गेम से उत्पन्न डेटा एआई प्रशिक्षण में सबसे कम आंका गया संसाधन हो सकता है

एआई कंपनियों ने पिछले पांच वर्षों में इंटरनेट पर उपलब्ध प्रत्येक पाठ, प्रत्येक छवि, और सार्वजनिक रूप से उपलब्ध डेटा के प्रत्येक टुकड़े का उपभोग किया है। यह आपूर्ति सीमित है, और हम उस बिंदु के करीब आ रहे हैं जहां बस पर्याप्त डेटा नहीं बचा है जो इसकी प्रगति की गति को बनाए रखने के लिए निर्भर है।

हालांकि, एक स्पष्ट उम्मीदवार है जिसे एआई उद्योग ने बड़े पैमाने पर अनदेखा किया है।

मैं जीवनयापन के लिए गेम सिस्टम बनाता हूं, और जो डेटा प्रतिदिन उनमें बहता है वह अधिकांश एआई शोधकर्ताओं द्वारा कभी काम नहीं किया गया है। और फिर भी लगभग कोई भी गेमिंग के बाहर इसके बारे में ध्यान नहीं दे रहा है।

गेमिंग प्लेटफ़ॉर्म प्रतिदिन टेराबाइट्स के व्यवहारिक डेटा का उत्पादन करते हैं, वास्तविक समय के निर्णयों, आर्थिक गतिविधि और सामाजिक परस्पर क्रिया के संरचित प्रवाह, सभी सुसंगत भौतिक नियमों पर आधारित वातावरण में।

इस डेटा का लगभग कोई भी हिस्सा एआई प्रशिक्षण के लिए उपयोग नहीं किया गया है। और जिन कंपनियों ने इसका उपयोग किया है, डीपमाइंड से लेकर एनवीडिया (NVDA ) तक, उन्होंने क्षेत्र में कुछ सबसे महत्वपूर्ण सफलता हासिल की हैं।

एआई की डेटा समस्या

एपोक एआई का एक अध्ययन अनुमान लगाता है कि सार्वजनिक रूप से उपलब्ध मानव-निर्मित पाठ डेटा का भंडार 2026 और 2032 के बीच कहीं पूरी तरह से उपयोग किया जाएगा। चैटजीपीटी, जेमिनी और क्लाउड के पीछे के मॉडल ने पहले ही इंटरनेट पर लगभग हर चीज़ का उपभोग कर लिया है।

सिंथेटिक डेटा या पाठ जो एआई अपने आप को खिलाने के लिए उत्पन्न करता है उद्योग का जाना-माना वैकल्पिक उपाय है। लेकिन अपने स्वयं के आउटपुट पर प्रशिक्षित मॉडल समय के साथ खराब हो जाते हैं क्योंकि शोधकर्ता इसे मॉडल पतन कहते हैं।

मुझे लगता है कि क्षेत्र को जो चाहिए वह एक समृद्ध, इंटरैक्टिव, बहुमाध्यमीय जानकारी है जहां कारण और प्रभाव वास्तविक समय में होते हैं और प्रत्येक क्रिया का एक मापनीय परिणाम होता है। गेम्स यही प्रदान करते हैं, और वे ऐसा लगभग किसी और चीज़ के मुकाबले अधिक पैमाने पर करते हैं।

गेमिंग प्लेटफ़ॉर्म प्रतिदिन अपने सिस्टम के माध्यम से टेराबाइट्स के व्यवहारिक डेटा को धक्का देते हैं। खिलाड़ी आंदोलन, रणनीतिक विकल्प, प्रतिक्रिया समय, आर्थिक लेनदेन और सामाजिक परस्पर क्रिया सभी संरचित, समय-मुद्रित धाराओं के माध्यम से बहते हैं जिन्हें अधिकांश एआई शोधकर्ताओं ने कभी स्पर्श नहीं किया है।

