<h2>谷歌 DeepMind 進一步推進虛擬智能，推出 SIMA 2</h2>
<p>谷歌 DeepMind 推出了 SIMA 2，這是一款升級版的 AI 代理，旨在在 3D 虛擬世界中獨立運作並進行推理，公司表示這使其更接近未來的真實世界機器人技術。</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>該代理基於去年的 SIMA 模型，但現在運行在谷歌的 Gemini AI 上，使其能夠進行規劃、解釋決策、通過經驗學習，並以原系統無法實現的方式與用户協作。</p>
<p>DeepMind 將 SIMA 2 描述為虛擬環境中的 “伴侶”——一種能夠對話、理解高層次目標並使用模擬鍵盤和鼠標控制執行任務的 AI。</p>
<p>該公司表示，</p>
<blockquote>
<p>“這是朝着人工通用智能（AGI）邁出的重要一步，對未來的機器人技術和 AI 具身化有重要影響。”</p>
</blockquote>
<h2>基於 Gemini 構建的更強大代理</h2>
<p>對 Gemini 的升級是 SIMA 2 進步的核心。</p>
<p>憑藉多模態能力，該代理可以實時響應文本、語音、草圖甚至表情符號，同時採取行動。</p>
<p>谷歌 DeepMind 在 X 上寫道：“SIMA 2 是我們在虛擬 3D 世界中最強大的 AI 代理……這意味着你可以通過文本、語音甚至圖像與它對話。”</p>
<blockquote>
<p>SIMA 2 是我們在虛擬 3D 世界中最強大的 AI 代理。👾🌐</p>
<p>由 Gemini 驅動，它超越了簡單指令的執行，能夠在互動環境中思考、理解並採取行動——這意味着你可以通過文本、語音甚至圖像與它對話。以下是如何實現的 🧵 pic.twitter.com/DuVWGJXW7W</p>
<p>— Google DeepMind (@GoogleDeepMind) 2025 年 11 月 13 日</p>
</blockquote>
<p>這種轉變使得代理能夠理解複雜指令、提出澄清問題，並描述其打算採取的步驟。</p>
<p>該模型還可以通過僅分析屏幕視覺來調整行為，以匹配它從未遇到過的任務——不訪問內部遊戲數據。</p>
<h2>SIMA 2 如何在未見過的遊戲中工作？</h2>
<p>在測試中，SIMA 2 在不熟悉的環境中解決了顯著更多的任務，包括 MineDojo 和 ASKA。</p>
<p>成功率在 45% 到 75% 之間，而 SIMA 1 在相同環境中的成功率為 15% 到 30%。</p>
<p>在所有基準測試中，新代理完成了 65% 的任務，是 SIMA 1 的 31% 的兩倍多。</p>
<blockquote>
<p>SIMA 1 通過觀察屏幕和使用虛擬鍵盤和鼠標學習了 600 多項遊戲技能。</p>
<p>現在 SIMA 2 超越了簡單指令。</p>
<p>以 Gemini 為核心，它能夠理解你的目標，思考並在複雜的 3D 世界中採取行動。 pic.twitter.com/HrLiTVcYl0</p>
<p>— CHRIS FIRST (@chrisfirst) 2025 年 11 月 13 日</p>
</blockquote>
<p>DeepMind 發現 SIMA 2 能夠將一個遊戲中的概念轉移到另一個遊戲中——例如，將建築遊戲中的 “收穫” 視為與探索遊戲中的 “採礦” 相似。</p>
<p>這種抽象能力是研究人員希望最終能夠轉化為機器人技術的特徵之一。</p>
<p>DeepMind 的研究科學家 Joe Marino 表示，即使是基本動作也需要分層推理。</p>
<blockquote>
<p>“這是一個非常複雜的任務集，你需要解決這些任務才能進展。”</p>
</blockquote>
<p>遊戲中的多步驟挑戰反映了物理機器人任務所需的順序和複雜要求。</p>
<h2>通過經驗學習，而不僅僅是人類示範</h2>
<p>SIMA 2 的訓練始於八個商業標題的人類遊戲錄像，包括《無人深空》和《山羊模擬器 3》，以及三個自定義構建的環境。</p>
<p>但更顯著的進展是該代理在沒有人類標記數據的情況下提高能力。</p>
<p>在初步演示後，系統轉向自我指導學習。</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 生成了新任務，評估 SIMA 2 的嘗試，並在每次失敗後提供建議。</p>
<p>經過多次嘗試，SIMA 2 調整了行為並生成了自己的軌跡數據，形成了一個幫助其自主完善技能的循環。</p>
<h2>在由單一圖像生成的世界中測試 SIMA 2</h2>
<p>DeepMind 還在由 Genie 3 創建的實驗性世界中測試了 SIMA 2，該項目可以僅通過一張圖像或文本提示生成 3D 環境。</p>
<blockquote>
<p>SIMA 2 🤝 Genie 3</p>
<p>我們在由我們的世界模型 Genie 3 創建的模擬 3D 世界中測試了 SIMA 2 的能力。</p>
<p>它展示了前所未有的適應能力，能夠導航其周圍環境，並朝着目標採取有意義的步驟。 pic.twitter.com/9M9bVMqD6e</p>
<p>— Google DeepMind (@GoogleDeepMind) 2025 年 11 月 13 日</p>
</blockquote>
<p>在這些陌生的世界中，代理在形成後不久就被投放進去，能夠自我定位、理解目標並採取有意義的行動——研究人員表示這種行為在 SIMA 1 中並未觀察到。</p>
<p>Marino 稱這種適應能力是朝着 AGI 和未來機器人技術的 “基礎” 一步：一個能夠在不可預測環境中導航、使用工具並與人類合作的靈活代理。</p>
<h2>這項技術能走多遠？專家們發表看法</h2>
<p>一些研究人員表示，SIMA 2 的成就之所以突出，是因為從原始視覺輸入控制多個遊戲長期以來一直是一個挑戰。</p>
