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
Para peneliti Google DeepMind memperlihatkan melalui eksperimen empat agen AI yang berkolaborasi menyelesaikan tantangan Minecraft. Penelitian tersebut mengandalkan sistem Gemini 4 Argon yang diberikan satu tujuan utama, yaitu menyelesaikan pertarungan melawan Ender Dragon. Tidak seperti pemain manusia yang mengendalikan karakter langsung, setiap agen menjalankan aksi dengan instruksi pemrograman. Melalui metode ini, AI harus merencanakan tindakan sebelum menjalankan aktivitas permainan. Hasil akhirnya memberikan gambaran potensi AI untuk tugas panjang.
Penelitian Google DeepMind ini didokumentasikan dalam karya riset berjudul A team of Gemini 4 Argon agents beats Minecraft yang dikerjakan oleh Maxence Faldor, Satinder Singh, dan Roberta Raileanu. Makalah tersebut dirilis melalui arXiv pada 15 Oktober 2026. Dalam pengujiannya, para agen memasuki lingkungan Minecraft dengan peta acak. Mode permainan ditetapkan pada Easy, sementara penggunaan cheat tidak diizinkan. Tim pengembang eksperimen tidak memberikan pembagian peran untuk membantu setiap agen. Meski demikian, eksperimen dijalankan dalam sistem sandbox. Kondisi tersebut menjelaskan konteks keberhasilan yang dilaporkan.
Cara Agen AI Google DeepMind Menulis Ribuan Program Minecraft
Dalam menjalankan aktivitas Minecraft, setiap agen AI memanfaatkan library Mineflayer yang mendukung operasi pemain menggunakan kode. Melalui pustaka tersebut, agen mampu menentukan arah perjalanan, mengambil sumber daya, merakit item permainan, serta melakukan tindakan pertempuran. Saat menghadapi situasi tertentu, agen menyusun program JavaScript untuk melaksanakan tindakan karakter. Jika kode tidak menghasilkan tindakan yang diharapkan, sistem dapat memeriksa hasil eksekusi dan mencoba pendekatan pemrograman lain. Proses pemrograman berulang ini menunjukkan penerapan AI sebagai agen coding.
Selama eksperimen berlangsung, keempat agen menciptakan total 2.783 rangkaian kode. Banyaknya instruksi pemrograman tersebut menggambarkan banyaknya tindakan yang harus direncanakan. Kode yang digunakan tidak selalu berjalan tanpa kendala, karena sekitar 22 persen berakhir dengan kesalahan. Namun demikian, agen tetap dapat melanjutkan pekerjaan. Kemampuan menghadapi kegagalan ini memberikan gambaran menarik dalam penerapan pemrograman berbasis AI. Pada pekerjaan perangkat lunak profesional, keberhasilan membutuhkan pemeriksaan hasil. Dengan mempertimbangkan hal tersebut, pengawasan terhadap kualitas keluaran harus diperhatikan.
Strategi Pembagian Tugas dan Memori Bersama pada Agen AI
Keberhasilan eksperimen juga membutuhkan kerja sama antarsistem. Empat karakter yang dikendalikan AI berkomunikasi melalui percakapan dalam permainan serta memanfaatkan memori bersama. Melalui mekanisme tersebut, setiap agen bisa membagikan informasi penting mengenai kondisi lingkungan, ancaman musuh, serta tugas yang sedang dikerjakan. Pengaturan aktivitas tim muncul melalui keputusan para agen sendiri, bukan ditentukan melalui perintah khusus manusia. Pendekatan ini menjadi contoh penerapan kecerdasan kolektif berbasis perangkat lunak.
Salah satu bentuk kerja sama terjadi ketika pemain yang dikendalikan AI gagal bertahan. Dalam Minecraft, barang yang dibawa pemain mungkin harus diambil kembali. Karakter AI yang kehilangan barang berpeluang memberitahukan lokasi kematiannya kepada karakter yang masih beroperasi. Selanjutnya, anggota tim melakukan perjalanan menuju lokasi yang dilaporkan. Strategi ini berpotensi mempertahankan kemajuan permainan. Dalam proses permainan, para agen menggunakan komunikasi secara berulang. Pola komunikasi tersebut mendukung pengembangan sistem AI yang bekerja sebagai tim.