गेम-जेनरेटेड डेटा पर एक हालिया शैक्षणिक पत्र इस जानकारी की एक नौ-श्रेणी की टैक्सोनॉमी का वर्णन करता है और तर्क देता है कि इसका अधिकांश हिस्सा एआई उद्योग द्वारा पूरी तरह से अनदेखा किया जाता है।

मैं अपने अनुभव से इसकी पुष्टि कर सकता हूं। किसी भी दिन हमारे गेम सिस्टम के माध्यम से बहने वाला डेटा किसी भी अन्य एआई शोध क्षेत्र में सोने की खान माना जाएगा। गेम्स में, यह बस संग्रहीत या निपटाया जाता है।

गेम डेटा क्यों अलग है

जब आप लंबे समय तक गेम इंजन के अंदर बनाते हैं, तो आप महसूस करना शुरू करते हैं कि आपके पास कितना संरचित डेटा है जिस पर किसी और ने ध्यान नहीं दिया है। प्रत्येक सत्र में सिंक्रोनाइज़ फिजिक्स, प्लेयर व्यवहार और सिस्टम स्तर का कारण और प्रभाव उत्पन्न होता है, जो कि कहीं और मिलना मुश्किल है।

गेम इंजन भौतिकी लागू करते हैं। वस्तुएं गिरती हैं, टकराती हैं और टूट जाती हैं सुसंगत नियमों के अनुसार, जिसका अर्थ है कि डेटा में कारण संबंध शामिल होते हैं जो मॉडल को अनुमान लगाने की आवश्यकता नहीं होती है।

जब एक खिलाड़ी एक प्रक्षेप्य लॉन्च करता है, तो इंजन ट्रेजेक्टरी, हवा के प्रतिरोध और प्रभाव की गणना करता है। एआई एक ऐसे वातावरण से सीखता है जो प्रत्येक परस्पर क्रिया के माध्यम से सीधे भौतिकी का प्रदर्शन करता है, न कि एक ऐसे वातावरण में जो भौतिक कानूनों को सांख्यिकीय अनुमान के रूप में मानता है।

इसके अलावा बहुमाध्यमीय संरेखण समस्या है। एक गेम में, दृश्य डेटा, ऑडियो संकेत, प्लेयर इनपुट और पर्यावरणीय राज्य सभी एक साथ होते हैं और एक साथ लॉग किए जाते हैं। इस तरह की प्राकृतिक संरेखण वास्तविक दुनिया के डेटासेट में पुन: उत्पन्न करने के लिए बहुत महंगा है, जहां शोधकर्ताओं को आमतौर पर प्रत्येक माध्यम को हाथ से लेबल और संरेखित करना होता है।

गेम्स प्रक्रियात्मक सामग्री उत्पादन के माध्यम से पैमाने पर एज केस भी उत्पन्न करते हैं। नो मैन्स स्काई में 18 क्विंटिलियन अनोखे ग्रह हैं, और एआई के लिए, यह परिवर्तनशीलता बहुत महत्वपूर्ण है क्योंकि एज केस यह निर्धारित करते हैं कि एक मॉडल विश्वसनीय रूप से काम करता है या खतरनाक रूप से विफल होता है।

और फिर उभरती हुई जटिलता है, जो शायद सबसे मूल्यवान गुण है। जब ओपनएआई ने एजेंटों को एक सरल छिपने-छिपाने के खेल में रखा, तो उन एजेंटों ने स्वयं ही जटिल रणनीति के छह अलग-अलग चरण विकसित किए, सैकड़ों मिलियन राउंड में।

उन्होंने स्थानांतरित किए जा सकने वाले वस्तुओं से आश्रय बनाए, रैंप का उपयोग किलेबंदी तोड़ने के लिए किया, और यहां तक कि भौतिकी ग्लिच का फायदा उठाकर बॉक्सों पर सवार होकर दीवारें पार करने के लिए भी। इसमें से कुछ भी प्रोग्राम नहीं किया गया था। यह सभी गेम वातावरण के भीतर प्रतिस्पर्धा से उत्पन्न हुआ, बिना एक भी कोड लाइन के जिसने उन्हें ऐसा करने के लिए कहा हो।

