有巨大的 embodiment gap：摩擦、重量、感測誤差、安全限制都不是遊戲按鍵資料能直接覆蓋的。不過，如果它能把行動資料先轉成強大的世界模型或策略先驗，再用真實機器人資料微調，這會是 physical AI 很有潛力的捷徑。
Instinct 是「高能力 agent」必然面對的典型困境：要真正有用，它必須擁有跨 app、跨裝置、可讀可寫的權限；但權限越大，prompt injection、資料外洩、越權行動、不可逆交易與條款濫用的風險也越高。這不是單一產品的公關問題，而是整個 personal AI assistant 類別的安全模型問題。
📰 MIT Technology Review | 2026-08-24How to encourage smarter AI use in the classroom原文 ↗
核心內容
MIT Technology Review 報導 Connecticut 的 Cheshire Academy 如何把 AI 使用政策具體化。生成式 AI 進入校園後，教師面臨新的工作負擔：學生能用 chatbot 迅速回答作業或產生文章，教師既要辨識濫用，也要決定何時應該鼓勵合理使用。該校沒有強制教師一定要使用 AI，而是訓練教師掌握提示技巧、理解模型錯誤與偏誤，並允許他們選擇 ChatGPT、Perplexity、MagicSchool 等工具。
最具體的做法是 紅黃綠燈標籤制度。綠燈代表作業可完全使用 AI；紅燈代表禁止使用 AI；黃燈則由教師指定可用工具與限制，例如允許拼字檢查但禁止 chatbot。這讓 AI 政策從抽象禁令變成每份作業可理解的規則，也讓學生學會在不同情境下判斷 AI 的適當用途。
文章也描述一位法語教師的做法：讓學生先讓 LLM 修改作業，再逐項判斷哪些修改正確、哪些修改抹除了自己的聲音；或讓學生匿名評分彼此的 AI-assisted assignments，標注哪些部分可能由 AI 協助。學校還試行 Student AI Council，讓學生自己製作媒體、帶領討論，反思什麼是健康的 AI 使用。
為什麼重要
教育場景是 AI 社會化的前線。單純禁止 AI 往往不可行，完全放任又會侵蝕學習目標。Cheshire Academy 的案例重要之處在於，它把 AI 政策落在課堂任務層級，而不是校規口號層級：不同作業有不同目的，因此可以有不同 AI 邊界。
對教育科技與政策制定者而言，這也提醒我們 AI literacy 不只是教學生使用工具，更是教學生理解工具的限制、風險與對個人表達的影響。未來的學校很可能需要把 AI 使用聲明、引用方式、允許工具、資料隱私與學習目標一起設計，而不是把 AI 當成作弊偵測問題處理。
我的觀點
我認為「紅黃綠燈」這類簡單框架會比複雜政策更容易擴散。真正好的 AI 教育政策應該降低教師負擔，而不是要求每位教師都成為模型治理專家。最可行的方向是提供預設模板、作業層級標籤、學生反思流程與家長可理解的說明，讓 AI 使用從灰色地帶變成可討論、可練習、可評估的素養。
