人工智能在游戏领域的应用一直面临专用模型泛化能力差、通用模型表现不佳的瓶颈。Pixel2Play（P2P）模型的出现打破了这一僵局，它是一个能够通过画面和文本指令直接输出键鼠操作的通用游戏AI基座。该模型不仅在40多款游戏上训练，实现了零样本能力，还开源了8300小时的高质量标注数据，为通用游戏AI的发展提供了重要支持。
智能速览
P2P模型能理解游戏画面与文本指令，直接输出键鼠操作。
在消费级显卡上可实现超20Hz推理，满足实时交互需求。
开源了总计8300小时的高质量训练数据，填补了领域空白。
模型规模与数据量越大，其对因果关系的理解能力越强。
接收文本指令后，模型任务通过率可从20%提升至80%。
精华内容
Pixel2Play的成功并非偶然，其背后是精巧的模型设计、大规模高质量数据的支撑，以及对因果混淆难题的深刻洞察。下面将从这几个方面进行深入剖析。
开源高质量数据
训练通用游戏AI最大的挑战之一是缺乏高质量、大规模的“画面-指令-操作”数据。此前虽有通过视频反推动作的开源数据集，但人工标注的高质量数据集仍是空缺。P2P项目开源了总计8300小时的人工标注数据，同时包含游戏图像、对应的文本指令以及精确的键盘鼠标操作，为该领域的研究提供了宝贵的基础设施。
轻量化模型架构
为了实现实时交互，P2P采用了轻量化的模型设计。其主体是一个解码器Transformer，并额外接入一个轻量化的action-decoder来生成操作信号。这种设计只需一次前向计算即可生成操作，使推理速度提升了5倍。模型将键盘、鼠标位移和按键离散化为8个token，从而统一了不同游戏的操作输出。输入方面，模型会参考历史操作，更贴近人类习惯。
模型性能实测
P2P在消费级显卡上展现了卓越的实时性能。其中最小的150M模型推理速度可达80Hz，最大的1.2B模型也能达到40Hz，远超实时交互需求。在行为评估中，1.2B模型在DOOM和Quake等游戏中，以超过75%的偏好度显著优于小规模模型。指令遵循评估也表明，在接收“按下红色按钮”的文本指令后，模型在迷宫任务中的通过率从20%大幅提升至80%，证明了其强大的语言理解与执行能力。
因果关系的探索
行为克隆中常见的因果混淆问题，即模型学到虚假关联而非因果关系，在实时交互中尤为突出。研究系统分析了此问题，发现简单地复制上一帧操作就是一种常见的错误策略。论文的关键发现是，通过扩大模型参数量和增加训练数据量，可以有效提升模型对因果关系的理解，使其不再依赖虚假关联，从而学到更鲁棒的策略。随着规模与数据的增长，模型在因果推断评估中的表现持续上升。
Pixel2Play不仅是一个技术突破，更是一次开放共享的实践。它通过开源模型、代码和数据，为通用游戏AI社区注入了强大动力。随着模型规模和数据的持续扩大，未来的AI是否能在更复杂的开放世界游戏中展现出媲美甚至超越人类的策略思考能力？这无疑为领域的发展留下了广阔的想象空间。
