<h2>谷歌 DeepMind 进一步推进虚拟智能，推出 SIMA 2</h2>
<p>谷歌 DeepMind 推出了 SIMA 2，这是一款升级版的 AI 代理，旨在在 3D 虚拟世界中独立运作并进行推理，公司表示这使其更接近未来的真实世界机器人技术。</p>
<p><img src="https://imageproxy.pbkrs.com/https://image.coinlive.com/cryptotwits-static/01b727efe933cfd60db6d7d1ad603d57.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" alt="" original-src="https://imageproxy.pbkrs.com/https://image.coinlive.com/cryptotwits-static/01b727efe933cfd60db6d7d1ad603d57.png"/></p>
<p>该代理基于去年的 SIMA 模型，但现在运行在谷歌的 Gemini AI 上，使其能够进行规划、解释决策、通过经验学习，并以原系统无法实现的方式与用户协作。</p>
<p>DeepMind 将 SIMA 2 描述为虚拟环境中的 “伴侣”——一种能够对话、理解高层次目标并使用模拟键盘和鼠标控制执行任务的 AI。</p>
<p>该公司表示，</p>
<blockquote>
<p>“这是朝着人工通用智能（AGI）迈出的重要一步，对未来的机器人技术和 AI 具身化有重要影响。”</p>
</blockquote>
<h2>基于 Gemini 构建的更强大代理</h2>
<p>对 Gemini 的升级是 SIMA 2 进步的核心。</p>
<p>凭借多模态能力，该代理可以实时响应文本、语音、草图甚至表情符号，同时采取行动。</p>
<p>谷歌 DeepMind 在 X 上写道：“SIMA 2 是我们在虚拟 3D 世界中最强大的 AI 代理……这意味着你可以通过文本、语音甚至图像与它对话。”</p>
<blockquote>
<p>SIMA 2 是我们在虚拟 3D 世界中最强大的 AI 代理。👾🌐</p>
<p>由 Gemini 驱动，它超越了简单指令的执行，能够在互动环境中思考、理解并采取行动——这意味着你可以通过文本、语音甚至图像与它对话。以下是如何实现的 🧵 pic.twitter.com/DuVWGJXW7W</p>
<p>— Google DeepMind (@GoogleDeepMind) 2025 年 11 月 13 日</p>
</blockquote>
<p>这种转变使得代理能够理解复杂指令、提出澄清问题，并描述其打算采取的步骤。</p>
<p>该模型还可以通过仅分析屏幕视觉来调整行为，以匹配它从未遇到过的任务——不访问内部游戏数据。</p>
<h2>SIMA 2 如何在未见过的游戏中工作？</h2>
<p>在测试中，SIMA 2 在不熟悉的环境中解决了显著更多的任务，包括 MineDojo 和 ASKA。</p>
<p>成功率在 45% 到 75% 之间，而 SIMA 1 在相同环境中的成功率为 15% 到 30%。</p>
<p>在所有基准测试中，新代理完成了 65% 的任务，是 SIMA 1 的 31% 的两倍多。</p>
<blockquote>
<p>SIMA 1 通过观察屏幕和使用虚拟键盘和鼠标学习了 600 多项游戏技能。</p>
<p>现在 SIMA 2 超越了简单指令。</p>
<p>以 Gemini 为核心，它能够理解你的目标，思考并在复杂的 3D 世界中采取行动。 pic.twitter.com/HrLiTVcYl0</p>
<p>— CHRIS FIRST (@chrisfirst) 2025 年 11 月 13 日</p>
</blockquote>
<p>DeepMind 发现 SIMA 2 能够将一个游戏中的概念转移到另一个游戏中——例如，将建筑游戏中的 “收获” 视为与探索游戏中的 “采矿” 相似。</p>
<p>这种抽象能力是研究人员希望最终能够转化为机器人技术的特征之一。</p>
<p>DeepMind 的研究科学家 Joe Marino 表示，即使是基本动作也需要分层推理。</p>
<blockquote>
<p>“这是一个非常复杂的任务集，你需要解决这些任务才能进展。”</p>
</blockquote>
<p>游戏中的多步骤挑战反映了物理机器人任务所需的顺序和复杂要求。</p>
<h2>通过经验学习，而不仅仅是人类示范</h2>
<p>SIMA 2 的训练始于八个商业标题的人类游戏录像，包括《无人深空》和《山羊模拟器 3》，以及三个自定义构建的环境。</p>
<p>但更显著的进展是该代理在没有人类标记数据的情况下提高能力。</p>
<p>在初步演示后，系统转向自我指导学习。</p>
<p><img src="https://imageproxy.pbkrs.com/https://image.coinlive.com/cryptotwits-static/e2a150baccdca551e807c6e43512021e.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" alt="" original-src="https://imageproxy.pbkrs.com/https://image.coinlive.com/cryptotwits-static/e2a150baccdca551e807c6e43512021e.png"/></p>
<p>Gemini 生成了新任务，评估 SIMA 2 的尝试，并在每次失败后提供建议。</p>
<p>经过多次尝试，SIMA 2 调整了行为并生成了自己的轨迹数据，形成了一个帮助其自主完善技能的循环。</p>
