Google DeepMindは2025年11月13日、次世代の汎用AIエージェント「SIMA 2」を発表した。 これは、同社の強力な基盤モデル「Gemini」を中核に据え、3D仮想世界で人間のように対話し、思考し、さらには自己改善する能力を持つ画期的なシステムだ。 単なる命令実行ツールから「思考する相棒」へと進化したSIMA 2は、汎用人工知能（AGI）や未来のロボティクスに向けた重要な一歩と位置づけられており、その技術的な深さと将来性が注目される。
「命令実行」から「思考する相棒」へ：Geminiがもたらした革命
2024年3月に発表された前モデル「SIMA」（Scalable Instructable Multiworld Agent）は、多様なビデオゲーム環境において、人間の言語指示に従う汎用エージェントとして画期的な一歩を示した。 SIMAはゲームの内部コードにアクセスすることなく、人間と同様に画面を見て、仮想キーボードとマウスを操作することで「はしごを登れ」といった約600種類の基本的なスキルを実行できた。
しかし、その能力はあくまで「指示に従う」範囲に留まっていた。DeepMindによれば、SIMA 1が複雑なタスクを完了できる成功率は31%に過ぎず、人間の71%には遠く及ばなかったという。
SIMA 2は、この根本的な課題を克服するために、その心臓部にGeminiモデル（具体的にはGemini 2.5 flash-lite）を統合した。 これにより、SIMA 2は単に言語を行動に変換するだけでなく、言語の背後にある「意図」を理解し、高レベルの目標達成のために複雑な推論を行う能力を獲得した。その性能はSIMA 1の2倍に向上したと報告されている。
推論する知性：AIが「意図」を理解する
SIMA 2の能力を象徴するのが、その推論能力だ。例えば、あるゲーム内で「熟したトマトの色の家まで歩いて」と指示された場合、SIMA 1では直接的な命令でないため混乱する可能性があった。しかしSIMA 2は、内部で「熟したトマトは赤い。つまり、赤い家に行けばよい」という思考プロセスを経て、正しく赤い家に向かうことができる。
これは、Geminiが持つ世界に関する広範な知識と論理的推論能力が、エージェントの行動決定に直接結びついた結果である。もはやAIは、プログラムされた動作を繰り返す存在ではない。与えられた状況と目標から、自ら中間的なステップを導き出し、行動を計画する知性を持ち始めたのだ。
さらに、その理解力はマルチモーダルに及ぶ。テキストだけでなく、「🪓🌲」という絵文字の並びを見て「木を斧で切り倒す」というタスクを正確に実行したり、ユーザーが画面上に描いたスケッチを解釈して行動したりすることも可能だ。
対話する能力：単なるツールを超えた存在
Geminiの統合は、対話能力にも革命をもたらした。SIMA 2はユーザーからの質問に答え、自らが何をしようとしているのか、そしてなぜそうするのかを言語で説明できる。
DeepMindが公開したデモでは、『No Man’s Sky』の世界でSIMA 2が周囲の岩石惑星の状況を説明し、次に何をすべきかを自ら判断して遭難信号ビーコンと対話する様子が示されている。 この対話は一方的な命令ではなく、人間とAIが協力してタスクを進める「コラボレーション」に近い。研究者らが「インタラクティブなゲーム仲間」と表現するように、SIMA 2との対話は、単なるツールを使役する感覚とは一線を画すものだ。
驚異の自己改善能力と汎化性能
SIMA 2における最も注目すべきブレークスルーの一つが、自己改善能力である。これは、AIが人間の追加データを必要とせずに、自らの経験から学習し、能力を向上させていく仕組みを指す。
人間の手を離れ、自ら学ぶAI
SIMA 1の学習は、完全に人間のプレイデータに依存していた。 一方、SIMA 2は人間のプレイデータを初期モデル構築の土台として利用するものの、そこから先は自律的な学習サイクルに入る。
このサイクルは、まず別のGeminiモデルがエージェントに新しいタスクを提案することから始まる。 次に、エージェントはそのタスクに挑戦し、その試行の成否を報酬モデル（これもGeminiベース）が評価する。 この「タスクの提案→試行→評価」という一連の自己生成的経験が新たな訓練データとなり、エージェントは自身の失敗から学び、徐々にパフォーマンスを向上させていく。
この能力により、SIMA 2はこれまで未経験のゲーム環境においても、人間による手本なしで新たなスキルを獲得できる。 これは、将来的に多様で予測不可能な現実世界で活動するAIにとって、不可欠な能力と言えるだろう。
未知のゲームさえも攻略する「汎化」の力
自己改善能力は、SIMA 2の驚異的な「汎化性能」にも繋がっている。汎化とは、学習した知識やスキルを、未知の新しい状況に応用する能力のことだ。
