Atari 2600 var den gyldne målestokken for AI-agenter under min doktorgradstid. Et enkelt nevralt nettverk som kan spille 50+ Atari-spill ville blitt sett på som sinnssykt. Modellene slet med å kartlegge 84x84 gråtoner pikselert skjerm til noen få knapper. Deretter økte OpenAI Five (Dota) og DeepMinds AlphaStar nivået og slo verdens beste mestere på Esports. Likevel overpasser de til ett virtuelt miljø om gangen. Å endre noe ville ødelegge modellen umiddelbart. Mennesker er usedvanlig flinke til å tilpasse seg svært forskjellige fysikk og regler – noe som fortsatt unndrar seg våre mest avanserte, billionskala LLM-er. Tenk på de 1000 spillene som 1000 simuleringer. Jo flere virtuelle verdener en agent kan tilpasse seg til, desto bedre utvikler den kroppslig resonnering, persepsjon og motorisk koordinasjon. Alle viktige brikker i det store puslespillet for robotikk. Ved å åpne NitroGen-modellen og Gym API, tjener vi samme mål som AlphaGo, AlphaStar, OpenAI Five og nylig Google SIMA: ikke å ta bort moroa fra disse spillene, men å fremheve begrensningene ved moderne AI, gi et solid grunnlag og skape en ny benchmark – «Atari 2.0» – for å måle fremgangen deretter.