在通往通用人工智能（AGI）的漫漫征途上，Google DeepMind投下了一枚极具分量的探路石。
该公司近日，以研究预览的形式，发布了其最新的多模态智能体——SIMA 2。
这并非又一次在特定任务上的性能刷新。SIMA 2的核心突破，在于它展现出了一种更接近于“通用智能”的、两个关键的、更高层级的能力：
-
在新环境中，零样本（Zero-shot）地，完成复杂的、从未见过的指令。
-
在没有人类持续“喂养”数据的情况下，实现能力的“自我改进”。
SIMA 2的训练起点，与其前身SIMA 1类似，都是通过观看和学习数-百小时的人类玩视频游戏的录像，来进行预训练。
但其真正的革命性，在于它首次，引入了一个“自我生成数据”的、可持续的、闭环的学习循环。
这个循环的运作机制，精妙而高效：
-
进入一个全新的、未曾见过的虚拟环境后，SIMA 2系统，会首先调用一个独立的、专门用于“创造任务”的Gemini模型，根据当前环境的特点，批量地、创造性地，生成出成百上千个可能的、全新的任务指令。
-
SIMA 2会去尝试执行这些由AI自己生成的任务，并记录下其所有的行为轨迹。
-
一个内部的“奖励模型”，会对SIMA 2完成这些任务的表现，进行自动化的打分和评估。
-
那些被评为“高质量”的、成功的行为轨迹，会被自动地，筛选出来，并被用于对SIMA 2自身，进行下一轮的、持续的微调（Fine-tuning）。
这个闭环，从根本上，打破了传统AI训练，对于人类大规模、持续性数据标注的依赖。
AI，第一次，拥有了一个可以为自己“出题”，并从自己的“练习”中，自主学习和成长的能力。
这种“自我进化”的能力，带来了惊人的成果。
在《无人深空》（No Man’s Sky）等复杂的、开放世界的测试环境中，SIMA 2已经能够通过实时地“阅读”和“理解”环境中的文本、颜色和符号，来自主地，执行像“前往那栋红色的房屋”或者“去砍伐那棵长着蓝色叶子的树木”这类、需要多步推理和环境交互的复杂指令。
它甚至，可以理解由多个emoji（表情符号）组合而成的、非语言的、抽象的命令。
DeepMind在演示中，还将其与另一个前沿项目——生成式世界模型Genie——进行了结合。Genie可以即时地，为SIMA 2生成出照片般逼真的、全新的户外场景。而SIMA 2，则可以在这些“凭空创造”的世界中，准确地识别出长椅、树木、蝴蝶等不同的对象，并与之进行有意义的交互。
DeepMind的高级研究科学家Jane Wang指出，这种“看懂场景 → 推断目标 → 规划动作”的高层行为决策闭环，正是未来，要将虚拟世界中训练出的智能，成功地、无缝地，迁移到物理世界的实体机器人身上，所必需的、最核心的那个“大脑”模块。
但她也坦承，SIMA 2目前，还完全聚焦于这种高层级的“决策智能”。它不涉及任何关于机械关节、轮子或手臂的底层物理控制。
DeepMind同期，正在训练的、专注于物理控制的机器人基础模型，采用的是完全不同的技术路线。
未来，这两个分别专注于“大脑”和“身体”的项目，将如何进行最终的融合，目前，尚无定论。
爱力方的分析认为，SIMA 2的发布，其意义，已远超一个具体的产品或模型。
它更像是一次在虚拟世界中，进行的、关于“如何抵达AGI”的、一次重要的、方法论层面的**“彩排”**。
它清晰地，向我们展示了一条，不再仅仅依赖于“堆数据”和“堆算力”的、更为优雅和高效的、通往更通用智能的技术路径。
当AI，学会了如何为自己创造出无穷无尽的、高质量的“学习素材”时，它的进化速度，将不再受限于人类数据生产的物理瓶颈。
这场由DeepMind发起的、关于AI“自我进化”的实验，虽然目前仍处于研究预览阶段，但它所预演的，可能正是AGI最终诞生前的、那个最关键的“创世纪”时刻。
