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.
Eksperimen Minecraft Google DeepMind Menunjukkan Kemajuan AI Otonom
Sekelompok ilmuwan dari Google DeepMind berhasil mendemonstrasikan empat agen AI yang berkolaborasi menyelesaikan tantangan Minecraft. Eksperimen ini memanfaatkan agen berbasis Gemini 4 Argon yang ditugaskan mencapai satu sasaran, yaitu menyelesaikan pertarungan melawan Ender Dragon. Tidak seperti pemain manusia yang mengendalikan karakter langsung, setiap agen mengontrol pemain menggunakan program yang ditulis sendiri. Dengan pendekatan tersebut, AI dituntut menentukan langkah sebelum mengambil sumber daya. Pencapaian eksperimen tersebut memberikan gambaran potensi AI untuk tugas panjang.
Penelitian Google DeepMind ini 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. 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 menentukan strategi permainan untuk mengatur pekerjaan karakter. Meski demikian, eksperimen dijalankan dalam sistem sandbox. Pengaturan penelitian ini menjelaskan konteks keberhasilan yang dilaporkan.
Teknologi Mineflayer Membantu Gemini Mengendalikan Karakter
Untuk mengendalikan permainan, setiap agen AI mengandalkan perangkat lunak Mineflayer yang memungkinkan pengendalian karakter melalui JavaScript. Dengan bantuan perangkat lunak ini, agen dapat menggerakkan karakter, mengumpulkan material, membuat peralatan, serta menghadapi musuh. Saat menghadapi situasi tertentu, agen menghasilkan instruksi melalui kode untuk menyelesaikan langkah permainan. Ketika instruksi menemui kesalahan, sistem berupaya memahami kegagalan program dan menyusun instruksi pengganti. Proses pemrograman berulang ini menjadi bagian penting keberhasilan eksperimen.
Dalam keseluruhan proses menyelesaikan permainan, keempat agen menciptakan total 2.783 rangkaian kode. Banyaknya instruksi pemrograman tersebut menggambarkan banyaknya tindakan yang harus direncanakan. Program yang ditulis masih menghadapi masalah eksekusi, karena sekitar 22 persen tidak menyelesaikan eksekusi dengan benar. Walaupun kesalahan cukup sering terjadi, agen tetap dapat melanjutkan pekerjaan. Situasi tersebut menjadi contoh penting dalam pengembangan agen AI otonom. Untuk penerapan di luar permainan, keberhasilan membutuhkan pemeriksaan hasil. Oleh sebab itu, penanganan kesalahan menjadi bagian penting.
Strategi Pembagian Tugas dan Memori Bersama pada Agen AI
Keberhasilan eksperimen tidak hanya bergantung pada kemampuan pemrograman. 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, hambatan yang ditemukan, serta tugas yang sedang dikerjakan. Pembagian peran berkembang selama interaksi berlangsung, bukan ditetapkan secara langsung oleh peneliti. Pendekatan ini memperlihatkan potensi kolaborasi AI.
Contoh koordinasi yang menarik terjadi ketika pemain yang dikendalikan AI gagal bertahan. Dalam Minecraft, barang yang tersimpan dalam inventaris karakter berpotensi tertinggal pada tempat kejadian. Agen yang mengalami kejadian tersebut dapat membagikan informasi koordinat kepada anggota tim lainnya. Setelah menerima informasi, anggota tim membantu memulihkan barang penting. Strategi ini memungkinkan sumber daya digunakan kembali. Dalam proses permainan, para agen juga bertukar ratusan pesan. 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 perlu melewati rangkaian pekerjaan panjang. Pada tahap awal, sistem menyiapkan perlengkapan awal untuk mendukung aktivitas eksplorasi. Selanjutnya, tim dituntut mencari material untuk membuka jalur berikutnya. Sepanjang tahap persiapan, agen menghadapi berbagai ancaman. Keempat sistem tersebut turut menggunakan temuan sebelumnya untuk menentukan tindakan. Hasil dari sebuah pekerjaan mempengaruhi pilihan tindakan selanjutnya. Hubungan antartugas semacam ini sesuai untuk mempelajari kemampuan agen menyelesaikan tugas kompleks.
Pada akhirnya, para agen berhasil mengalahkan Ender Dragon dalam durasi total 27 jam 14 menit. Dalam keseluruhan misi, karakter yang dikendalikan AI menghadapi total 605 kematian. Banyaknya kematian itu menunjukkan masih adanya kesulitan pengambilan keputusan. Hampir separuh durasi eksperimen dihabiskan dalam tahap pertarungan terakhir. Salah satu solusi yang ditemukan menggunakan tumpukan blok tanah untuk mengakses End Crystal yang berada di tempat tinggi. Taktik selama pertarungan memungkinkan tim mengatasi hambatan pertempuran. Walaupun tujuan akhirnya tercapai, hasil tersebut belum menunjukkan kemampuan bermain tanpa kesalahan.
Mengukur Efisiensi dan Keandalan Agen AI dalam Permainan
Keberhasilan agen AI memerlukan pemrosesan model dalam jumlah besar. Berdasarkan perhitungan dalam penelitian, proses mencapai kemenangan memerlukan pengeluaran sekitar 520 dolar AS menggunakan tarif pengenalan yang dijadikan acuan. Dalam skema harga normal, jumlah tersebut setara dengan perkiraan biaya 1.040 dolar AS. Perbedaan angka tersebut perlu diperhatikan ketika membandingkan biaya eksperimen. Di luar kebutuhan finansial, pengoperasian selama lebih dari satu hari bergantung pada kemampuan memulihkan proses. Oleh sebab itu, efisiensi komputasi juga perlu dievaluasi.
Eksperimen tersebut tetap menyisakan keterbatasan. Sebagai pertimbangan awal, permainan berlangsung dengan kesulitan yang lebih rendah sehingga risiko pertempuran tidak sama dengan tingkat Hard. Pertimbangan lainnya, agen mengakses informasi permainan melalui antarmuka program, bukan memproses tampilan visual sebagaimana pemain biasa. Informasi tersebut memungkinkan penggunaan informasi terstruktur dari permainan. Tidak kalah penting, eksperimen merupakan demonstrasi satu penyelesaian. Oleh sebab itu, penelitian lanjutan sebaiknya membandingkan tingkat kesulitan berbeda guna memahami keandalan strategi.
Kesimpulan Keberhasilan Agen AI Google DeepMind di Minecraft
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 memperbaiki strategi ketika menghadapi hambatan, keempat agen menuntaskan tujuan utama eksperimen. Namun demikian, 605 kematian serta penggunaan sumber daya komputasi yang besar memperlihatkan kebutuhan pengembangan lanjutan. Seiring kemajuan kecerdasan buatan, penelitian ini berpotensi mendukung pengembangan agen pemrograman untuk pekerjaan dengan banyak tahapan saling bergantung. Dari sudut pandang Anda, apakah agen AI yang mampu menamatkan Minecraft akan membantu otomatisasi pekerjaan digital? Bagikan pendapat Anda mengenai potensi kerja sama kecerdasan buatan dalam menyelesaikan tugas kompleks.
