Google DeepMind mencatat pencapaian menarik dalam pengembangan kecerdasan buatan setelah empat agen AI berbasis Gemini 4 Argon berhasil menamatkan Minecraft dengan mengalahkan Ender Dragon. Dalam eksperimen yang dipublikasikan pada 15 Oktober 2026, para agen tersebut menyelesaikan tantangan selama 27 jam 14 menit dengan menulis 2.783 program secara mandiri. Mereka bekerja sama, membagi tugas, mengumpulkan sumber daya, dan memperbaiki kesalahan tanpa arahan langsung manusia selama permainan. Meski mengalami 605 kematian karakter, sistem akhirnya mencapai tujuan. Pencapaian ini memperlihatkan perkembangan TEKNOLOGI agen AI dalam perencanaan jangka panjang, pemrograman otomatis, dan koordinasi antarsistem.
Google DeepMind Membuktikan Kemampuan Agen AI Menamatkan Minecraft
Tim riset kecerdasan buatan Google DeepMind memperlihatkan melalui eksperimen empat agen AI yang bekerja sama menamatkan Minecraft. Eksperimen ini mengandalkan sistem Gemini 4 Argon yang ditugaskan mencapai satu sasaran, yaitu menyelesaikan pertarungan melawan Ender Dragon. Jika dibandingkan dengan pengalaman bermain menggunakan keyboard, setiap agen mengoperasikan karakter melalui kode program. Berkat mekanisme pengendalian tersebut, AI harus merencanakan tindakan sebelum menggerakkan karakter. Hasil akhirnya memperlihatkan perkembangan agen pemrograman.
Uji kemampuan agen AI tersebut dijelaskan dalam makalah ilmiah berjudul A team of Gemini 4 Argon agents beats Minecraft yang ditulis oleh Maxence Faldor, Satinder Singh, dan Roberta Raileanu. Hasil penelitian itu dipublikasikan pada 15 Oktober 2026. Dalam pengujiannya, para agen menggunakan dunia permainan survival yang belum dipilih sebelumnya. Mode permainan ditetapkan pada Easy, sementara penggunaan cheat tidak diizinkan. Pengawas penelitian tidak menulis logika permainan khusus untuk membantu setiap agen. Walaupun berjalan secara otonom, eksperimen menggunakan infrastruktur penelitian yang diawasi. Kondisi tersebut penting untuk memahami hasil secara tepat.
Cara Agen AI Google DeepMind Menulis Ribuan Program Minecraft
Untuk mengendalikan permainan, setiap agen AI memanfaatkan library Mineflayer yang memungkinkan pengendalian karakter melalui JavaScript. Melalui pustaka tersebut, agen bisa mengendalikan aktivitas pemain, mengumpulkan material, merakit item permainan, serta menjalankan strategi pertahanan. Ketika hendak menyelesaikan pekerjaan, agen menyusun program JavaScript untuk menjalankan aktivitas yang direncanakan. Jika kode tidak menghasilkan tindakan yang diharapkan, sistem dapat memeriksa hasil eksekusi dan mencoba pendekatan pemrograman lain. Mekanisme pengendalian tersebut menjadi bagian penting keberhasilan eksperimen.
Dalam keseluruhan proses menyelesaikan permainan, keempat agen menghasilkan 2.783 program JavaScript. Jumlah tersebut menggambarkan banyaknya tindakan yang harus direncanakan. Program yang ditulis tidak semuanya langsung berhasil, karena sekitar 22 persen tidak menyelesaikan eksekusi dengan benar. Meski tingkat kegagalan program tergolong berarti, agen berupaya memperbaiki strategi. Kemampuan menghadapi kegagalan ini memberikan gambaran menarik dalam penerapan pemrograman berbasis AI. Dalam penggunaan nyata, kemampuan menulis kode saja belum cukup. Oleh sebab itu, mekanisme pengujian dan pemulihan tetap diperlukan.
Cara Agen Google DeepMind Berkomunikasi untuk Mencapai Tujuan
Hasil permainan tersebut juga membutuhkan kerja sama antarsistem. Keempat agen berkomunikasi melalui percakapan dalam permainan serta mengakses penyimpanan informasi kolektif. Melalui mekanisme tersebut, setiap agen bisa membagikan informasi penting mengenai rute perjalanan, risiko di wilayah tertentu, serta kebutuhan bantuan dari anggota lain. Pembagian peran muncul melalui keputusan para agen sendiri, bukan ditetapkan secara langsung oleh peneliti. Sistem kerja sama tersebut memperlihatkan potensi kolaborasi AI.