<h2>在由单一图像生成的世界中测试 SIMA 2</h2>
<p>DeepMind 还在由 Genie 3 创建的实验性世界中测试了 SIMA 2，该项目可以仅通过一张图像或文本提示生成 3D 环境。</p>
<blockquote>
<p>SIMA 2 🤝 Genie 3</p>
<p>我们在由我们的世界模型 Genie 3 创建的模拟 3D 世界中测试了 SIMA 2 的能力。</p>
<p>它展示了前所未有的适应能力，能够导航其周围环境，并朝着目标采取有意义的步骤。 pic.twitter.com/9M9bVMqD6e</p>
<p>— Google DeepMind (@GoogleDeepMind) 2025 年 11 月 13 日</p>
</blockquote>
<p>在这些陌生的世界中，代理在形成后不久就被投放进去，能够自我定位、理解目标并采取有意义的行动——研究人员表示这种行为在 SIMA 1 中并未观察到。</p>
<p>Marino 称这种适应能力是朝着 AGI 和未来机器人技术的 “基础” 一步：一个能够在不可预测环境中导航、使用工具并与人类合作的灵活代理。</p>
<h2>这项技术能走多远？专家们发表看法</h2>
<p>一些研究人员表示，SIMA 2 的成就之所以突出，是因为从原始视觉输入控制多个游戏长期以来一直是一个挑战。</p>
<p>纽约大学的 AI 研究员 Julian Togelius 指出，早期的尝试遇到了困难，提到了之前的多游戏系统如 GATO。</p>
<blockquote>
<p>“仅通过视觉输入实时游戏是 ‘困难模式’。”</p>
</blockquote>
<p>其他人对其在现实世界中的影响持怀疑态度。</p>
<p>阿尔伯塔大学的 Matthew Guzdial 表示，SIMA 2 在许多游戏中表现良好并不令人惊讶，因为大多数游戏依赖于类似的键盘和鼠标控制。</p>
<blockquote>
<p>“如果你把一个输入奇怪的游戏放在它面前，我认为它无法表现良好。”</p>
</blockquote>
<p>哇。DeepMind 的通用人工智能代理 SIMA 2 从基本的指令跟随演变为真正的推理伴侣。它像人类玩家一样使用视觉和键盘/鼠标，可以在不接触游戏代码的情况下在数十款游戏中工作。机器人技术的角度显而易见——如果你能进行概括…… pic.twitter.com/8OsE6g6qI9</p>
<blockquote>
<p>— Bilawal Sidhu (@bilawalsidhu) 2025 年 11 月 13 日</p>
</blockquote>
<p>他还质疑在游戏中学习的视觉理解是否能顺利转移到物理机器人上，因为相机数据比视频游戏图形要复杂得多。</p>
<h2>目前仍限制 SIMA 2 的因素</h2>
<p>DeepMind 公开承认该系统仍存在的弱点。</p>
<p>SIMA 2 在处理非常长的多步骤任务时表现不佳，仅保留短期上下文以保持互动的响应性。</p>
<p>其模拟的键盘和鼠标控制不如人类玩家精确，并且在繁忙或杂乱的 3D 场景中，其视觉解读仍然失败。</p>
<p>这些差距揭示了当前系统距离通用智能还有多远。</p>
<p>目前，SIMA 2 仍然是一个仅对特定学术界和开发者开放的研究项目。</p>
<h2>SIMA 2 是否能在未来带来更好的机器人？</h2>
<p>DeepMind 认为，SIMA 2 正在学习的技能——导航、工具使用、推理、协作——构成了未来通用机器人的基础。</p>
<p>团队希望将 SIMA 的试错学习与 Genie 3 的无限虚拟世界结合起来，创建一个持续的训练循环，使代理不断改进。</p>
<p>Marino 说，</p>
<blockquote>
<p>“我们只是刚刚触及可能性的表面。”</p>
</blockquote>
<p>虚拟学习环境最终可能会弥合模拟与物理机器人之间的差距。</p>

<p>DeepMind 发布了 SIMA 2，这是一款由 Gemini AI 驱动的先进 AI 代理，能够在 3D 虚拟世界中进行类人推理和独立操作。它可以解读复杂的指令，适应不熟悉的环境，并自主学习，这标志着朝着人工通用智能（AGI）和未来机器人技术迈出了重要一步</p>

<h2>Google DeepMind Pushes Further Into Virtual Intelligence With SIMA 2</h2>
<div class="lb-trans"><h2>谷歌 DeepMind 进一步推进虚拟智能，推出 SIMA 2</h2>
</div><p>Google DeepMind has unveiled SIMA 2, an upgraded AI agent designed to operate inside 3D virtual worlds with a level of independence and reasoning that the company says brings it closer to future real-world robotics.</p>
<div class="lb-trans"><p>谷歌 DeepMind 推出了 SIMA 2，这是一款升级版的 AI 代理，旨在在 3D 虚拟世界中独立运作并进行推理，公司表示这使其更接近未来的真实世界机器人技术。</p>
</div><p><img src="https://imageproxy.pbkrs.com/https://image.coinlive.com/cryptotwits-static/01b727efe933cfd60db6d7d1ad603d57.png" alt="" original-src="https://image.coinlive.com/cryptotwits-static/01b727efe933cfd60db6d7d1ad603d57.png"/></p>
