谷歌DeepMind发布SIMA 2：Gemini驱动的新一代AI游戏智能体，能听会看善学习

💡 站外导读：当游戏NPC（非玩家角色）不再只是预设脚本的提线木偶，而是能理解你的指令、与你实时协作、甚至在未知环境中自主学习的智能伙伴，虚拟世界的交互范式或将彻底改变。谷歌DeepMind最新发布的SIMA 2，正是这样一个瞄准“通用游戏AI智能体”愿景的突破性产品。它直击当前AI智能体泛化能力差、交互单一、依赖大量人工数据的核心痛点，试图在复杂的3D虚拟环境中，打造出能像人一样“听、看、学、做”的通用助手。

SIMA 2是什么

SIMA 2是谷歌DeepMind开发的最新一代AI智能体，在虚拟3D世界中展现出强大的交互、推理和学习能力。SIMA 2基于Gemini技术构建，采用“Gemini-SIMA Fusion”三层架构，包括决策中枢、视觉-动作模型和思维令牌桥梁，能快速响应并执行复杂任务。能理解自然语言指令，还能通过多模态提示（如草图）与用户互动。SIMA 2的训练数据中，70%由Gemini自动生成，通过自我学习不断提升能力。能在未经预训练的游戏中快速适应并完成任务，展现出强大的泛化能力。SIMA 2的响应时间被压缩到200毫秒以内，适合实时交互场景。

SIMA 2的主要功能

• 自然语言交互：能理解和执行用户的自然语言指令，完成各种任务，如导航、物体交互和操作界面等。
• 复杂推理能力：具备推理能力，可以在新环境中通过逻辑分析完成任务，不仅仅是依赖预训练的数据。
• 多模态理解：支持多模态输入，例如可以理解用户绘制的草图或符号，从而更好地完成任务。
• 自我学习与提升：通过试错和Gemini生成的反馈进行自我学习，不断提升任务执行能力，无需额外的人类标注数据。
• 低延迟响应：端到端响应时间压缩到200毫秒以内，适合实时交互场景，确保流畅的用户体验。
• 泛化能力：能在未经预训练的全新游戏中快速适应并完成任务，展现出强大的泛化能力。
• 协作与互动：可以与玩家协作完成复杂任务，例如在游戏场景中配合玩家进行操作。
• 支持多环境：能适应多种不同的3D虚拟环境和游戏，具有广泛的适用性。

SIMA 2的技术原理

• Gemini融合架构：采用“Gemini-SIMA Fusion”架构，结合了Gemini Pro的强大语言和推理能力，以及视觉-动作模型，实现语言、视觉和动作的高效协同。
• 多模态输入处理：能处理多种输入形式，包括自然语言指令、视觉图像和多模态提示（如草图），通过多模态融合提升任务执行的准确性。
• 自监督学习：通过自监督学习的方式，利用Gemini生成的“伪标签”进行训练，减少对人类标注数据的依赖，提升学习效率和泛化能力。
• 快速推理与响应：优化了决策和执行流程，将端到端响应时间压缩到200毫秒以内，确保在实时交互场景中的流畅体验。
• 强化学习与试错机制：结合强化学习算法，通过试错和环境反馈不断优化行为策略，提升在复杂环境中的适应性和任务成功率。
• 跨环境泛化能力：通过通用的视觉和动作模型，使SIMA 2能在未经预训练的全新环境中快速适应并完成任务，展现出强大的泛化能力。
• 思维令牌桥梁：在语言、视觉和动作模块之间建立“思维令牌”连接，实现三者之间的高效信息传递和协同工作。
• 低资源运行能力：通过优化模型结构和训练方法，使SIMA 2能在较低的计算资源下运行，如轻量版SIMA 2-Lite可在单张RTX 3090显卡上运行。

SIMA 2的项目地址

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

SIMA 2的应用场景

• 虚拟游戏协作：在多种3D游戏中与玩家协作，完成任务或提供辅助操作，例如在《无人深空》中导航或在《模拟山羊3》中开车。
• 复杂任务执行：通过自然语言指令，执行复杂任务，如在虚拟环境中进行资源收集、建筑建造或路径规划。
• 多模态交互：支持通过草图、符号等多模态提示与用户交互，帮助用户更直观地传达任务需求。
• 实时交互体验：凭借低延迟响应能力，为用户提供流畅的实时交互体验，适用于需要快速响应的场景。
• 机器人应用拓展：未来可接入机器人，如波士顿动力机器狗，实现物理世界中的导航、物体操作等任务。
• 教育与培训：在虚拟环境中模拟真实场景，用于教育和培训，帮助用户学习新技能或进行模拟演练。