इस तरह की स्व-प्रेरित जटिलता ठीक वही है जो एआई शोध को पैमाने पर चाहिए, और गेम्स एकमात्र वातावरण हैं जो इसे विश्वसनीय रूप से और महंगी मानव पर्यवेक्षण के बिना उत्पन्न करते हैं।

गेम बोर्ड से नोबेल पुरस्कार तक

गेम-ट्रेन्ड एआई का वास्तविक दुनिया में स्थानांतरण का सबसे स्पष्ट प्रमाण एक प्रणाली है जिसने नोबेल पुरस्कार जीता है, और यह वह उदाहरण है जिसे मैं लोगों से बात करते समय दोहराता हूं जब वे मुझसे पूछते हैं कि मैंने अपना करियर गेम्स और एआई के इर्द-गिर्द क्यों बनाया।

डीपमाइंड ने 2016 में अल्फागो से शुरुआत की, फिर अल्फाजीरो बनाया, जिसने खुद को शतरंज, गो और शोगी सिखाया बिना किसी मानव ज्ञान के। अल्फाजीरो की वास्तुकला अल्फाफोल्ड के लिए आधार बनी, जिसने 50 वर्ष पुरानी प्रोटीन फोल्डिंग समस्या का समाधान किया और इसके निर्माताओं को 2024 में रसायन विज्ञान में नोबेल पुरस्कार दिलाया।

डीपमाइंड के सीईओ डेमिस हसाबिस ने इस पाइपलाइन के बारे में खुलकर बात की है। उन्होंने Scientific American को बताया कि गेम्स कभी भी अंतिम लक्ष्य नहीं थे, बल्कि एआई तकनीकों को विकसित और परीक्षण करने का सबसे कुशल तरीका था, इससे पहले कि वह उन्हें वास्तविक वैज्ञानिक समस्याओं पर लागू करे।

मुझे याद है कि मैंने यह पढ़ा और महसूस किया कि किसी ने ठीक वही कहा है जो मैंने वर्षों से गेम विकास के अंदर से देखा था।

इसके बाद यह ट्रेजेक्टरी पूरे क्षेत्र में दोहराई गई है। ओपनएआई द्वारा पहली बार Gymnasium के माध्यम से मानकीकृत किए गए रिनफोर्समेंट लर्निंग वातावरण अब रोबोटिक्स, स्वायत्त वाहनों और औद्योगिक स्वचालन में शोध का आधार बनते हैं।

एजेंट, वातावरण, क्रिया और पुरस्कार की गेम जैसी संरचना शुरू में एक शोध सुविधा के रूप में शुरू हुई और अब किसी भी एआई सिस्टम के लिए डिफ़ॉल्ट फ्रेमवर्क बन गई है जो भौतिक दुनिया में कार्य करने की आवश्यकता है।

गेम्स नई सिम्युलेशन परत के रूप में

दिसंबर 2025 में, एनवीडिया ने NitroGen, एक फाउंडेशन मॉडल जारी किया जिसे 40,000 घंटे से अधिक के खेल के समय में 1,000 से अधिक खिताबों पर प्रशिक्षित किया गया था। मॉडल सार्वजनिक रूप से उपलब्ध गेमप्ले वीडियो देखता है, कंट्रोलर ओवरले से प्लेयर क्रियाओं को निकालता है, और सीधे रॉ पिक्सल से गेम खेलना सीखता है।

ऐसे अनदेखे गेम्स पर, जिनसे उसका पहले कभी सामना नहीं हुआ था, निट्रोजन ने कार्य सफलता में 52% तक सुधार दिखाया, मॉडल की तुलना में जो शून्य से प्रशिक्षित थे। लेकिन वास्तविक महत्व नीचे की वास्तुकला में निहित है।

निट्रोजन एनवीडिया के GR00T रोबोटिक्स फ्रेमवर्क पर चलता है, जिसे कंपनी अपने Isaac Sim प्लेटफ़ॉर्म में भौतिक एआई और सिम-टू-रियल ट्रांसफर के लिए उपयोग करती है। गेमिंग एजेंट और फैक्ट्री रोबोट एक ही अंतर्निहित प्रणाली साझा करते हैं।