<p>The agent builds on last year’s SIMA model but now runs on Google’s Gemini AI, allowing it to plan, explain decisions, learn through experience, and collaborate with users in a way the original system could not.</p>
<div class="lb-trans"><p>该代理基于去年的 SIMA 模型，但现在运行在谷歌的 Gemini AI 上，使其能够进行规划、解释决策、通过经验学习，并以原系统无法实现的方式与用户协作。</p>
</div><p>DeepMind describes SIMA 2 as a “companion” in virtual environments—an AI that can talk, interpret high-level goals, and carry out tasks using simulated keyboard and mouse controls.</p>
<div class="lb-trans"><p>DeepMind 将 SIMA 2 描述为虚拟环境中的 “伴侣”——一种能够对话、理解高层次目标并使用模拟键盘和鼠标控制执行任务的 AI。</p>
</div><p>The company said,</p>
<div class="lb-trans"><p>该公司表示，</p>
</div><blockquote>
<p>“This is a significant step in the direction of Artificial General Intelligence (AGI), with important implications for the future of robotics and AI-embodiment in general.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“这是朝着人工通用智能（AGI）迈出的重要一步，对未来的机器人技术和 AI 具身化有重要影响。”</p>
</blockquote>
</div><h2>A More Capable Agent Built On Gemini</h2>
<div class="lb-trans"><h2>基于 Gemini 构建的更强大代理</h2>
</div><p>The upgrade to Gemini is central to SIMA 2’s progress.</p>
<div class="lb-trans"><p>对 Gemini 的升级是 SIMA 2 进步的核心。</p>
</div><p>With multimodal abilities, the agent can respond to text, voice, sketches, and even emojis while taking actions in real time.</p>
<div class="lb-trans"><p>凭借多模态能力，该代理可以实时响应文本、语音、草图甚至表情符号，同时采取行动。</p>
</div><p>Google DeepMind wrote on X that “SIMA 2 is our most capable AI agent for virtual 3D worlds… meaning you can talk to it through text, voice, or even images.”</p>
<div class="lb-trans"><p>谷歌 DeepMind 在 X 上写道：“SIMA 2 是我们在虚拟 3D 世界中最强大的 AI 代理……这意味着你可以通过文本、语音甚至图像与它对话。”</p>
</div><blockquote>
<p>SIMA 2 is our most capable AI agent for virtual 3D worlds. 👾🌐</p>
<p>Powered by Gemini, it goes beyond following basic instructions to think, understand, and take actions in interactive environments – meaning you can talk to it through text, voice, or even images. Here’s how 🧵 pic.twitter.com/DuVWGJXW7W</p>
<p>— Google DeepMind (@GoogleDeepMind) November 13, 2025</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>SIMA 2 是我们在虚拟 3D 世界中最强大的 AI 代理。👾🌐</p>
<p>由 Gemini 驱动，它超越了简单指令的执行，能够在互动环境中思考、理解并采取行动——这意味着你可以通过文本、语音甚至图像与它对话。以下是如何实现的 🧵 pic.twitter.com/DuVWGJXW7W</p>
<p>— Google DeepMind (@GoogleDeepMind) 2025 年 11 月 13 日</p>
</blockquote>
</div><p>This shift allows the agent to interpret complex instructions, ask clarifying questions, and describe the steps it intends to take.</p>
