谷歌 DeepMind 发布 SIMA 2：AI智能体首次在虚拟世界中“自我改进”

谷歌DeepMind发布通用AI智能体下一代产品SIMA 2的研究预览，通过深度整合大语言模型Gemini的语言与推理能力，实现从“单纯遵循指令”到“理解环境并互动”的核心突破。这款由Gemini 2.5 flash-lite驱动的具身智能体，在虚拟世界中展现出自主推理、自我改进、跨环境适配的强大能力，被视为谷歌迈向人工通用智能（AGI）与通用机器人的关键一步。

核心升级：从SIMA 1到SIMA 2的能力飞跃

SIMA（Scalable Integrated Model for Agent）系列始于2024年3月发布的第一版，通过数百小时游戏数据训练，能在3D虚拟环境中遵循基本指令，但复杂任务成功率仅31%（人类为71%）。而SIMA 2凭借Gemini的加持，实现了全方位能力升级：

• 性能翻倍：复杂任务处理能力较前代大幅提升，从“被动执行”转向“主动理解与推理”；
• 通用适配：能在未训练过的全新虚拟环境（包括照片级真实场景）中完成复杂任务，泛化能力显著增强；
• 自我改进：无需依赖大量人类数据，通过AI生成任务与反馈实现试错学习，自主优化表现；
• 交互升级：支持自然语言、表情符号等多种指令形式，理解更贴近人类沟通习惯。

核心能力：Gemini赋能的推理与行动

SIMA 2的核心突破源于Gemini大模型的深度整合，使其在虚拟世界中具备类人级的认知与行动能力：

1. 高级推理与环境理解

• 场景分析：能精准描述周围环境（如“No Man’s Sky”中的岩石行星表面），并基于环境判断下一步行动（如识别求救信标并互动）；
• 逻辑推导：面对模糊指令时，会通过内部推理明确目标——例如被要求走向“成熟番茄颜色的房子”时，会先得出“成熟番茄是红色”的结论，再定位并接近红房子；
• 常识应用：能以常识性方式回应需求，理解任务背后的核心意图，而非机械执行指令。

2. 多形式指令交互

• 自然语言：支持复杂语义指令，无需简化表达即可准确理解；
• 表情符号：能解析符号化指令，例如收到“🪓🌲”（斧头+树）指令时，会自动执行“砍树”动作，降低交互门槛。

3. 跨环境适配与物体识别

即使在DeepMind世界模型Genie生成的全新照片级真实场景中，SIMA 2也能正确识别长椅、树木、蝴蝶等物体，并实现精准互动，展现出极强的环境适应性。

自我改进机制：AI驱动的试错学习

SIMA 2摆脱了对人类训练数据的过度依赖，构建了AI自主迭代的学习闭环：

1. 基线基础：以人类游戏玩法数据训练的初始模型为基础，奠定核心能力；
2. 任务生成：进入新环境后，由另一Gemini模型自动创建全新任务，模拟多样化场景；
3. 反馈评分：通过单独的奖励模型，对SIMA 2的任务尝试进行评分，明确错误与改进方向；
4. 迭代优化：将自我生成的任务经验作为训练数据，从试错中自主学习，逐步提升表现——类似人类的自主学习模式，但由AI反馈引导，效率更高。

长远目标：迈向通用机器人与AGI

DeepMind将SIMA 2定位为“解锁更通用机器人”的关键铺垫，其核心价值在于解决现实世界任务所需的“高级理解与推理能力”：

• 能力聚焦：SIMA 2不关注机器人关节控制、轮子驱动等低级物理动作，而是专注于高层级行为——如理解“豆子”“橱柜”等概念，规划导航路径，完成“检查橱柜里豆子数量”这类复杂任务；
• 技术协同：与DeepMind近期发布的机器人基础模型（专注物理世界推理与多步计划）形成互补，共同推进通用机器人的研发；
• AGI导向：SIMA 2的设计完全契合DeepMind对AGI的定义——能处理广泛智力任务、学习新技能、跨领域泛化知识，为未来更全面的通用智能系统奠定基础。

现状与未来：研究预览阶段，暂无明确落地时间表

目前，SIMA 2仍处于研究预览阶段，DeepMind暂未公布以下关键信息：

• 物理机器人落地时间表：团队明确表示SIMA 2与现有机器人基础模型是独立训练的，未透露两者融合应用的具体计划；
• 公开发布时间：尚未确定何时向外界开放SIMA 2的使用权限；
• 合作与应用：当前核心目标是展示技术成果，探索潜在的合作方向与应用场景，而非直接落地产品。