Penerapan komunikasi praktis terlihat ketika karakter mengalami kematian. Pada mekanisme permainan tersebut, barang yang tersimpan dalam inventaris karakter berpotensi tertinggal pada tempat kejadian. Sistem yang baru mengalami kegagalan dapat membagikan informasi koordinat kepada karakter yang masih beroperasi. Setelah menerima informasi, anggota tim membantu memulihkan barang penting. Bentuk kolaborasi tersebut berpotensi mempertahankan kemajuan permainan. Selama eksperimen, para agen juga bertukar ratusan pesan. Pola komunikasi tersebut memperlihatkan kebutuhan koordinasi antartugas.
Tantangan Google DeepMind Menyelesaikan Minecraft Secara Otonom
Untuk mencapai tujuan akhir, para agen dituntut memenuhi sejumlah persyaratan permainan. Pada tahap awal, sistem menyiapkan perlengkapan awal untuk membuat peralatan. Selanjutnya, tim harus mengakses lingkungan permainan berbeda. Dalam proses tersebut, agen menghadapi berbagai ancaman. Keempat sistem tersebut turut menggunakan temuan sebelumnya untuk menentukan tindakan. Setiap kemajuan dibutuhkan untuk membuka tahapan permainan lain. Karakteristik tersebut sesuai untuk mempelajari kemampuan agen menyelesaikan tugas kompleks.
Sesudah menjalankan serangkaian pekerjaan, para agen mampu menuntaskan pertarungan terakhir dalam 27 jam 14 menit. Sepanjang proses menuju kemenangan, karakter yang dikendalikan AI tercatat mati sebanyak 605 kali. Banyaknya kematian itu menunjukkan masih adanya kesulitan pengambilan keputusan. Hampir separuh durasi eksperimen digunakan untuk menghadapi Ender Dragon. Strategi yang digunakan pada tahap tersebut melibatkan pembangunan struktur tanah untuk mengakses End Crystal yang berada di tempat tinggi. Taktik selama pertarungan menjadi bagian penting dalam penyelesaian misi. Namun demikian, efisiensi agen masih memiliki ruang perbaikan.
Biaya Komputasi dan Batas Eksperimen Minecraft Google DeepMind
Hasil eksperimen Google DeepMind memerlukan pemrosesan model dalam jumlah besar. Berdasarkan perhitungan dalam penelitian, proses mencapai kemenangan memerlukan pengeluaran sekitar 520 dolar AS menggunakan harga promosi awal model. Dalam skema harga normal, jumlah tersebut diperkirakan mencapai sekitar 1.040 dolar AS. Variasi perhitungan biaya ini berkaitan dengan tarif layanan yang digunakan. Pada sisi sumber daya, pengoperasian selama lebih dari satu hari bergantung pada kemampuan memulihkan proses. Dengan mempertimbangkan karakteristiknya, keberhasilan tugas panjang tidak hanya diukur dari hasil akhir.
Eksperimen tersebut tetap menyisakan keterbatasan. Sebagai pertimbangan awal, permainan berlangsung dengan kesulitan yang lebih rendah sehingga hasilnya belum tentu langsung berlaku pada semua tingkat kesulitan. Kedua, agen membaca keadaan dunia melalui representasi terstruktur, bukan mengandalkan penglihatan seperti manusia. Akses data semacam ini dapat memberikan detail lingkungan yang sulit dilihat pemain manusia. Batasan berikutnya, eksperimen tidak menunjukkan bahwa seluruh pengujian akan berakhir sama. Untuk menilai kemampuan lebih luas, penelitian lanjutan sebaiknya membandingkan tingkat kesulitan berbeda guna mengukur konsistensi agen.
Masa Depan AI Otonom setelah Eksperimen Minecraft
Pencapaian tim Gemini 4 Argon memperlihatkan kemajuan menarik dalam penerapan pemrograman otomatis. Dengan menulis 2.783 program JavaScript, mengatur tugas tanpa penugasan manusia, dan memulihkan diri setelah berbagai kegagalan, keempat agen mampu menyelesaikan target permainan. Namun demikian, 605 kematian serta keterbatasan pengujian pada mode Easy menunjukkan bahwa sistem belum sempurna. Dalam perkembangan TEKNOLOGI, penelitian ini membuka peluang penelitian koordinasi multiagen untuk tugas perangkat lunak yang kompleks. Bagaimana pendapat Anda, apakah agen AI yang mampu menamatkan Minecraft akan menjadi fondasi teknologi AI masa depan? Bagikan pendapat Anda mengenai masa depan pemrograman otomatis.