Ribuan Program dan Ratusan Kematian dalam Eksperimen Minecraft
Untuk mencapai tujuan akhir, para agen perlu melewati rangkaian pekerjaan panjang. Pada tahap awal, sistem menyiapkan perlengkapan awal untuk mendukung aktivitas eksplorasi. Selanjutnya, tim perlu menemukan sumber daya yang lebih sulit. Ketika menjelajahi dunia Minecraft, agen menemui hambatan navigasi. Untuk mempertahankan kemajuan, para agen mengubah rencana berdasarkan informasi baru. Pencapaian pada satu tahap dibutuhkan untuk membuka tahapan permainan lain. Rangkaian ketergantungan ini membuat Minecraft menjadi lingkungan pengujian yang menarik.
Pada akhirnya, para agen mampu menuntaskan pertarungan terakhir dalam waktu 27 jam dan 14 menit. Sepanjang proses menuju kemenangan, karakter yang dikendalikan AI mengalami 605 kematian. Angka tersebut menunjukkan masih adanya kesulitan pengambilan keputusan. Sebagian besar waktu tercurah pada upaya mengalahkan bos terakhir. Pendekatan yang dipilih para agen memanfaatkan penempatan blok sebagai pijakan untuk menghancurkan kristal yang mendukung pemulihan Ender Dragon. Cara yang dipilih AI memungkinkan tim mengatasi hambatan pertempuran. Namun demikian, jumlah kegagalan yang tinggi tetap menjadi catatan.
Biaya Komputasi dan Batas Eksperimen Minecraft Google DeepMind
Pencapaian sistem Gemini 4 Argon memerlukan pemrosesan model dalam jumlah besar. Berdasarkan perhitungan dalam penelitian, proses mencapai kemenangan diperkirakan menelan biaya sekitar 520 dolar AS menggunakan harga promosi awal model. Jika dihitung memakai harga reguler, jumlah tersebut diperkirakan mencapai sekitar 1.040 dolar AS. Perbedaan angka tersebut menunjukkan pentingnya memahami asumsi harga. Di luar kebutuhan finansial, pengoperasian selama lebih dari satu hari bergantung pada kemampuan memulihkan proses. Oleh sebab itu, keberhasilan tugas panjang tidak hanya diukur dari hasil akhir.
Hasil Google DeepMind perlu dipahami berdasarkan kondisi pengujiannya. Sebagai pertimbangan awal, permainan berlangsung dengan kesulitan yang lebih rendah sehingga risiko pertempuran tidak sama dengan tingkat Hard. Kedua, agen mengakses informasi permainan melalui antarmuka program, bukan mengandalkan penglihatan seperti manusia. Metode pengendalian tersebut 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 perlu menguji berbagai kondisi guna mengukur konsistensi agen.
Dampak Eksperimen Gemini 4 Argon bagi Perkembangan TEKNOLOGI
Hasil eksperimen agen AI dalam Minecraft memperlihatkan kemajuan menarik dalam bidang agen kecerdasan buatan. Berkat kemampuan menghasilkan 2.783 program JavaScript, berkoordinasi melalui komunikasi antarsistem, dan menyesuaikan tindakan berdasarkan hasil sebelumnya, keempat agen berhasil mengalahkan Ender Dragon. Namun demikian, 605 kematian serta keterbatasan pengujian pada mode Easy menjadi pengingat penting mengenai batas kemampuan AI. Seiring kemajuan kecerdasan buatan, penelitian ini membuka peluang penelitian koordinasi multiagen untuk pekerjaan dengan banyak tahapan saling bergantung. Menurut Anda, apakah kolaborasi beberapa agen kecerdasan buatan akan menjadi fondasi teknologi AI masa depan? Sampaikan pandangan Anda mengenai potensi kerja sama kecerdasan buatan dalam menyelesaikan tugas kompleks.