DeepMindは、SIMA 2をこれまで訓練データに含まれていない新しいゲーム、例えばバイキングサバイバルゲーム『ASKA』や、Minecraftの研究用実装である『MineDojo』でテストした。 その結果、タスク完了の成功率はSIMA 1の15〜30%に対し、SIMA 2は45〜75%へと劇的に向上した。
特筆すべきは、抽象的な概念を転移させる能力だ。あるゲームで学んだ「収穫（harvesting）」という概念を、別のゲームにおける「採掘（mining）」に応用するなど、SIMA 2はタスクの表面的な違いを超えて、その本質的な構造を理解していることを示唆している。 この能力こそ、人間の認知に見られる幅広い汎化能力の基礎であり、SIMA 2の性能が人間プレイヤーに大きく近づいた要因である。
AIが生成した世界で活動する：Genie 3との連携
SIMA 2の汎化能力を極限まで試すため、DeepMindはもう一つの先進的な研究プロジェクト「Genie 3」と組み合わせるという試みを行った。 Genie 3は、たった1枚の画像やテキストプロンプトから、操作可能な3Dの仮想世界をリアルタイムで生成できる「世界モデル」である。
SIMA 2を、Genie 3がその場で生成した全く未知の世界に投入したところ、エージェントは混乱することなく状況を把握し、ユーザーの指示を理解し、目標に向かって意味のある行動を取ることができた。 これは、SIMA 2が特定のゲームのルールやグラフィックに過剰適合しているのではなく、より普遍的な3D空間の理解と行動原則を獲得していることを示す強力な証拠だ。
SIMA 2はAGIへの道標となるか
DeepMindは、SIMA 2を単なるゲームAIではなく、「AGI（汎用人工知能）への重要な一歩」と明確に位置づけている。
ゲームはAGI開発の「壮大な訓練場」
なぜビデオゲームなのか。DeepMindのシニアスタッフリサーチサイエンティストであるジェーン・ワン氏は、ゲームがAIにとって「素晴らしい訓練場」であると語る。 3Dビデオゲームは、物理法則が単純化されつつも豊かでインタラクティブな環境を提供し、失敗のコストが低い安全なサンドボックスとなる。ここでAIにナビゲーション、道具の使用、計画立案、そして人間との協調といった基本的なスキルを学ばせることは、将来的にそれをより複雑な現実世界へ応用するための基礎を築くことに繋がる。
SIMA 2のような「身体を持つエージェント（Embodied Agent）」の研究は、まさにこの点を狙っている。カレンダーを操作したりコードを実行したりする非身体的なエージェントとは異なり、SIMA 2は仮想的な身体を通じて世界を認識し、行動する。このプロセスこそが、真の知性を育む上で不可欠だと研究者らは考えているのだ。
現実世界への応用と残された課題
SIMA 2で培われた技術は、将来的に汎用ロボットの開発に応用されることが期待されている。 例えば、家庭内のロボットに「戸棚に豆の缶詰がいくつあるか確認して」と頼む場合、ロボットは「戸棚」「豆の缶詰」といった概念を理解し、そこまで移動し、タスクを実行する必要がある。SIMA 2が取り組んでいるのは、まさにこの高レベルな理解と計画の部分である。
しかし、実用化への道はまだ長い。DeepMind自身もSIMA 2の限界を認めている。
- 長期計画能力の欠如: 多くのステップを要する複雑なタスクの計画は依然として困難。
- メモリの制約: 一度に処理できる文脈情報には限りがある。
- 精密操作の課題: 仮想マウス・キーボードによる精密な操作は不安定さが残る。
- 視覚的理解の限界: 複雑な3Dシーンを正確に認識する能力はまだ発展途上。
これらの課題は、現在のAI技術が真の汎用性を獲得するまでに、まだ多くのブレークスルーが必要であることを示している。
責任ある開発へのコミットメント
SIMA 2が持つ自己改善能力などの先進的な技術は、大きな可能性を秘める一方で、慎重な取り扱いが求められる。Google DeepMindはこの点を深く認識しており、責任ある開発を最優先事項として挙げている。
今回の発表は、製品リリースではなく、あくまで限定的なリサーチプレビューという形を取っている。アクセスは一部の学者やゲーム開発者に限定され、幅広いフィードバックを通じて技術的なリスクや社会的な影響を慎重に評価していく方針だ。
SIMA 2は、AIが仮想世界で人間とどのように関わり、成長していくかの未来像を垣間見せてくれる。それは、単なるゲームプレイヤーではなく、対話し、学び、協力するパートナーとしてのAIの姿だ。この研究がAGIという壮大な目標にどこまで迫れるのか、楽しみなところだ。
Sources