<p>紐約大學的 AI 研究員 Julian Togelius 指出，早期的嘗試遇到了困難，提到了之前的多遊戲系統如 GATO。</p>
<blockquote>
<p>“僅通過視覺輸入實時遊戲是 ‘困難模式’。”</p>
</blockquote>
<p>其他人對其在現實世界中的影響持懷疑態度。</p>
<p>阿爾伯塔大學的 Matthew Guzdial 表示，SIMA 2 在許多遊戲中表現良好並不令人驚訝，因為大多數遊戲依賴於類似的鍵盤和鼠標控制。</p>
<blockquote>
<p>“如果你把一個輸入奇怪的遊戲放在它面前，我認為它無法表現良好。”</p>
</blockquote>
<p>哇。DeepMind 的通用人工智能代理 SIMA 2 從基本的指令跟隨演變為真正的推理伴侶。它像人類玩家一樣使用視覺和鍵盤/鼠標，可以在不接觸遊戲代碼的情況下在數十款遊戲中工作。機器人技術的角度顯而易見——如果你能進行概括…… pic.twitter.com/8OsE6g6qI9</p>
<blockquote>
<p>— Bilawal Sidhu (@bilawalsidhu) 2025 年 11 月 13 日</p>
</blockquote>
<p>他還質疑在遊戲中學習的視覺理解是否能順利轉移到物理機器人上，因為相機數據比視頻遊戲圖形要複雜得多。</p>
<h2>目前仍限制 SIMA 2 的因素</h2>
<p>DeepMind 公開承認該系統仍存在的弱點。</p>
<p>SIMA 2 在處理非常長的多步驟任務時表現不佳，僅保留短期上下文以保持互動的響應性。</p>
<p>其模擬的鍵盤和鼠標控制不如人類玩家精確，並且在繁忙或雜亂的 3D 場景中，其視覺解讀仍然失敗。</p>
<p>這些差距揭示了當前系統距離通用智能還有多遠。</p>
<p>目前，SIMA 2 仍然是一個僅對特定學術界和開發者開放的研究項目。</p>
<h2>SIMA 2 是否能在未來帶來更好的機器人？</h2>
<p>DeepMind 認為，SIMA 2 正在學習的技能——導航、工具使用、推理、協作——構成了未來通用機器人的基礎。</p>
<p>團隊希望將 SIMA 的試錯學習與 Genie 3 的無限虛擬世界結合起來，創建一個持續的訓練循環，使代理不斷改進。</p>
<p>Marino 説，</p>
<blockquote>
<p>“我們只是剛剛觸及可能性的表面。”</p>
</blockquote>
<p>虛擬學習環境最終可能會彌合模擬與物理機器人之間的差距。</p>

<p>DeepMind 發佈了 SIMA 2，這是一款由 Gemini AI 驅動的先進 AI 代理，能夠在 3D 虛擬世界中進行類人推理和獨立操作。它可以解讀複雜的指令，適應不熟悉的環境，並自主學習，這標誌着朝着人工通用智能（AGI）和未來機器人技術邁出了重要一步</p>

<h2>Google DeepMind Pushes Further Into Virtual Intelligence With SIMA 2</h2>
<div class="lb-trans"><h2>谷歌 DeepMind 進一步推進虛擬智能，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，這是一款升級版的 AI 代理，旨在在 3D 虛擬世界中獨立運作並進行推理，公司表示這使其更接近未來的真實世界機器人技術。</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>該代理基於去年的 SIMA 模型，但現在運行在谷歌的 Gemini AI 上，使其能夠進行規劃、解釋決策、通過經驗學習，並以原系統無法實現的方式與用户協作。</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 將 SIMA 2 描述為虛擬環境中的 “伴侶”——一種能夠對話、理解高層次目標並使用模擬鍵盤和鼠標控制執行任務的 AI。</p>
</div><p>The company said,</p>
<div class="lb-trans"><p>該公司表示，</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>“這是朝着人工通用智能（AGI）邁出的重要一步，對未來的機器人技術和 AI 具身化有重要影響。”</p>
</blockquote>
</div><h2>A More Capable Agent Built On Gemini</h2>
<div class="lb-trans"><h2>基於 Gemini 構建的更強大代理</h2>
</div><p>The upgrade to Gemini is central to SIMA 2’s progress.</p>
<div class="lb-trans"><p>對 Gemini 的升級是 SIMA 2 進步的核心。</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>憑藉多模態能力，該代理可以實時響應文本、語音、草圖甚至表情符號，同時採取行動。</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 上寫道：“SIMA 2 是我們在虛擬 3D 世界中最強大的 AI 代理……這意味着你可以通過文本、語音甚至圖像與它對話。”</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 是我們在虛擬 3D 世界中最強大的 AI 代理。👾🌐</p>
