Google DeepMindのSIMA 2：Gemini搭載AIエージェントが仮想3D世界で示すAGIへの可能性

• SIMA 2は、インタラクティブな環境で行動を計画するための推論を統合し、基本的なコマンドを超えています。

• マルチモーダル入力によりコラボレーションを可能にし、仮想環境でのユーザー体験を向上させます。

• SIMA 1の31%からタスク成功率65%に向上し、Genie 3プロジェクトのデータを用いた新しい3Dワールドへの汎用性も優れています。

Google DeepMindのSIMA 2を発見せよ—仮想インタラクションを革新する推論AIエージェント。その能力、制限、AGIへの道筋を探求。AI進化の未来を形作る進展に追いつけ—専門家の洞察のために今すぐ読む。

Google DeepMindのSIMA 2とは何ですか？

SIMA 2は、Google DeepMindの最新AIエージェントで、仮想3D環境で自律的に動作します。人間のように考え、理解し、行動を実行します。Geminiモデルを基盤に、高レベルの目標を解釈し、複雑な推論を行い、テキスト、音声、画像による自然なインタラクションを実現。シンプルなスクリプト行動を超えています。3月に発売されたオリジナルSIMAからの進化で、経験を通じた学習と自己説明を強調し、より広範なAIアプリケーションへの重要な一歩です。

SIMA 2は以前のAIエージェントをどのように改善していますか？

SIMA 2は前世代の基礎スキルを基に高度な推論機能を追加し、DeepMindの発表によるとタスク完了率をSIMA 1の31%から65%に向上させ、より長く複雑なタスクを扱います。Google DeepMindの研究者はGeminiを統合し、ロジックプロンプトの処理、画面スケッチの解釈、絵文字への対応を可能にし、多様な仮想ワールド（Genie 3ツールで生成）への汎用性を高めました。このマルチモーダルインタラクション—テキスト、音声、視覚入力のサポート—は、ユーザーがタスク戦略について対話できるコラボラティブな感覚を生み、厳格なコマンドを減らします。DeepMindのテストでは、SIMA 2が全く新しい3D環境で方向付けをし、ゲーム間で学んだ概念を移行し、人間らしい熟練度で詳細な指示を実行しました。プロジェクトの専門家洞察は、現実世界への拡張可能性を強調しますが、メモリと多段階処理の制限はAI研究フレームワークに基づく改善領域です。外部研究とのリンクはありません。

よくある質問

SIMA 2の仮想環境での主な能力は何ですか？

SIMA 2はインタラクティブな3Dワールドで推論と行動に優れ、Geminiを活用して目標を理解し、ステップを計画し、テキスト、音声、画像によるコラボレーションを実現します。試行錯誤学習とフィードバックループにより高いタスク成功率を達成し、ナビゲーションやオブジェクト操作などの複雑な活動を、ゲーム内の人間らしいプレイスタイルで完了します。

SIMA 2はロボティクスとAGI開発に貢献できますか？

はい、SIMA 2はロボティクスへの転用可能なスキル（例: ナビゲーションと実体化行動）のテストベッドとして機能し、自己主導学習と説明により人工汎用知能（AGI）へ進展します。Google DeepMindはこれを基盤的なステップと見なし、汎用性と推論を強調し、即時アプリケーションを過度に約束しません。

主なポイント

• 高度な推論統合: SIMA 2はGeminiを使って行動を考え説明し、仮想ワールドでのタスク完了率を65%に向上。
• マルチモーダルインタラクション: テキスト、音声、画像入力に対応し、自然なコラボレーションを実現し、直接コマンドの必要性を減らす。
• 広範なAIへの道: 汎用性と自己学習の進展を強調し、将来のロボティクスとAGI研究に実用的洞察を提供。

結論

Google DeepMindのSIMA 2はAIエージェントの重要な進化を示し、仮想3D環境での推論、インタラクション、パフォーマンスを強化します。メモリ制約や多段階課題などのギャップに対処します。Geminiを活用した人間らしいコラボレーションにより、ロボティクスとAGIへのSIMA 2の能力の基盤を築きます。これは同社の発表で概説されています。AIが進化する中、これらの開発の更新を追うことは、技術の変革的ポテンシャルを理解する上で不可欠です。

SIMA 2 is our most capable AI agent for virtual 3D worlds. 👾🌐

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

— Google DeepMind (@GoogleDeepMind) November 13, 2025