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.
Empat Agen Gemini 4 Argon Berhasil Mengalahkan Ender Dragon
Sekelompok ilmuwan dari Google DeepMind memperlihatkan melalui eksperimen empat agen AI yang menjalankan misi permainan Minecraft secara otonom. Penelitian tersebut menggunakan model Gemini 4 Argon yang ditugaskan mencapai satu sasaran, yaitu menyelesaikan pertarungan melawan Ender Dragon. Tidak seperti pemain manusia yang mengendalikan karakter langsung, setiap agen mengoperasikan karakter melalui kode program. Berkat mekanisme pengendalian tersebut, AI harus merencanakan tindakan sebelum mengambil sumber daya. Keberhasilan yang dilaporkan memberikan gambaran potensi AI untuk tugas panjang.
Penelitian Google DeepMind ini dipaparkan melalui publikasi penelitian berjudul A team of Gemini 4 Argon agents beats Minecraft yang ditulis oleh Maxence Faldor, Satinder Singh, dan Roberta Raileanu. Dokumen ilmiah tersebut dipublikasikan pada 15 Oktober 2026. Pada pelaksanaan eksperimen, para agen menggunakan dunia permainan survival yang belum dipilih sebelumnya. Mode permainan berada pada tingkat Easy, sementara fitur perintah curang tidak digunakan. Pengawas penelitian tidak menulis logika permainan khusus untuk mengatur pekerjaan karakter. Meski demikian, eksperimen tetap berlangsung di lingkungan pengujian terkontrol. Pengaturan penelitian ini membedakan demonstrasi dari permainan manusia biasa.
Teknologi Mineflayer Membantu Gemini Mengendalikan Karakter
Dalam menjalankan aktivitas Minecraft, setiap agen AI memanfaatkan library Mineflayer yang mendukung operasi pemain menggunakan kode. Melalui pustaka tersebut, agen mampu menentukan arah perjalanan, mengumpulkan material, merakit item permainan, serta menjalankan strategi pertahanan. Setiap kali membutuhkan tindakan, agen menulis rangkaian perintah pemrograman untuk menyelesaikan langkah permainan. Ketika instruksi menemui kesalahan, sistem dapat memeriksa hasil eksekusi dan menulis perbaikan. Proses pemrograman berulang ini memperlihatkan penggunaan bahasa pemrograman untuk bertindak secara otonom.
Sepanjang perjalanan menuju kemenangan, keempat agen menciptakan total 2.783 rangkaian kode. Banyaknya instruksi pemrograman tersebut menunjukkan tingginya kebutuhan pengendalian. Program yang ditulis masih menghadapi masalah eksekusi, karena sekitar 22 persen tidak menyelesaikan eksekusi dengan benar. Namun demikian, agen mampu mencoba kembali melalui instruksi baru. Proses pemulihan tersebut memperlihatkan salah satu tantangan dalam pengembangan agen AI otonom. Dalam penggunaan nyata, kemampuan menulis kode saja belum cukup. Oleh sebab itu, mekanisme pengujian dan pemulihan tetap diperlukan.
Koordinasi Empat Agen Gemini dalam Menyelesaikan Minecraft
Hasil permainan tersebut juga membutuhkan kerja sama antarsistem. Empat karakter yang dikendalikan AI berkomunikasi melalui percakapan dalam permainan serta memanfaatkan memori bersama. Dengan menggunakan komunikasi ini, setiap agen mampu melaporkan perkembangan mengenai kondisi lingkungan, risiko di wilayah tertentu, serta kebutuhan bantuan dari anggota lain. Penentuan pekerjaan berkembang selama interaksi berlangsung, bukan ditentukan melalui perintah khusus manusia. Sistem kerja sama tersebut menjadi contoh penerapan kecerdasan kolektif berbasis perangkat lunak.
Penerapan komunikasi praktis terlihat ketika karakter mengalami kematian. Pada mekanisme permainan tersebut, barang yang dimiliki sebelum kematian dapat terjatuh di lokasi tertentu. Sistem yang baru mengalami kegagalan berpeluang memberitahukan lokasi kematiannya kepada agen lain dalam permainan. Selanjutnya, anggota tim melakukan perjalanan menuju lokasi yang dilaporkan. Strategi ini memungkinkan sumber daya digunakan kembali. Dalam proses permainan, para agen menggunakan komunikasi secara berulang. Pola komunikasi tersebut mendukung pengembangan sistem AI yang bekerja sebagai tim.