<div class="lb-trans"><p>这种转变使得代理能够理解复杂指令、提出澄清问题，并描述其打算采取的步骤。</p>
</div><p>The model can also adapt behaviour to match tasks it has never encountered before by analysing on-screen visuals alone—no internal game data is accessed.</p>
<div class="lb-trans"><p>该模型还可以通过仅分析屏幕视觉来调整行为，以匹配它从未遇到过的任务——不访问内部游戏数据。</p>
</div><h2>How Does SIMA 2 Work Across Games It Has Never Seen?</h2>
<div class="lb-trans"><h2>SIMA 2 如何在未见过的游戏中工作？</h2>
</div><p>During tests, SIMA 2 solved significantly more tasks in unfamiliar environments, including MineDojo and ASKA.</p>
<div class="lb-trans"><p>在测试中，SIMA 2 在不熟悉的环境中解决了显著更多的任务，包括 MineDojo 和 ASKA。</p>
</div><p>Success rates ranged between 45 and 75%, compared with SIMA 1’s 15 to 30% in the same settings.</p>
<div class="lb-trans"><p>成功率在 45% 到 75% 之间，而 SIMA 1 在相同环境中的成功率为 15% 到 30%。</p>
</div><p>Across all benchmarks, the newer agent completed 65% of tasks, more than double SIMA 1’s 31%.</p>
<div class="lb-trans"><p>在所有基准测试中，新代理完成了 65% 的任务，是 SIMA 1 的 31% 的两倍多。</p>
</div><blockquote>
<p>SIMA 1 learned 600+ in game skills by watching the screen and using a virtual keyboard and mouse.</p>
<p>Now SIMA 2 goes past simple instructions.</p>
<p>With Gemini at its core it can understand your goal, think through it, and take actions inside complex 3D worlds. pic.twitter.com/HrLiTVcYl0</p>
<p>— CHRIS FIRST (@chrisfirst) November 13, 2025</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>SIMA 1 通过观察屏幕和使用虚拟键盘和鼠标学习了 600 多项游戏技能。</p>
<p>现在 SIMA 2 超越了简单指令。</p>
<p>以 Gemini 为核心，它能够理解你的目标，思考并在复杂的 3D 世界中采取行动。 pic.twitter.com/HrLiTVcYl0</p>
<p>— CHRIS FIRST (@chrisfirst) 2025 年 11 月 13 日</p>
</blockquote>
</div><p>DeepMind found that SIMA 2 could transfer concepts from one game to another—for instance, treating “harvesting” in a building game as similar to “mining” in an exploration game.</p>
<div class="lb-trans"><p>DeepMind 发现 SIMA 2 能够将一个游戏中的概念转移到另一个游戏中——例如，将建筑游戏中的 “收获” 视为与探索游戏中的 “采矿” 相似。</p>
</div><p>That level of abstraction is one of the features researchers hope could eventually translate into robotics.</p>
<div class="lb-trans"><p>这种抽象能力是研究人员希望最终能够转化为机器人技术的特征之一。</p>
</div><p>Joe Marino, a research scientist at DeepMind, said even basic actions require layered reasoning.</p>
<div class="lb-trans"><p>DeepMind 的研究科学家 Joe Marino 表示，即使是基本动作也需要分层推理。</p>
</div><blockquote>
<p>“It’s a really complex set of tasks you need to solve to progress.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“这是一个非常复杂的任务集，你需要解决这些任务才能进展。”</p>
</blockquote>
