一项名为 Pixels2Play 的研究表明，当 AI 模型与数据规模足够大时，仅通过观看人类游戏录像进行行为克隆，就能让 AI 从单纯模仿动作，进化到理解环境并做出因果决策。这一发现为训练具身智能提供了新思路，展示了一条无需复杂奖励函数或交互环境的可行路径。
智能速览
Pixels2Play模型仅通过游戏画面就能学会玩3D游戏。
研究开源了一个包含8300小时游戏视频的大规模数据集。
模型和数据规模越大，AI的因果决策能力越强。
大模型能根据局势判断，而非机械地模仿视觉模式。
该方法无需设计奖励函数，仅靠人类行为数据即可训练。
精华内容
大规模行为克隆如何让 AI 超越模仿，掌握真正的决策能力？通过一项对 Pixels2Play 模型的系统性研究，可以观察到模型规模与因果推理能力之间清晰的关联性，揭示了数据规模背后的质变。
端到端模型
研究者提出了一个名为 Pixels2Play（P2P）的端到端游戏智能体。该模型的输入是游戏实时画面和可选的文字指令，输出则是键盘和鼠标操作，意味着它不需要访问游戏内部状态，仅靠“看屏幕”就能玩3D游戏。
为了训练这个模型，团队开源了一个规模庞大的数据集，包含了超过8300小时的真实玩家游戏录像，以及与之对齐的超过6亿帧画面与操作数据。
规模的力量
论文系统地比较了参数量从1.5亿到12亿不等的多种模型，发现了一个清晰的趋势：模型越大、训练数据越多，它在复杂场景中的决策能力就越稳定。
具体而言，小模型更容易陷入对特定视觉模式的机械式反应，而大模型则表现出更强的稳定性，能够根据当前局势判断行动的必要性。这种差异体现了规模带来的质变。
因果的觉醒
这种从机械模仿到局势判断的转变，正是论文所强调的因果推理能力。大模型不再是简单地学习“这种画面通常对应什么操作”，而是开始理解“如果我现在这样做，接下来环境会发生什么”。
这说明，当规模足够大时，行为克隆不再局限于学习表面的行为模式，而是能够隐式地学习到环境的因果结构。
实际价值
这一发现的重要性在于，它挑战了以往“模仿学习只能学表面行为，真正的决策能力需要强化学习或显式世界模型”的认知。这种大规模行为克隆方式的优势在于，它不需要设计复杂的奖励函数，也无需搭建昂贵的可交互环境，仅仅依赖已有的人类行为数据即可。
此外，P2P模型可以在消费级GPU上以约20FPS的速度实时运行，且数据和模型均已公开，具有很高的可复现性和研究价值。
这项研究揭示了规模定律在行为克隆中的惊人威力，展示了从海量人类数据中涌现因果推理能力的可能性。它为构建更通用的具身智能体开辟了新路径，未来，这种“看会”的能力将如何应用于更复杂的现实世界任务，值得期待。
