Data yang Dihasilkan Game Mungkin Merupakan Sumber Daya yang Paling Tidak Diapresiasi dalam Pelatihan AI

Perusahaan AI telah menghabiskan lima tahun terakhir dengan mengonsumsi setiap potongan teks, setiap gambar, dan setiap serpihan data yang tersedia secara publik di internet. Pasokan ini terbatas, dan kita semakin dekat dengan titik di mana tidak ada cukup data untuk mempertahankan laju kemajuan yang telah menjadi ketergantungannya.

Namun, ada kandidat yang jelas yang telah diabaikan oleh industri AI.

Saya membangun sistem game untuk hidup, dan data yang mengalir melalui mereka setiap hari tidak seperti apa pun yang pernah dikerjakan oleh sebagian besar peneliti AI. Dan hampir tidak ada yang di luar gaming yang tampaknya memperhatikannya.

Platform gaming menghasilkan terabyte data perilaku setiap hari, aliran data yang terstruktur, keputusan waktu nyata, aktivitas ekonomi, dan interaksi sosial, semua dalam lingkungan yang dibangun dengan aturan fisik yang konsisten.

Hampir tidak ada data yang telah digunakan untuk pelatihan AI. Dan perusahaan yang telah menggunakannya, dari DeepMind hingga NVIDIA, telah menghasilkan beberapa kemajuan paling signifikan di bidang ini.

Masalah Data AI

Sebuah studi dari Epoch AI memproyeksikan bahwa stok data teks yang dihasilkan manusia yang tersedia secara publik akan habis sepenuhnya di suatu tempat antara 2026 dan 2032. Model di balik ChatGPT, Gemini, dan Claude telah mengonsumsi hampir semua yang ditawarkan internet.

Data sintetis atau teks yang dihasilkan AI untuk diberikan kembali ke AI adalah solusi workaround yang digunakan industri. Namun, model yang dilatih pada output mereka sendiri memburuk dari waktu ke waktu melalui fenomena yang didokumentasikan oleh peneliti yang disebut model collapse.

Apa yang saya percaya bahwa bidang ini butuhkan adalah informasi yang kaya, interaktif, multimodal di mana penyebab dan efek terjadi secara waktu nyata dan setiap tindakan memiliki konsekuensi yang dapat diukur. Game menghasilkan hal ini, dan mereka melakukannya pada skala yang hampir tidak ada yang bisa menyaingi.

Platform gaming mendorong terabyte data perilaku melalui sistem mereka setiap hari. Gerakan pemain, pilihan strategis, waktu reaksi, transaksi ekonomi, dan interaksi sosial semua mengalir melalui aliran data yang terstruktur dan bertanda waktu yang sebagian besar peneliti AI belum pernah sentuh.

Sebuah makalah akademis tentang data yang dihasilkan game menguraikan sebuah taksonomi sembilan kategori dari informasi ini dan berargumen bahwa sebagian besar dari itu masih belum tersentuh oleh industri AI.

Saya dapat mengkonfirmasi itu dari pengalaman saya sendiri. Jumlah data yang mengalir melalui sistem game kami setiap hari akan dianggap sebagai tambang emas di bidang penelitian AI lainnya. Di game, itu hanya diarsipkan atau dibuang.

Mengapa Data Game Berbeda

Ketika Anda membangun di dalam mesin game selama waktu yang lama, Anda mulai menyadari seberapa banyak data terstruktur yang Anda duduki yang tidak pernah diminta oleh siapa pun di AI. Setiap sesi menghasilkan fisika yang disinkronkan, perilaku pemain, dan sebab-akibat sistem level pada skala yang sulit ditemukan di tempat lain.

Mesin game menerapkan fisika. Benda jatuh, bertabrakan, dan pecah sesuai dengan aturan konsisten, yang berarti data membawa hubungan sebab-akibat yang dipanggang di dalam sistem daripada pola yang harus ditebak oleh model dari korelasi teks.

Ketika seorang pemain meluncurkan proyektil, mesin menghitung trajektori, resistensi udara, dan dampak. AI belajar dari lingkungan yang mendemonstrasikan fisika secara langsung melalui setiap interaksi, bukan satu yang mengobati hukum fisik sebagai aproksimasi statistik.

Ada juga masalah penyelarasan multimodal. Di dalam game, data visual, sinyal audio, input pemain, dan keadaan lingkungan semua terjadi secara bersamaan dan dicatat bersama. Jenis penyelarasan alami itu membutuhkan biaya besar untuk direplikasi dalam dataset dunia nyata, di mana peneliti biasanya harus melabeli dan menyelaraskan setiap modalitas dengan tangan.

Game menghasilkan kasus tepi pada skala besar, juga, melalui generasi konten prosedural. No Man’s Sky memiliki 18 kuadriliun planet unik, dan bagi AI, variasi itu sangat penting karena kasus tepi menentukan apakah model bekerja dengan andal atau gagal berbahaya.

Dan kemudian ada kompleksitas yang muncul, yang mungkin merupakan properti paling berharga dari semua. Ketika OpenAI menempatkan agen di dalam game sembunyikan dan cari yang sederhana, agen tersebut mengembangkan enam fase strategi yang canggih sepenuhnya secara mandiri selama ratusan juta putaran.

Mereka membangun tempat berlindung dari objek yang dapat dipindahkan, menggunakan ramp untuk merusak benteng, dan bahkan mengeksploitasi glitch fisika untuk berselancar di atas dinding. Tidak ada yang diprogram. Semua itu muncul dari kompetisi di dalam lingkungan game, tanpa satu baris kode yang mengatakan kepada mereka untuk melakukannya.