</div><p>The multi-step challenges found in games mirror the sequential and complex demands required for tasks in physical robotics.</p>
<div class="lb-trans"><p>游戏中的多步骤挑战反映了物理机器人任务所需的顺序和复杂要求。</p>
</div><h2>Learning Through Experience, Not Just Human Demonstrations</h2>
<div class="lb-trans"><h2>通过经验学习，而不仅仅是人类示范</h2>
</div><p>SIMA 2’s training began with human gameplay footage across eight commercial titles, including No Man’s Sky and Goat Simulator 3, as well as three custom-built environments.</p>
<div class="lb-trans"><p>SIMA 2 的训练始于八个商业标题的人类游戏录像，包括《无人深空》和《山羊模拟器 3》，以及三个自定义构建的环境。</p>
</div><p>But the more notable advancement is the agent’s ability to improve without human-labelled data.</p>
<div class="lb-trans"><p>但更显著的进展是该代理在没有人类标记数据的情况下提高能力。</p>
</div><p>After initial demonstrations, the system switched to self-directed learning.</p>
<div class="lb-trans"><p>在初步演示后，系统转向自我指导学习。</p>
</div><p><img src="https://imageproxy.pbkrs.com/https://image.coinlive.com/cryptotwits-static/e2a150baccdca551e807c6e43512021e.png" alt="" original-src="https://image.coinlive.com/cryptotwits-static/e2a150baccdca551e807c6e43512021e.png"/></p>
<p>Gemini generated new tasks, evaluated SIMA 2’s attempts, and provided tips after each failure.</p>
<div class="lb-trans"><p>Gemini 生成了新任务，评估 SIMA 2 的尝试，并在每次失败后提供建议。</p>
</div><p>Over repeated attempts, SIMA 2 adjusted behaviour and produced its own trajectory data, forming a loop that helped it refine skills autonomously.</p>
<div class="lb-trans"><p>经过多次尝试，SIMA 2 调整了行为并生成了自己的轨迹数据，形成了一个帮助其自主完善技能的循环。</p>
</div><h2>Testing SIMA 2 Inside Worlds Generated From A Single Image</h2>
<div class="lb-trans"><h2>在由单一图像生成的世界中测试 SIMA 2</h2>
</div><p>DeepMind also tested SIMA 2 in experimental worlds created by Genie 3, a project that can generate 3D environments from just one image or text prompt.</p>
<div class="lb-trans"><p>DeepMind 还在由 Genie 3 创建的实验性世界中测试了 SIMA 2，该项目可以仅通过一张图像或文本提示生成 3D 环境。</p>
</div><blockquote>
<p>SIMA 2 🤝 Genie 3</p>
<p>We tested SIMA 2’s abilities in simulated 3D worlds created by our world model Genie 3.</p>
<p>It demonstrated unprecedented adaptability by navigating its surroundings and took meaningful steps toward goals. pic.twitter.com/9M9bVMqD6e</p>
<p>— Google DeepMind (@GoogleDeepMind) November 13, 2025</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>SIMA 2 🤝 Genie 3</p>
<p>我们在由我们的世界模型 Genie 3 创建的模拟 3D 世界中测试了 SIMA 2 的能力。</p>
<p>它展示了前所未有的适应能力，能够导航其周围环境，并朝着目标采取有意义的步骤。 pic.twitter.com/9M9bVMqD6e</p>
<p>— Google DeepMind (@GoogleDeepMind) 2025 年 11 月 13 日</p>
</blockquote>
