「【新智元导读】如果一个 AI，像人类一样看屏幕、敲键鼠、自己练级变强，这种游戏搭子，你愿意拥有吗？可能不久将来，类似王者荣耀、DOTA 2 这样的游戏就可以选择和 AI 组队，而不是和人组队了！」
想象一个智能体，它「出生」在一个虚拟 3D 游戏中，能推理，能学习。
并且，它不走后门，去操纵游戏底层指令，而是和人一样，只「观看」屏幕画面，并且使用「虚拟键盘和鼠标」来进行操作。
也就是，创造一个智能体，但完完全全「像人一样」去打游戏。
这就是谷歌 DeepMind 推出的 SIMA 2 智能体！
一个能陪你在虚拟世界中一同游戏、推理和学习的智能体。
我觉得 DeepMind 才是那个不忘初心的「Open」AI 公司。
不管是从下围棋的 AlphaGo 再到破解生命之谜的 AlphaFold 等等 Alpha 系列。
然后还有谷歌主打的 Gemini 大模型系列，以及世界模型 Genie 3 系列，等等。
可以说谷歌在 AI 领域是全方面、全栈式发力。
SIMA 2 可以说是朝着通用人工智能方向迈出的重要一步。
SIMA，全称 Scalable Instructable Multiworld Agent，可扩展指令多世界智能体。
别看现在它只是观看屏幕打游戏，如果能够「像人」一样理解游戏画面并做出正确的操作。
那么可以将这种推理和理解能力扩展到其他世界中，甚至也可以拓展到具身智能，这就是 SIMA 真正的野心。
这意味着，可能不久以后，我们就可以在游戏中组队类似 SIMA 智能体。
我的 DOTA2、我的王者荣耀、我的英雄联盟手游好像终于有救，希望以后的 MOBA 类游戏都能出一个类似的选项，选择和 AI 组队，而不是和人组队。
「推理的力量」
在 SIMA 1 中，智能体学会了执行超过 600 种语言指令技能，例如拍梯子、打开地图。
在 SIMA 2 中，智能体已经可以突破单纯的指令跟随的局限。
通过将 Gemini 作为智能体的核心引擎，SIMA 2 不仅能响应指令，还能对指令进行思考与推理。
比如下面 MineDojo 游戏中，SIMA 2 可以完全在这个「从未见过」的游戏中，靠着推理能力完成任务。
SIMA 2 是用什么数据训练的呢？
DeepMind 使用带有人类演示视频、语言标签以及 Gemini 生成标签的混合数据对 SIMA 2 进行训练。
某种意义上，这种思路和特斯拉 FSD 的端到端具有异曲同工之妙，再更深一步，只要给 AI 数据和算力，AI 肯定能学会「人类这点能力」。
SIMA 2 不仅能响应用户提问，还能对其自身行为及所处环境进行逻辑推理。
研究人员在博客中也感慨，与 SIMA 2 互动时，真的感觉更像是在与一个「伙伴、游戏搭子」一起系统合作。
这或许也算是 SIMA 2 通过游戏上的「图灵测试」。
谷歌认为这个能力的底层逻辑还是 Gemini 带来的，靠着强大的推流能力，SIMA 2 可以在复杂的 3D 环境中进行感知。
「
」
「泛化能力飞跃」
谷歌推出 SIMA 2，除了用游戏训练是初期最合适的手段外，另一个考量就是增强智能体的泛化能力。
SIMA 2 能够理解并完成长期复杂的任务。
短期指令，比如左转、走三步、爬梯子都是比较容易了，但是如何完整的「打通」游戏关卡才是验证通用能力的关键。
SIMA 2 现在可以在未经预训练的情况下攻克全新的游戏。（左边是 Gemini 的推理过程，右边是 SIMA 在操作游戏）
除了语言指令，SIMA 2 还能理解多模态的提示。
比如，用户在画面中绘制一个路线草图，SIMA 理解玩家的意思，然后再操作。
在游戏中画个红框 + 箭头，让智能体据此操作。
其他的理解能力还有，符号。
比如用户发送一个🪓+ 树木的表情符号，然后智能体就屁颠颠的说「好吧，我不睡，我去砍树去」。
泛化能力的另一个体现是在不同游戏之间的迁移。
比如 A 游戏中学会的「挖掘」，可以应用于 B 游戏的「采集」。
下面这个图展示 SIMA 2 相对 SIMA 1 能力的巨大提升。
「」
「终极考验：畅游想象世界」
谷歌为了测试 SIMA 2 的泛化能力，使用了 Genie 3 来配合。
Genie 3 生成全新的 3D 模拟世界，然后让 SIMA 2 在这些「架空世界」中行动。
Genie 3 本身会遵循物理规律生成世界，但是和真实世界的展现又可能完全不同。
谷歌的测试结果是，SIMA 2 依然能保持良好的环境适应能力。
「」
「可扩展的多任务自我提升」
SIMA 2 最令人兴奋的能力是能够自我学习，自我进化，自我提升。
谷歌说在整个训练过程中，SIMA 2 智能体能够通过试错和基于 Gemini 的反馈引导，执行更加复杂的任务。
在最初从人类示范中学习后，SIMA 2 能够过渡到完全通过自主游戏继续学习。
在全新世界学习时，无需额外的人类生成数据。
左侧展示的是初代 SIMA 2 智能体未能完成的任务示例。
而右侧则显示经过多轮训练迭代后，SIMA 2 已实现自我提升，整个过程完全无需人类反馈或游戏数据介入。
SIMA 2 能在很多不同类型的游戏里运行，这对检验「通用智能」非常关键。
在这些游戏中，智能体可以学会各种技能、练习复杂的推理，还能通过自己玩游戏不断提升能力。
不过，SIMA 2 目前还是研究阶段的系统，离真正的「通用具身智能」还有距离。
它在处理那种特别长、特别复杂、需要很多步推理和反复检查目标的大任务时，还是会吃力。
它对交互过程的记忆也不算长，只能在有限的上下文里工作，以保证响应足够快。
另外，想要只用键盘鼠标就做出非常精细的操作，或者稳定地看懂复杂的 3D 场景，这些在整个领域里都还是难题。
这项研究说明了一条新的路：
通过大量、多类型的虚拟世界数据，加上 Gemini 很强的推理能力，可以训练出一个通用的智能体，把原本分散在不同专用系统里的能力整合到一起。
SIMA 2 也为未来的机器人应用打下了基础。
它学到的能力------比如导航、用工具、和他人协作完成任务------正是将来让机器人在现实世界中成为「智能助手」所需要的底层模块。
参考资料：