Agen AI Google DeepMind Berhasil Menamatkan Minecraft dengan Menulis Ribuan Program Sendiri
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 berhasil mendemonstrasikan empat agen AI yang bekerja sama menamatkan Minecraft. Eksperimen ini menggunakan model Gemini 4 Argon yang diberikan satu tujuan utama, yaitu menaklukkan musuh terakhir Minecraft. Tidak seperti pemain manusia yang mengendalikan karakter langsung, setiap agen menjalankan aksi dengan instruksi pemrograman. Berkat mekanisme pengendalian tersebut, AI dituntut menentukan langkah sebelum menjalankan aktivitas permainan. Pencapaian eksperimen tersebut memperlihatkan perkembangan agen pemrograman.
Uji kemampuan agen AI tersebut dijelaskan dalam makalah ilmiah berjudul A team of Gemini 4 Argon agents beats Minecraft yang dikerjakan oleh Maxence Faldor, Satinder Singh, dan Roberta Raileanu. Dokumen ilmiah tersebut dipublikasikan pada 15 Oktober 2026. Pada pelaksanaan eksperimen, para agen memasuki lingkungan Minecraft dengan peta acak. Pengaturan tantangan berada pada tingkat Easy, sementara penggunaan cheat tidak diizinkan. Tim pengembang eksperimen tidak memberikan pembagian peran untuk membantu setiap agen. Meski demikian, eksperimen dijalankan dalam sistem sandbox. Pengaturan penelitian ini menjelaskan konteks keberhasilan yang dilaporkan.
Mekanisme Pemrograman Otomatis dalam Eksperimen Minecraft
Untuk mengendalikan permainan, setiap agen AI menggunakan pustaka sumber terbuka Mineflayer yang menyediakan antarmuka pemrograman untuk Minecraft. Berkat antarmuka Mineflayer, agen mampu menentukan arah perjalanan, mengambil sumber daya, menjalankan proses crafting, serta menghadapi musuh. Ketika hendak menyelesaikan pekerjaan, agen menulis rangkaian perintah pemrograman untuk menyelesaikan langkah permainan. Apabila program mengalami masalah, sistem dapat memeriksa hasil eksekusi dan mencoba pendekatan pemrograman lain. Kemampuan tersebut memperlihatkan penggunaan bahasa pemrograman untuk bertindak secara otonom.
Selama eksperimen berlangsung, keempat agen menghasilkan 2.783 program JavaScript. Jumlah tersebut menggambarkan banyaknya tindakan yang harus direncanakan. Kode yang digunakan masih menghadapi masalah eksekusi, karena sekitar 22 persen tidak menyelesaikan eksekusi dengan benar. Meski tingkat kegagalan program tergolong berarti, agen mampu mencoba kembali melalui instruksi baru. Situasi tersebut memberikan gambaran menarik dalam pembangunan sistem yang menjalankan tugas panjang. Untuk penerapan di luar permainan, keberhasilan membutuhkan pemeriksaan hasil. Dengan mempertimbangkan hal tersebut, penanganan kesalahan menjadi bagian penting.
Strategi Pembagian Tugas dan Memori Bersama pada Agen AI
Hasil permainan tersebut tidak hanya bergantung pada kemampuan pemrograman. Keempat agen menyampaikan pesan melalui fasilitas komunikasi permainan serta memanfaatkan memori bersama. Berkat sistem koordinasi tersebut, setiap agen mampu melaporkan perkembangan mengenai lokasi material, risiko di wilayah tertentu, serta kebutuhan bantuan dari anggota lain. Pembagian peran muncul melalui keputusan para agen sendiri, bukan dipaksakan melalui pembagian manual. Koordinasi multiagen tersebut menjadi contoh penerapan kecerdasan kolektif berbasis perangkat lunak.
Penerapan komunikasi praktis terlihat ketika karakter mengalami kematian. Ketika karakter mati di dunia survival, barang yang tersimpan dalam inventaris karakter dapat terjatuh di lokasi tertentu. Karakter AI yang kehilangan barang berpeluang memberitahukan lokasi kematiannya kepada agen lain dalam permainan. Setelah menerima informasi, anggota tim dapat mencoba mengambil perlengkapan yang tertinggal. Bentuk kolaborasi tersebut membantu mengurangi dampak kegagalan. Dalam proses permainan, para agen mengandalkan percakapan untuk menyesuaikan strategi. Hal tersebut memperlihatkan kebutuhan koordinasi antartugas.