</div><p>Dropped into these unfamiliar worlds moments after they were formed, the agent was able to orient itself, interpret goals, and take meaningful actions—behaviour that researchers say they did not observe in SIMA 1.</p>
<div class="lb-trans"><p>在这些陌生的世界中，代理在形成后不久就被投放进去，能够自我定位、理解目标并采取有意义的行动——研究人员表示这种行为在 SIMA 1 中并未观察到。</p>
</div><p>Marino called this adaptability a “fundamental” step toward AGI and future robotics: a flexible agent that can navigate, use tools, and collaborate with people in unpredictable environments.</p>
<div class="lb-trans"><p>Marino 称这种适应能力是朝着 AGI 和未来机器人技术的 “基础” 一步：一个能够在不可预测环境中导航、使用工具并与人类合作的灵活代理。</p>
</div><h2>How Far Can This Technology Go? Experts Weigh In</h2>
<div class="lb-trans"><h2>这项技术能走多远？专家们发表看法</h2>
</div><p>Some researchers say SIMA 2’s achievements stand out because controlling multiple games from raw visual input has long been a challenge.</p>
<div class="lb-trans"><p>一些研究人员表示，SIMA 2 的成就之所以突出，是因为从原始视觉输入控制多个游戏长期以来一直是一个挑战。</p>
</div><p>Julian Togelius, an AI researcher at New York University, noted that earlier attempts struggled, referencing previous multi-game systems such as GATO.</p>
<div class="lb-trans"><p>纽约大学的 AI 研究员 Julian Togelius 指出，早期的尝试遇到了困难，提到了之前的多游戏系统如 GATO。</p>
</div><blockquote>
<p>“Playing in real time from visual input only is ‘hard mode’.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“仅通过视觉输入实时游戏是 ‘困难模式’。”</p>
</blockquote>
</div><p>Others remain sceptical about its real-world impact.</p>
<div class="lb-trans"><p>其他人对其在现实世界中的影响持怀疑态度。</p>
</div><p>Matthew Guzdial from the University of Alberta said it is unsurprising that SIMA 2 performs well on many games, since most rely on similar keyboard and mouse controls.</p>
<div class="lb-trans"><p>阿尔伯塔大学的 Matthew Guzdial 表示，SIMA 2 在许多游戏中表现良好并不令人惊讶，因为大多数游戏依赖于类似的键盘和鼠标控制。</p>
</div><blockquote>
<p>“If you put a game with weird input in front of it, I don’t think it’d be able to perform well.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“如果你把一个输入奇怪的游戏放在它面前，我认为它无法表现良好。”</p>
</blockquote>
</div><blockquote>
<p>Damn. DeepMind's generalist AI agent SIMA 2 evolved from basic instruction-following to actual reasoning companion. Uses vision and keyboard/mouse like a human player, works across dozens of games without touching game code. The robotics angle is obvious - if you can generalize… pic.twitter.com/8OsE6g6qI9</p>
<p>— Bilawal Sidhu (@bilawalsidhu) November 13, 2025</p>
</blockquote>
<div class="lb-trans"><p>哇。DeepMind 的通用人工智能代理 SIMA 2 从基本的指令跟随演变为真正的推理伴侣。它像人类玩家一样使用视觉和键盘/鼠标，可以在不接触游戏代码的情况下在数十款游戏中工作。机器人技术的角度显而易见——如果你能进行概括…… pic.twitter.com/8OsE6g6qI9</p>