Jenis kompleksitas yang dihasilkan sendiri itu adalah apa yang dibutuhkan penelitian AI pada skala besar, dan game adalah satu-satunya lingkungan yang menghasilkannya secara andal tanpa pengawasan manusia yang mahal.

Dari Papan Game ke Hadiah Nobel

Bukti paling jelas bahwa AI yang dilatih dengan game dapat dipindahkan ke dunia nyata adalah sistem yang kemudian memenangkan Hadiah Nobel, dan itu adalah contoh yang saya terus kembali ketika orang bertanya kepada saya mengapa saya membangun karir saya di sekitar game dan AI.

DeepMind memulai dengan AlphaGo pada 2016, kemudian membangun AlphaZero, sebuah sistem yang mengajari dirinya sendiri catur, Go, dan shogi tanpa pengetahuan manusia. Arsitektur AlphaZero menjadi dasar untuk AlphaFold, yang menyelesaikan masalah lipatan protein yang berusia 50 tahun dan mendapatkan penghargaan Nobel bidang Kimia 2024.

CEO DeepMind Demis Hassabis telah terbuka tentang pipeline ini. Ia mengatakan kepada Scientific American bahwa game tidak pernah menjadi tujuan akhir tetapi merupakan cara paling efisien untuk mengembangkan dan menguji teknik AI sebelum ia menerapkannya pada masalah ilmiah yang nyata.

Saya ingat membaca itu dan merasa seperti seseorang telah mengartikulasikan apa yang saya lihat dari dalam pengembangan game selama bertahun-tahun.

Trajektori itu telah berulang kali di seluruh bidang. Lingkungan pembelajaran penguatan yang OpenAI pertama kali standarisasi melalui Gymnasium sekarang menjadi dasar penelitian di robotika, kendaraan otonom, dan otomasi industri.

Struktur game-like dari agen, lingkungan, tindakan, dan penghargaan dimulai sebagai kenyamanan penelitian dan telah menjadi kerangka default untuk setiap sistem AI yang perlu bertindak di dunia fisik.

Game sebagai Lapisan Simulasi Baru

Pada Desember 2025, NVIDIA merilis NitroGen, sebuah model dasar yang dilatih pada 40.000 jam gameplay di lebih dari 1.000 judul. Model ini menonton video gameplay yang tersedia secara publik, mengekstrak tindakan pemain dari overlay pengontrol, dan belajar bermain game langsung dari piksel mentah.

Pada game yang tidak pernah dilihat sebelumnya, NitroGen menunjukkan hingga 52% perbaikan dalam kesuksesan tugas dibandingkan dengan model yang dilatih dari awal. Namun, signifikansi yang sebenarnya terletak pada arsitektur di bawahnya.

NitroGen berjalan pada kerangka kerja robotika GR00T NVIDIA, dasar yang sama yang digunakan perusahaan gunakan untuk AI fisik dan transfer sim-to-real di platform Isaac Sim. Agen game dan robot pabrik berbagi sistem yang sama.

Jim Fan dari NVIDIA menjelaskan proyek ini sebagai upaya untuk membangun “GPT untuk tindakan”, sebuah model umum yang belajar beroperasi di lingkungan apa pun.

Sebagai seseorang yang membangun sistem game yang menghasilkan data yang tepat yang dikonsumsi oleh model ini, saya menemukan itu sulit untuk mengekspresikan apa yang itu berarti bagi industri yang saya kerjakan.

Dan ini tidak terbatas pada NVIDIA. Waymo telah mencatat lebih dari 20 miliar mil simulasi untuk melatih kendaraan otonomnya, semua dalam lingkungan gaya mesin game yang mengulangi skenario yang terlalu berbahaya atau terlalu jarang untuk diuji di jalan nyata.

Platform bedah yang dibangun di atas mesin game telah menunjukkan perbaikan dramatis dalam kinerja pelatih. Perencana kota menggunakan alat serupa untuk optimasi lalu lintas pada skala kota.

Platform bedah yang dibangun di atas mesin game telah menunjukkan perbaikan dramatis dalam kinerja pelatih. Perencana kota menggunakan alat serupa untuk optimasi lalu lintas pada skala kota. Mesin game telah menjadi lapisan simulasi universal di mana pun AI perlu belajar melalui interaksi dengan lingkungannya.

Infrastruktur yang Tidak Pernah Dibicarakan

Ketika orang membicarakan infrastruktur AI, mereka cenderung berarti pusat data, klaster GPU, dan komputasi. Dalam semua tahun saya bekerja di game, saya bisa menghitung dengan satu tangan berapa kali saya mendengar seseorang di ruang AI menyebutkan lingkungan game dalam napas yang sama. Putus hubungan itu akan segera tertutup.

Ini hanya akan menjadi lebih jelas ketika dataset tradisional mengering. Industri yang menghasilkan data interaktif yang paling kaya akan secara tidak terhindikan bergerak menuju pusat penelitian AI, dan game, simulasi, dan dunia virtual lebih siap daripada apa pun untuk mengisi kesenjangan itu.

Uang sudah mengikuti tren ini. AI di sektor gaming dinilai sebesar $4,54 miliar pada 2025 dan diperkirakan mencapai $81 miliar pada 2035.

Sebagian besar studio game yang saya bicarakan masih memandang diri mereka sebagai perusahaan hiburan. Namun, ketika sistem Anda menghasilkan data yang tepat yang dibutuhkan oleh generasi berikutnya model AI untuk dilatih, Anda berada dalam bisnis infrastruktur apakah Anda merencanakannya atau tidak.