<p>由 Gemini 驅動，它超越了簡單指令的執行，能夠在互動環境中思考、理解並採取行動——這意味着你可以通過文本、語音甚至圖像與它對話。以下是如何實現的 🧵 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>這種轉變使得代理能夠理解複雜指令、提出澄清問題，並描述其打算採取的步驟。</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>該模型還可以通過僅分析屏幕視覺來調整行為，以匹配它從未遇到過的任務——不訪問內部遊戲數據。</p>
</div><h2>How Does SIMA 2 Work Across Games It Has Never Seen?</h2>
<div class="lb-trans"><h2>SIMA 2 如何在未見過的遊戲中工作？</h2>
</div><p>During tests, SIMA 2 solved significantly more tasks in unfamiliar environments, including MineDojo and ASKA.</p>
<div class="lb-trans"><p>在測試中，SIMA 2 在不熟悉的環境中解決了顯著更多的任務，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% 之間，而 SIMA 1 在相同環境中的成功率為 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>在所有基準測試中，新代理完成了 65% 的任務，是 SIMA 1 的 31% 的兩倍多。</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 通過觀察屏幕和使用虛擬鍵盤和鼠標學習了 600 多項遊戲技能。</p>
<p>現在 SIMA 2 超越了簡單指令。</p>
<p>以 Gemini 為核心，它能夠理解你的目標，思考並在複雜的 3D 世界中採取行動。 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 發現 SIMA 2 能夠將一個遊戲中的概念轉移到另一個遊戲中——例如，將建築遊戲中的 “收穫” 視為與探索遊戲中的 “採礦” 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>這種抽象能力是研究人員希望最終能夠轉化為機器人技術的特徵之一。</p>
</div><p>Joe Marino, a research scientist at DeepMind, said even basic actions require layered reasoning.</p>
<div class="lb-trans"><p>DeepMind 的研究科學家 Joe Marino 表示，即使是基本動作也需要分層推理。</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>“這是一個非常複雜的任務集，你需要解決這些任務才能進展。”</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>遊戲中的多步驟挑戰反映了物理機器人任務所需的順序和複雜要求。</p>
</div><h2>Learning Through Experience, Not Just Human Demonstrations</h2>
<div class="lb-trans"><h2>通過經驗學習，而不僅僅是人類示範</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 的訓練始於八個商業標題的人類遊戲錄像，包括《無人深空》和《山羊模擬器 3》，以及三個自定義構建的環境。</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>但更顯著的進展是該代理在沒有人類標記數據的情況下提高能力。</p>
</div><p>After initial demonstrations, the system switched to self-directed learning.</p>
<div class="lb-trans"><p>在初步演示後，系統轉向自我指導學習。</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 生成了新任務，評估 SIMA 2 的嘗試，並在每次失敗後提供建議。</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>經過多次嘗試，SIMA 2 調整了行為並生成了自己的軌跡數據，形成了一個幫助其自主完善技能的循環。</p>
</div><h2>Testing SIMA 2 Inside Worlds Generated From A Single Image</h2>
<div class="lb-trans"><h2>在由單一圖像生成的世界中測試 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 還在由 Genie 3 創建的實驗性世界中測試了 SIMA 2，該項目可以僅通過一張圖像或文本提示生成 3D 環境。</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>我們在由我們的世界模型 Genie 3 創建的模擬 3D 世界中測試了 SIMA 2 的能力。</p>
<p>它展示了前所未有的適應能力，能夠導航其周圍環境，並朝着目標採取有意義的步驟。 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>在這些陌生的世界中，代理在形成後不久就被投放進去，能夠自我定位、理解目標並採取有意義的行動——研究人員表示這種行為在 SIMA 1 中並未觀察到。</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 稱這種適應能力是朝着 AGI 和未來機器人技術的 “基礎” 一步：一個能夠在不可預測環境中導航、使用工具並與人類合作的靈活代理。</p>