<blockquote>
<p>— Bilawal Sidhu (@bilawalsidhu) 2025 年 11 月 13 日</p>
</blockquote>
</div><p>He also questioned whether visual understanding learned in games would transfer smoothly to physical robots, where camera data is far messier than video game graphics.</p>
<div class="lb-trans"><p>他还质疑在游戏中学习的视觉理解是否能顺利转移到物理机器人上，因为相机数据比视频游戏图形要复杂得多。</p>
</div><h2>What Still Limits SIMA 2 Today</h2>
<div class="lb-trans"><h2>目前仍限制 SIMA 2 的因素</h2>
</div><p>DeepMind openly acknowledges the system’s ongoing weaknesses.</p>
<div class="lb-trans"><p>DeepMind 公开承认该系统仍存在的弱点。</p>
</div><p>SIMA 2 struggles with very long, multi-step tasks and retains only short-term context to keep interactions responsive.</p>
<div class="lb-trans"><p>SIMA 2 在处理非常长的多步骤任务时表现不佳，仅保留短期上下文以保持互动的响应性。</p>
</div><p>Its simulated keyboard and mouse control is less precise than a human player’s, and its visual interpretation still fails in busy or cluttered 3D scenes.</p>
<div class="lb-trans"><p>其模拟的键盘和鼠标控制不如人类玩家精确，并且在繁忙或杂乱的 3D 场景中，其视觉解读仍然失败。</p>
</div><p>These gaps reveal how far current systems remain from general-purpose intelligence.</p>
<div class="lb-trans"><p>这些差距揭示了当前系统距离通用智能还有多远。</p>
</div><p>For now, SIMA 2 remains a research project available only to select academics and developers.</p>
<div class="lb-trans"><p>目前，SIMA 2 仍然是一个仅对特定学术界和开发者开放的研究项目。</p>
</div><h2>Could SIMA 2 Lead To Better Robots One Day?</h2>
<div class="lb-trans"><h2>SIMA 2 是否能在未来带来更好的机器人？</h2>
</div><p>DeepMind believes the skills SIMA 2 is learning—navigation, tool use, reasoning, collaboration—form the foundations of future general-purpose robots.</p>
<div class="lb-trans"><p>DeepMind 认为，SIMA 2 正在学习的技能——导航、工具使用、推理、协作——构成了未来通用机器人的基础。</p>
</div><p>The team hopes to combine SIMA’s trial-and-error learning with Genie 3’s limitless virtual worlds, creating an ongoing training loop where the agent continuously improves.</p>
<div class="lb-trans"><p>团队希望将 SIMA 的试错学习与 Genie 3 的无限虚拟世界结合起来，创建一个持续的训练循环，使代理不断改进。</p>
</div><p>Marino said,</p>
<div class="lb-trans"><p>Marino 说，</p>
</div><blockquote>
<p>“We’ve kind of just scratched the surface of what’s possible.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“我们只是刚刚触及可能性的表面。”</p>
</blockquote>
</div><p>The virtual learning environments might eventually bridge the gap between simulation and physical robotics.</p>
<div class="lb-trans"><p>虚拟学习环境最终可能会弥合模拟与物理机器人之间的差距。</p>
</div>

DeepMind 的 SIMA 2 利用 Gemini AI 进行游戏、在复杂的虚拟世界中导航，并像人类玩家一样处理多步骤任务