El enfoque de este equipo, llamado Video Pre-Training (VPT), evita ese obstculo en el aprendizaje por imitacin entrenando otra red neuronal para etiquetar los vdeos automticamente. Primero, los investigadores contrataron a trabajadores colectivos para jugar a Minecraft y grabaron los clics del teclado y del ratn junto con el vdeo de sus pantallas. Esto les dio 2.000 horas de juego Minecraft etiquetado, que usaron para entrenar un modelo para hacer coincidir las acciones con los resultados en pantalla. Al hacer clic en un botn del ratn en una situacin determinada, el personaje levanta su hacha, por ejemplo.