Perjalanan Agen AI Mengalahkan Ender Dragon dalam 27 Jam
Untuk mencapai tujuan akhir, para agen harus menyelesaikan banyak tahapan. Ketika permainan dimulai, para agen mengumpulkan bahan dasar untuk membuat peralatan. Pada langkah berikutnya, tim perlu menemukan sumber daya yang lebih sulit. Dalam proses tersebut, agen menghadapi berbagai ancaman. Untuk mempertahankan kemajuan, para agen mengubah rencana berdasarkan informasi baru. Hasil dari sebuah pekerjaan dibutuhkan untuk membuka tahapan permainan lain. Hubungan antartugas semacam ini membuat Minecraft menjadi lingkungan pengujian yang menarik.
Setelah melewati berbagai tahapan, para agen menyelesaikan sasaran utama permainan dalam 27 jam 14 menit. Selama perjalanan tersebut, karakter yang dikendalikan AI tercatat mati sebanyak 605 kali. Angka tersebut menunjukkan masih adanya kesulitan pengambilan keputusan. Sebagian besar waktu tercurah pada upaya mengalahkan bos terakhir. Salah satu solusi yang ditemukan melibatkan pembangunan struktur tanah untuk menjangkau kristal penyembuh naga. Strategi tersebut memungkinkan tim mengatasi hambatan pertempuran. Meski kemenangan berhasil diperoleh, jumlah kegagalan yang tinggi tetap menjadi catatan.
Mengukur Efisiensi dan Keandalan Agen AI dalam Permainan
Hasil eksperimen Google DeepMind tidak terlepas dari penggunaan sumber daya AI. Dalam evaluasi penggunaan model, proses mencapai kemenangan memerlukan pengeluaran sekitar 520 dolar AS menggunakan tarif pengenalan yang dijadikan acuan. Dalam skema harga normal, jumlah tersebut diperkirakan mencapai sekitar 1.040 dolar AS. Perbedaan angka tersebut menunjukkan pentingnya memahami asumsi harga. Pada sisi sumber daya, pengoperasian selama lebih dari satu hari memerlukan kestabilan sistem. Oleh sebab itu, keberhasilan tugas panjang tidak hanya diukur dari hasil akhir.
Eksperimen tersebut tetap menyisakan keterbatasan. Pertama, permainan dijalankan pada tingkat Easy sehingga hasilnya belum tentu langsung berlaku pada semua tingkat kesulitan. Selain itu, agen memperoleh data lingkungan menggunakan Mineflayer, bukan memproses tampilan visual sebagaimana pemain biasa. Metode pengendalian tersebut dapat memberikan detail lingkungan yang sulit dilihat pemain manusia. Tidak kalah penting, eksperimen tidak menunjukkan bahwa seluruh pengujian akan berakhir sama. Karena itu, penelitian lanjutan sebaiknya membandingkan tingkat kesulitan berbeda guna mengetahui batas kemampuan sebenarnya.
Masa Depan AI Otonom setelah Eksperimen Minecraft
Pencapaian tim Gemini 4 Argon menunjukkan perkembangan penting dalam pengembangan sistem AI otonom. Berkat kemampuan menghasilkan 2.783 program JavaScript, mengatur tugas tanpa penugasan manusia, dan memperbaiki strategi ketika menghadapi hambatan, keempat agen menuntaskan tujuan utama eksperimen. Meski pencapaian tersebut penting, 605 kematian serta penggunaan sumber daya komputasi yang besar memperlihatkan kebutuhan pengembangan lanjutan. Seiring kemajuan kecerdasan buatan, penelitian ini dapat menjadi acuan studi perencanaan jangka panjang untuk sistem otomatis yang membutuhkan pemulihan kesalahan. Bagaimana pendapat Anda, apakah sistem yang dapat menulis ribuan program sendiri akan menjadi fondasi teknologi AI masa depan? Bagikan pendapat Anda mengenai perkembangan agen AI.