Ribuan Program dan Ratusan Kematian dalam Eksperimen Minecraft
Untuk mencapai tujuan akhir, para agen harus menyelesaikan banyak tahapan. Pada tahap awal, sistem menyiapkan perlengkapan awal untuk mendukung aktivitas eksplorasi. Setelah kebutuhan dasar terpenuhi, tim perlu menemukan sumber daya yang lebih sulit. Sepanjang tahap persiapan, agen menemui hambatan navigasi. Keempat sistem tersebut turut mengubah rencana berdasarkan informasi baru. Setiap kemajuan sering menjadi syarat bagi langkah berikutnya. Rangkaian ketergantungan ini sesuai untuk mempelajari kemampuan agen menyelesaikan tugas kompleks.
Sesudah menjalankan serangkaian pekerjaan, para agen menyelesaikan sasaran utama permainan dalam 27 jam 14 menit. Dalam keseluruhan misi, karakter yang dikendalikan AI mengalami 605 kematian. Banyaknya kematian itu menunjukkan masih adanya kesulitan pengambilan keputusan. Porsi waktu yang cukup besar digunakan untuk menghadapi Ender Dragon. Pendekatan yang dipilih para agen melibatkan pembangunan struktur tanah untuk menghancurkan kristal yang mendukung pemulihan Ender Dragon. Taktik selama pertarungan menjadi bagian penting dalam penyelesaian misi. Walaupun tujuan akhirnya tercapai, jumlah kegagalan yang tinggi tetap menjadi catatan.
Biaya Komputasi dan Batas Eksperimen Minecraft Google DeepMind
Hasil eksperimen Google DeepMind tidak terlepas dari penggunaan sumber daya AI. Dalam evaluasi penggunaan model, proses mencapai kemenangan diperkirakan menelan biaya sekitar 520 dolar AS menggunakan harga promosi awal model. Apabila menggunakan tarif standar, jumlah tersebut diperkirakan mencapai sekitar 1.040 dolar AS. Variasi perhitungan biaya ini menunjukkan pentingnya memahami asumsi harga. Pada sisi sumber daya, pengoperasian selama lebih dari satu hari membutuhkan pengelolaan pekerjaan berkelanjutan. Dengan mempertimbangkan karakteristiknya, keberhasilan tugas panjang tidak hanya diukur dari hasil akhir.
Penelitian ini memiliki sejumlah batasan. Pertama, permainan menggunakan pengaturan kesulitan Easy sehingga tantangannya berbeda dari mode lebih sulit. Selain itu, agen memperoleh data lingkungan menggunakan Mineflayer, bukan memproses tampilan visual sebagaimana pemain biasa. Akses data semacam ini berbeda dari pengalaman yang mengandalkan gambar layar. Ketiga, eksperimen tidak menunjukkan bahwa seluruh pengujian akan berakhir sama. Karena itu, penelitian lanjutan perlu menguji berbagai kondisi guna mengukur konsistensi agen.
Kesimpulan Keberhasilan Agen AI Google DeepMind di Minecraft
Pencapaian tim Gemini 4 Argon memperlihatkan kemajuan menarik dalam penerapan pemrograman otomatis. Melalui pembuatan 2.783 program JavaScript, mengatur tugas tanpa penugasan manusia, dan menyesuaikan tindakan berdasarkan hasil sebelumnya, keempat agen mampu menyelesaikan target permainan. Namun demikian, 605 kematian serta penggunaan sumber daya komputasi yang besar memperlihatkan kebutuhan pengembangan lanjutan. Di tengah pertumbuhan sistem agen otonom, penelitian ini dapat menjadi acuan studi perencanaan jangka panjang untuk sistem otomatis yang membutuhkan pemulihan kesalahan. Dari sudut pandang Anda, apakah kolaborasi beberapa agen kecerdasan buatan akan menjadi fondasi teknologi AI masa depan? Bagikan pendapat Anda mengenai perkembangan agen AI.
