自分で考え，仮想3D世界で目的を達成する汎用AIエージェント「SIMA 2」発表。初代SIMAにGeminiを統合し，推論を可能に

　Google DeepMindは本日（2025年11月14日），3D仮想環境向けAIエージェント「SIMA」（Scalable Instructable Multiworld Agent）の後継モデル「SIMA 2」を発表した。
　仮想世界で人間の指示を理解するだけでなく，目標について考え，利用者と会話し，自ら学び成長することが可能だという。

記事中の画像はGoogle DeepMind公式ブログ（外部リンク）より

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

　SIMAは，幅広い仮想環境で基礎的な命令に従うことができる汎用型AIエージェントとして，2024年3月に発表された。ゲームをプレイさせることも可能である。
　Google DeepMindは，SIMAについて，言語を3D世界での意味ある行動に翻訳する方法を実現するための，重要なステップであったと説明した。


　その後継となるSIMA 2では，Geminiが統合され，SIMAが指示に従う存在から，一緒に遊ぶインタラクティブな仲間へと進化を果たしたという。
　初代SIMAでは，「左に曲がる」「はしごを登る」「マップを開く」といった600以上のスキルを学習し，人間のように画面を認識し，キーボードとマウスを操作する方法で行動していた。

　SIMA 2では，Geminiを中核に組み込み，指示の意味を考え，推論することを可能とした。さらに，人間によるデモ映像とGeminiが生成したラベルを組み合わせて学習させたことで，SIMA 2は自分がこれから何をするつもりなのか，どう目標を達成しようとしているのか，を説明できるようになったという。

　指示を理解する力や汎用性能も向上し，採掘という概念を，別のゲームでの収穫に応用できるなど，柔軟な認知能力の実現に近づいているそうだ。

初代SIMA（左）では，命令を素直に実行しようとするが，SIMA 2（右）では意味を理解して行動し，タスクを完了する

　Google DeepMindは，SIMA 2のもっとも画期的な点として，自己改善能力を挙げた。人間のデモから学習を始めたあと，自律的なプレイを通じて，新しいゲームのスキルを取得できる。
　つまり，人間のデータなしで新しい環境に適応できるのだという。

利用者が絵を描いて指示に使ったり，絵文字で指示したりしても理解できる

　また，ワールドモデル「Genie 3」を使った検証も行われ，これまで見たことない生成世界の中でも，SIMA 2は状況を把握し，利用者の指示を理解して，目的に沿った行動が取れるそうだ。


　今後の課題としては，長期的で複雑なタスクにおける多段階推論や，短期記憶の制約，マウスとキーボード操作の精密さ，複雑な3D視覚の理解の安定性などが挙げられた。