DeepMind打造多游戏通用智能体SIMA 2，让AI在虚拟世界中自我训练

《山羊模拟器 3》（Goat Simulator 3）这款以混乱、荒诞著称的游戏，其物理引擎的不可预测性曾让无数玩家啼笑皆非。如今，谷歌成功让这款游戏成为了他们最新 AI Agent 泛化能力的试验场。

11 月 13 日，DeepMind 正式发布 SIMA 2（Scalable Instructable Multiworld Agent，可扩展的可指令多世界智能体），这个集成了 Gemini 大语言模型的新一代智能体，不仅能在《无人深空》的浩瀚星际中导航，也能在《山羊模拟器 3》的混乱世界里完成任务。这种跨越虚拟环境的能力，被 DeepMind 称为“迈向通用人工智能的重要一步”。

2024 年 3 月，DeepMind 首次发布了 SIMA 的初代版本。当时的 SIMA 1 已经算是一个突破——它能够跨越《无人深空》《山羊模拟器 3》等八款商业游戏执行基本指令，仅通过观察屏幕像素和使用虚拟键鼠操作，无需访问游戏的底层代码。但其 31% 的复杂任务完成率暴露了根本性的瓶颈：这个系统更像一个执行器而非思考者，面对“找到营火”这样简单的目标时，它只能机械地尝试各种操作，缺乏真正的理解和规划能力。

SIMA 2 的核心改变是整合了 Gemini 2.5 flash-lite 模型作为推理引擎。Gemini 的语言理解和推理能力与 SIMA 的 embodied skills（具身技能）深度融合，使得 Agent 能够理解高层目标、制定多步计划，并在执行过程中与用户对话解释自己的思路。在新的基准测试中，SIMA 2 在训练过的游戏环境中达到了 65% 的成功率，几乎是前代的两倍，与人类玩家 75% 的基准线已经相当接近。

这种性能提升的背后是架构层面的重新设计。SIMA 2 的训练数据不再完全依赖人类游戏演示录像，而是混合了人类标注和 Gemini 生成的任务描述。当智能体观察到游戏画面中的某个场景时，Gemini 模型会同时生成对该场景的语义理解和可能的行动方案。这种训练方式的一个直接结果是，SIMA 2 现在能够用自然语言描述它的意图和推理过程。在《无人深空》的演示中，当被要求“前往看起来像成熟番茄的房子”时，智能体会明确说明：“成熟的番茄是红色的，所以我应该去红色的房子”——这种显式推理正是 Gemini 带来的质变。

多模态交互能力也有提升。SIMA 2 可以理解文字、语音、手绘草图，甚至 emoji。当用户发送斧头和树木的 emoji 时，智能体能理解这意味着“砍树”。这种能力来自 Gemini 的多模态架构，但关键是 DeepMind 找到了将抽象符号与游戏动作连接的方法，系统理解斧头是工具、树木是可交互对象、两者组合意味着特定行动序列。

SIMA 2 最重要的创新之一是其自我改进机制。与 SIMA 1 完全依赖人类游戏数据不同，SIMA 2 在获得初始的人类演示基线后，能够转向自主学习。当团队将智能体放入新环境时，系统会调用另一个 Gemini 模型来生成新任务，并使用单独的奖励模型对智能体的尝试进行评分。

通过这些自生成的经验作为训练数据，智能体能从自己的错误中学习，逐步提升性能，本质上是在 AI 反馈而非人类反馈的引导下，像人类一样通过试错来教会自己新行为。这种自我改进循环在与 Genie 3（DeepMind 的世界生成模型）结合时能发挥更大的作用：在 Genie 3 实时生成的全新 3D 环境中，SIMA 2 展现出了前所未有的适应能力，能够在从未见过的世界中理解用户指令并采取有意义的行动。

在从未训练过的 MineDojo（Minecraft 的研究实现版本）和 ASKA 游戏中，SIMA 2 的成功率相较第一代分别提升了 13% 和 12%。虽然仍然只有不到 15% 的水平，但考虑到智能体此前从未见过这些游戏的任何画面或机制，这个表现已经相对可观。

更重要的是，它展示了概念迁移的能力——在《无人深空》中学到的“采集资源”概念可以迁移到 MineDojo 中的“挖矿”，在《英灵神殿》中学到的“使用工具”可以应用到 ASKA 的“装备武器”。这种跨环境的知识迁移，对于提升 AI 的真正智能来说至关重要。

DeepMind 在游戏 AI 上有长期积累，从 AlphaGo 到 AlphaStar，每一步都在推进 AI 的边界。不过，让单一系统掌握多种游戏一直是个难题。纽约大学的 AI 研究员 Julian Togelius 提到，之前的尝试效果不太理想，因为仅通过观看屏幕来实时控制多个游戏本身就很困难。他特别指出 DeepMind 之前的 GATO 系统，当时宣传力度很大，但实际上未能在足够多的虚拟环境中转移技能。

现在的问题是，SIMA 2 能否避免重蹈覆辙？目前来看，它仍有几个比较明显的限制。它在需要多步骤和长时间的复杂任务上仍有困难。为了提高响应速度，团队削减了长期记忆，它只记得最近的交互。在使用鼠标键盘方面，它还是远不如人类。阿尔伯塔大学的 Matthew Guzdial 向《麻省理工科技评论》表示：大多数游戏的键鼠控制很相似，学会一个就学会了全部，“如果给它一个输入方式怪异的游戏，我认为它表现不会好。”他还质疑这些技能能否迁移到机器人上——游戏视觉是为人类设计的、易于解析，真实世界的摄像头输入要复杂得多。

这触及了具身智能（Embodied AI）领域的核心难题：模拟到现实的鸿沟（sim-to-real gap）。虚拟环境提供了安全、可控、低成本的训练场所，但它与现实世界有本质差异。Togelius 对此持更开放的看法。他认为真实世界既更难也更容易。更难是因为物理交互的复杂性——你不能按个键就开门。但同时，真实世界的机器人清楚知道自己身体的能力边界，而游戏里每个虚拟世界的规则都不同。

DeepMind 的研究工程师 Frederic Besse 在新闻发布会上给出了他们的思路：将机器人系统分为两层：上层是 SIMA 2 这样的“认知层”，负责理解任务、推理和规划；下层是专门的运动控制系统，负责关节运动、力控制等底层执行。这种分层架构在工业界已有先例，如 NVIDIA 的 Isaac 机器人平台就采用类似设计。理论上，SIMA 2 学到的“找到红色物体”“使用工具”“导航到目标”等高层技能是跨越虚拟和现实的，而关键是如何将这些抽象能力映射到物理动作上。对此，我们尚保持谨慎的乐观。

但无论如何，SIMA 2 所展示的研究方向还是非常具有价值的：用多样化的虚拟环境训练、用大语言模型增强推理、用自我改进减少对人类数据的依赖。这个方向的可行性和上限值得期待，但也还需要更多研究来验证。它是具身 AI 领域的一个重要节点，但不是终点。虚拟世界与真实世界之间的鸿沟，在可预见的未来仍然存在。

目前，SIMA 2 仅作为“有限研究预览”发布，只向小范围的学术机构和游戏开发者开放访问。

参考资料：

1.https://deepmind.google/blog/sima-2-an-agent-that-plays-reasons-and-learns-with-you-in-virtual-3d-worlds/

2.https://www.technologyreview.com/2025/11/13/1127921/google-deepmind-is-using-gemini-to-train-agents-inside-goat-simulator-3/

运营/排版：何晨龙