SIMA 2

SIMA 2（Scalable Instructable Multiworld Agent）是Google DeepMind於2025年11月發布的新一代可擴展指令多世界AI智慧型體。它集成了Gemini大語言模型作為核心推理引擎，能夠理解並執行自然語言、語音、手繪草圖等多模態指令，在《無人深空》等3D遊戲環境中完成複雜任務。相比前代，SIMA 2具備更強的推理、規劃及與用戶對話的能力，任務成功率顯著提升，並展現出跨遊戲的概念遷移與在未知環境中的適應能力。其自我改進機制允許通過試錯自主學習，被視為邁向通用人工智慧（AGI）和未來機器人套用的重要研究進展。

基本介紹

• 外文名：SIMA 2

創作背景

SIMA（可擴展指令多世界智慧型體）是Google DeepMind開發的AI智慧型體項目。其初代版本SIMA 1於2024年3月發布，能夠跨越《無人深空》等八款商業遊戲執行基本指令，僅通過觀察螢幕像素和使用虛擬鍵鼠操作，無需訪問遊戲底層代碼。然而，SIMA 1在複雜任務上的成功率僅為31%，缺乏對任務目標的深層理解和自主規劃能力。

為了解決SIMA 1的局限性，DeepMind於2025年11月13日正式發布了SIMA 2。SIMA 2的核心演進在於深度集成了Gemini大語言模型作為推理引擎，旨在構建“語言→意圖→計畫→行動”的完整認知鏈條，使智慧型體能夠理解用戶的高級目標、進行多步驟推理、並與用戶對話協作。這一升級旨在將虛擬遊戲環境作為低成本、高反饋的訓練場，為未來通用人工智慧（AGI）和現實世界機器人技術的發展奠定基礎。

技術架構

SIMA 2的技術架構圍繞其核心推理引擎——Gemini大語言模型構建，特別是Gemini 2.5 flash-lite版本。該架構將Gemini強大的語言理解和多模態推理能力與智慧型體的具身技能深度融合，實現了從“感知-推理-行動-反思”的完整閉環。這使得SIMA 2能夠理解用戶的高級目標，執行複雜推理，並在虛擬環境中熟練執行目標導向的行動，其認知過程可概括為“語言→意圖→計畫→行動”的多步驟鏈條。

在訓練方法上，SIMA 2採用了混合數據策略，訓練數據包括帶語言標籤的人類演示視頻，以及由Gemini模型生成的任務描述與標籤。這種結合了人類示範與AI生成數據的方法，是提升其泛化能力和任務理解深度的重要基礎。

得益於其基於Gemini的架構，SIMA 2具備強大的多模態互動能力，能夠理解並回響文字、語音指令，甚至能解讀用戶手繪的草圖或表情符號來指定位置、路徑或物體。SIMA 2設計了自我改進機制，在獲得初始的人類演示數據後，系統能夠調用Gemini生成新任務，並通過試錯與Gemini反饋的閉環進行自主學習，利用自生成的經驗數據疊代提升技能。

SIMA 2的架構支持強大的概念遷移與泛化能力，例如在一款遊戲中學到的“採礦”概念可以遷移到另一款遊戲中的“採集”行為。為了測試其泛化極限，研究者將其與DeepMind的世界生成模型Genie 3結合，SIMA 2能夠在Genie 3實時生成的、前所未見的3D逼真環境中，合理定位自身、理解指令並採取有意義的行動。

基於上述技術架構，SIMA 2在訓練過的遊戲環境中的任務成功率達到了65%，幾乎是其前代SIMA 1（31%）的兩倍，並接近人類玩家75%的基準線。然而，該架構目前仍存在一些局限性：在處理需要大量多步驟推理和長期目標驗證的複雜任務時存在困難；為了保持低延遲互動，其對互動歷史的記憶相對較短，依賴於有限的上下文視窗；此外，通過鍵盤和滑鼠界面執行精確的低級操作，以及對複雜3D場景實現穩健的視覺理解，仍是該領域持續面臨的開放性挑戰。

發展歷程

2024年3月，DeepMind首次發布了SIMA的初代版本SIMA 1。

2025年11月13日，DeepMind正式發布SIMA 2（Scalable Instructable Multiworld Agent,可擴展的可指令多世界智慧型體）。發布初期，SIMA 2僅作為“有限研究預覽”向部分學者和開發者開放。

性能表現

SIMA 2在訓練過的遊戲環境中，任務成功率從初代SIMA 1的31%提升至65%，接近人類玩家75%的基準線。

在未專門訓練過的遊戲如MineDojo和ASKA中，SIMA 2的任務成功率相比SIMA 1也有顯著提升，分別提升13%和12%，並展現了概念遷移能力。

在互動、物體管理等技能類別上，SIMA 2的表現已接近人類水平；然而，在資源收集、戰鬥等類別中，其表現仍有提升空間。

技術局限

SIMA 2作為一項前沿研究成果，仍存在多方面的技術局限。在處理需要大量多步驟推理和長期目標驗證的超長時程複雜任務時，SIMA 2仍面臨挑戰。SIMA 2對互動歷史的記憶相對較短，必須使用有限的上下文視窗以實現低延遲互動。通過鍵盤和滑鼠界面執行精確的低級操作能力仍是整個領域持續探索的開放性挑戰。在複雜的3D場景中實現穩健的視覺理解同樣是一個開放性挑戰。

研究意義與影響

SIMA 2被其開發者Google DeepMind及其創始人Demis Hassabis評價為“通往通用人工智慧（AGI）的關鍵一步”或“通往通用智慧型旅程中最堅實的一步”。SIMA 2在人工智慧研究領域具有里程碑意義，證明了利用多樣化多世界數據和Gemini等強大推理模型，可以成功訓練出統一的、具備廣泛泛化能力的通才型智慧型體，而非局限於單一任務的專用系統。這為面向行動的AI提供了一條新路徑的基礎驗證。

在套用層面，SIMA 2為機器人技術和具身AI（Embodied AI）的發展提供了重要路徑和堅實方向。SIMA 2在虛擬世界（如各類遊戲）中習得的導航、工具使用、協作任務執行等技能，被認為是未來物理世界AI助手或機器人所需的核心“認知構建模組”和“基本構建模組”。

此外，SIMA 2與生成式世界模型Genie 3的結合，展示了在無限生成的、多樣化虛擬世界中訓練和測試通用智慧型體的潛力，為構建適應性更強的通用智慧型體提供了重要範例。