</div><h2>How Far Can This Technology Go? Experts Weigh In</h2>
<div class="lb-trans"><h2>這項技術能走多遠？專家們發表看法</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>一些研究人員表示，SIMA 2 的成就之所以突出，是因為從原始視覺輸入控制多個遊戲長期以來一直是一個挑戰。</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>紐約大學的 AI 研究員 Julian Togelius 指出，早期的嘗試遇到了困難，提到了之前的多遊戲系統如 GATO。</p>
</div><blockquote>
<p>“Playing in real time from visual input only is ‘hard mode’.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“僅通過視覺輸入實時遊戲是 ‘困難模式’。”</p>
</blockquote>
</div><p>Others remain sceptical about its real-world impact.</p>
<div class="lb-trans"><p>其他人對其在現實世界中的影響持懷疑態度。</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>阿爾伯塔大學的 Matthew Guzdial 表示，SIMA 2 在許多遊戲中表現良好並不令人驚訝，因為大多數遊戲依賴於類似的鍵盤和鼠標控制。</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>“如果你把一個輸入奇怪的遊戲放在它面前，我認為它無法表現良好。”</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 從基本的指令跟隨演變為真正的推理伴侶。它像人類玩家一樣使用視覺和鍵盤/鼠標，可以在不接觸遊戲代碼的情況下在數十款遊戲中工作。機器人技術的角度顯而易見——如果你能進行概括…… 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>他還質疑在遊戲中學習的視覺理解是否能順利轉移到物理機器人上，因為相機數據比視頻遊戲圖形要複雜得多。</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 公開承認該系統仍存在的弱點。</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 在處理非常長的多步驟任務時表現不佳，僅保留短期上下文以保持互動的響應性。</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>其模擬的鍵盤和鼠標控制不如人類玩家精確，並且在繁忙或雜亂的 3D 場景中，其視覺解讀仍然失敗。</p>
</div><p>These gaps reveal how far current systems remain from general-purpose intelligence.</p>
<div class="lb-trans"><p>這些差距揭示了當前系統距離通用智能還有多遠。</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 仍然是一個僅對特定學術界和開發者開放的研究項目。</p>
</div><h2>Could SIMA 2 Lead To Better Robots One Day?</h2>
<div class="lb-trans"><h2>SIMA 2 是否能在未來帶來更好的機器人？</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 認為，SIMA 2 正在學習的技能——導航、工具使用、推理、協作——構成了未來通用機器人的基礎。</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>團隊希望將 SIMA 的試錯學習與 Genie 3 的無限虛擬世界結合起來，創建一個持續的訓練循環，使代理不斷改進。</p>
</div><p>Marino said,</p>
<div class="lb-trans"><p>Marino 説，</p>
</div><blockquote>
<p>“We’ve kind of just scratched the surface of what’s possible.”</p>
</blockquote>
<div class="lb-trans"><blockquote>
<p>“我們只是剛剛觸及可能性的表面。”</p>
</blockquote>
</div><p>The virtual learning environments might eventually bridge the gap between simulation and physical robotics.</p>
<div class="lb-trans"><p>虛擬學習環境最終可能會彌合模擬與物理機器人之間的差距。</p>
</div>

DeepMind 的 SIMA 2 利用 Gemini AI 進行遊戲、在複雜的虛擬世界中導航，並像人類玩家一樣處理多步驟任務