एनवीडिया के जिम फैन ने परियोजना को “एक जीपीटी फॉर एक्शन” बनाने के प्रयास के रूप में वर्णित किया, एक सामान्य-उद्देश्य मॉडल जो किसी भी वातावरण में संचालित करना सीखता है।

जो कोई गेम सिस्टम बनाता है जो ठीक उसी डेटा का उत्पादन करता है जिसे इन मॉडलों को प्रशिक्षित करने की आवश्यकता है, मैं अपने उद्योग के लिए इसके महत्व को बढ़ा-चढ़ाकर कहना भी मुश्किल पाता हूं।

और यह एनवीडिया तक ही सीमित नहीं है। वेमो ने अपने स्वायत्त वाहनों को प्रशिक्षित करने के लिए 20 बिलियन से अधिक सिम्युलेटेड मील दर्ज किए हैं, सभी गेम-इंजन-शैली के वातावरण में जो वास्तविक सड़कों पर परीक्षण करने के लिए बहुत खतरनाक या दुर्लभ परिदृश्यों का अभ्यास करते हैं।

सर्जिकल प्लेटफ़ॉर्म जो गेम इंजन पर बने हैं, उनमें प्रशिक्षुओं के प्रदर्शन में नाटकीय सुधार दिखाया गया है। शहरी योजनाकार समान उपकरणों का उपयोग शहर के पैमाने पर यातायात अनुकूलन के लिए करते हैं।

सर्जिकल प्लेटफ़ॉर्म जो गेम इंजन पर बने हैं, उनमें प्रशिक्षुओं के प्रदर्शन में नाटकीय सुधार दिखाया गया है। शहरी योजनाकार समान उपकरणों का उपयोग शहर के पैमाने पर यातायात अनुकूलन के लिए करते हैं। गेम इंजन एक सार्वभौमिक सिम्युलेशन लेयर बन गया है जहां भी एआई को अपने वातावरण के साथ परस्पर क्रिया करने की आवश्यकता होती है।

वह बुनियादी ढांचा जिसकी कोई चर्चा नहीं करता

जब लोग एआई बुनियादी ढांचे की चर्चा करते हैं, तो वे आमतौर पर डेटा केंद्रों, जीपीयू क्लस्टर और कंप्यूट का मतलब रखते हैं। मैंने जितने वर्षों तक गेम्स में काम किया है, मैं उन लोगों की संख्या को एक हाथ पर गिन सकता हूं जिन्होंने एआई स्थान में गेम वातावरण का उल्लेख किया है। यह डिस्कनेक्ट जल्द ही बहुत तेजी से बंद हो जाएगा।

यह तब और भी स्पष्ट हो जाएगा जब पारंपरिक डेटासेट सूख जाएंगे। जो उद्योग सबसे समृद्ध इंटरैक्टिव डेटा का उत्पादन करते हैं वे अनिवार्य रूप से एआई अनुसंधान के केंद्र में स्थानांतरित हो जाएंगे, और गेम्स, सिमुलेशन और वर्चुअल दुनिया इस अंतर को भरने के लिए किसी और चीज़ की तुलना में बेहतर स्थिति में हैं।

पैसा पहले से ही इस प्रवृत्ति का पालन कर रहा है। 2025 में गेमिंग क्षेत्र में एआई का मूल्य 4.54 अरब डॉलर था और यह 2035 तक 81 अरब डॉलर तक पहुंचने की उम्मीद है।

मैं जिन अधिकांश गेम स्टूडियो से बात करता हूं वे अभी भी खुद को मनोरंजन कंपनियों के रूप में मानते हैं। लेकिन जब आपके सिस्टम वही डेटा उत्पन्न करते हैं जिसे अगली पीढ़ी के एआई मॉडल को प्रशिक्षित करने की आवश्यकता है, तो आप बुनियादी ढांचे के व्यवसाय में हैं चाहे आप योजना बनाएं या नहीं।