SIMA 2（Scalable Instructable Multiworld Agent 2）是Google DeepMind于2025年11月13日发布的AI代理模型的第二代版本，这是DeepMind在通用AI代理研究中的重大里程碑。 它构建在2024年3月的SIMA 1基础上，首次集成Google的Gemini模型（具体为Gemini 2.5 Flash‑Lite变体），将AI从简单指令跟随者转变为具备推理、对话和自学习能力的“互动游戏伙伴”。 SIMA 2旨在通过虚拟3D世界训练AI代理，实现跨环境泛化，并为真实世界机器人（如自动驾驶或家庭助手）铺路。以下基于DeepMind官方博客、TechCrunch和MIT Technology Review等权威来源进行详细说明。
模型背景与动机
SIMA系列源于DeepMind对“通用代理”（generalist AI agents）的追求：构建能在任意3D环境中执行任务的AI，而非特定游戏（如AlphaGo仅限围棋）。SIMA 1（2024年发布）能通过屏幕观察和虚拟键盘/鼠标控制学习数百基本技能，但受限于指令跟随，无法处理复杂推理。 SIMA 2的动机是解决这一痛点：集成Gemini的语言/视觉能力，实现“高水平目标理解、复杂推理和目标导向行动”，即使在未训练的环境中（如新生成的Genie 3世界）。 DeepMind视其为AGI（人工通用智能）关键步骤，支持自改进循环，最终迁移到机器人。
核心功能与创新
SIMA 2的核心是多模态代理架构，处理文本、语音或图像输入，支持实时互动。关键创新包括：
- Gemini集成：Gemini 2.5 Flash‑Lite作为“大脑”，启用自然语言解释（如“现在我将收集资源，因为目标是建造庇护所”），并处理模糊指令（如“探索附近”）。
- 自学习机制：从人类演示视频+Gemini生成标签训练，切换到“自定向游戏”（self‑directed play）：代理生成任务、试验错误、用Gemini反馈迭代数据，形成闭环训练。无需大量人类数据，实现“不会重复错误”。
- 跨环境泛化：在9款游戏（如Goat Simulator 3、No Man's Sky、Valheim）训练，能转移技能到新环境（如Genie 3生成的照片级世界）。任务完成率达65%（SIMA 1仅31%，人类平均71%）。
- 多模态输入：文本/语音/图像，输出动作+解释，支持协作（如用户中断时对话）。
功能比较表格（SIMA 1 vs. SIMA 2）：
来源：DeepMind博客。
实验验证与性能
DeepMind在600+任务上测试SIMA 2：
- 基准游戏：Goat Simulator 3（自学新技能，如“用山羊破坏环境”）；No Man's Sky（探索+资源收集）；Valheim（生存建造）。
- 新环境：与Genie 3结合，从提示生成世界（如“火山景观”），SIMA 2能识别/互动物体（如长椅、蝴蝶）。
- 性能指标：任务成功率65%（人类71%），推理准确率提升2倍；自学习循环后，错误率降50%。
- 局限：长多步任务（如10+步骤）仍弱；内存窗口有限；3D视觉解释挑战（如遮挡物体）。
影响与未来展望
SIMA 2被视为AGI“硬模式”突破：纯视觉输入+实时行动，远超GATO（2022年DeepMind多任务代理）。 DeepMind强调，其技能可迁移到机器人（如自主导航），Frederic Besse称“游戏是真实世界测试床”。 目前限量预览给学术/开发者，预计2026年开源部分组件。
TechCrunch和MIT Technology Review评论：SIMA 2“接近人类玩家水平”，但需解决泛化瓶颈，推动从游戏向具身AI转型。 更多详情见DeepMind博客（https://deepmind.google/blog/sima‑2‑an‑agent‑that‑plays‑reasons‑and‑learns‑with‑you‑in‑virtual‑3d‑worlds/）。