General Intuition lève 320 millions de dollars pour former des agents IA sur des données de jeux vidéo

Une startup qui forme des agents IA sur des séquences de jeux vidéo a levé 320 millions de dollars lors d'un tour Series A mené par Khosla Ventures, valorisant General Intuition à 2,3 milliards de dollars — moins d'un an après être sortie de sa phase stealth avec un tour Seed Round de 134 millions de dollars.

Le tour, rapporté pour la première fois par TechCrunch, inclut également General Catalyst, Jeff Bezos, Eric Schmidt, le pilote de Formule 1 Nico Rosberg, et des chercheurs de Google DeepMind et du MIT, portant le financement total divulgué de General Intuition à 454 millions de dollars.

L'intuition : les jeux savent ce qui s'est passé, pas seulement à quoi ça ressemblait

La plupart des formations d'agents IA reposent sur la prédiction vidéo — les modèles regardent des séquences et tentent de déduire quelles actions ont produit quels résultats. L'approche de General Intuition est différente. La société a construit son pipeline d'entraînement sur Medal, une plateforme de capture de jeu avec 17 millions d'utilisateurs actifs mensuels, qui enregistre non seulement la vidéo mais aussi les étiquettes d'action explicites derrière chaque image : les pressions de boutons précises, les positions des sticks analogiques et les données de timing qui ont produit chaque mouvement.

Cette distinction compte énormément pour apprendre la causalité. Un modèle entraîné uniquement sur la vidéo doit deviner si un personnage a sauté à cause d'une entrée utilisateur ou parce qu'il a heurté un ressort. Un modèle entraîné avec les étiquettes d'action de Medal sait exactement qui a fait quoi et quand. Selon le PDG Pim de Witte, ce signal causal plus riche est ce qui donne aux modèles de General Intuition une compréhension plus ancrée de la distinction "soi vs environnement" — une capacité qu'il juge essentielle pour les agents qui doivent agir de manière fiable dans des environnements non structurés.

Un seul modèle pour les jeux et les robots

L'ambition technique de l'entreprise est un seul modèle fondation capable de contrôler à la fois des agents virtuels dans des environnements de jeu et des robots physiques dans le monde réel. Le raisonnement spatio-temporel développé à travers le jeu — comprendre comment les objets se déplacent dans l'espace, comment les séquences d'actions créent des résultats au fil du temps, comment les environnements répondent aux entrées — se transfère, selon l'entreprise, à des tâches de manipulation physique où les robots sont confrontés aux mêmes défis sous-jacents.

Cela positionne General Intuition aux côtés d'un groupe croissant d'entreprises qui attaquent le problème du modèle fondation robotique sous différents angles : Figure AI et Physical Intelligence s'entraînent sur des données de robots physiques ; World Labs et d'autres construisent des modèles du monde à partir de vidéos Internet. Le pari de General Intuition est que les données de jeu, avec leurs annotations d'action explicites et leur échelle énorme, offrent un chemin plus rapide et moins coûteux vers la même destination.

Ce que les 320 millions de dollars achètent

La majorité du nouveau capital est allouée à l'augmentation de la capacité de calcul via un partenariat avec CoreWeave, le fournisseur GPU Cloud devenu un partenaire d'infrastructure majeur pour les laboratoires d'IA. Une partie significative financera le pré-entraînement de la prochaine version du modèle de l'entreprise. Le reste est réservé à l'expansion de l'accès à l'API — General Intuition prévoit d'ouvrir ses modèles aux développeurs externes d'ici la fin de l'été 2026.

La taille du tour de financement reflète à la fois l'intensité capitalistique de l'entraînement de grands modèles et la confiance des investisseurs dans le fait que l'approche des données de jeu peut concurrencer les pipelines construits sur des données de robotique ou internet plus traditionnelles. La question de savoir si un modèle entraîné sur le gameplay de Medal peut généraliser à la complexité totale de la manipulation physique reste la question technique centrale — et celle à laquelle la prochaine version du modèle est conçue pour répondre.