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 bekerja sama menamatkan Minecraft. Eksperimen ini 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. Dengan pendekatan tersebut, AI perlu menyusun strategi sebelum menggerakkan karakter. Pencapaian eksperimen tersebut 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 ditulis oleh Maxence Faldor, Satinder Singh, dan Roberta Raileanu. Dokumen ilmiah tersebut tersedia sebagai makalah penelitian sejak 15 Oktober 2026. Dalam pengujiannya, para agen ditempatkan dalam dunia survival yang dibuat secara acak. Pengaturan tantangan berada pada tingkat Easy, sementara penggunaan cheat tidak diizinkan. Tim pengembang eksperimen tidak memberikan pembagian peran untuk mengatur pekerjaan karakter. Kendati tidak diarahkan selama permainan, eksperimen tetap berlangsung di lingkungan pengujian terkontrol. Pengaturan penelitian ini membedakan demonstrasi dari permainan manusia biasa.
Teknologi Mineflayer Membantu Gemini Mengendalikan Karakter
Untuk mengendalikan permainan, setiap agen AI menggunakan pustaka sumber terbuka Mineflayer yang mendukung operasi pemain menggunakan kode. Berkat antarmuka Mineflayer, agen mampu menentukan arah perjalanan, mengambil sumber daya, merakit item permainan, serta menghadapi musuh. Setiap kali membutuhkan tindakan, agen menghasilkan instruksi melalui kode untuk menjalankan aktivitas yang direncanakan. Jika kode tidak menghasilkan tindakan yang diharapkan, sistem dapat memeriksa hasil eksekusi dan menyusun instruksi pengganti. Kemampuan tersebut menjadi bagian penting keberhasilan eksperimen.
Selama eksperimen berlangsung, keempat agen menciptakan total 2.783 rangkaian kode. Ribuan program yang dihasilkan memperlihatkan kompleksitas pekerjaan. Kode yang digunakan masih menghadapi masalah eksekusi, karena sekitar 22 persen mengalami error ketika dijalankan. Walaupun kesalahan cukup sering terjadi, agen berupaya memperbaiki strategi. Situasi tersebut memperlihatkan salah satu tantangan dalam pembangunan sistem yang menjalankan tugas panjang. Untuk penerapan di luar permainan, keberhasilan membutuhkan pemeriksaan hasil. Oleh sebab itu, mekanisme pengujian dan pemulihan tetap diperlukan.
Koordinasi Empat Agen Gemini dalam Menyelesaikan Minecraft
Pencapaian yang dilaporkan Google DeepMind tidak hanya bergantung pada kemampuan pemrograman. Empat karakter yang dikendalikan AI berkomunikasi melalui percakapan dalam permainan serta berbagi catatan pekerjaan. Berkat sistem koordinasi tersebut, setiap agen dapat menyampaikan temuan mengenai rute perjalanan, ancaman musuh, serta pekerjaan yang telah selesai. Pembagian peran muncul melalui keputusan para agen sendiri, bukan ditentukan melalui perintah khusus manusia. Pendekatan ini memperlihatkan potensi kolaborasi AI.
Penerapan komunikasi praktis terlihat ketika karakter mengalami kematian. Dalam Minecraft, barang yang tersimpan dalam inventaris karakter berpotensi tertinggal pada tempat kejadian. Sistem yang baru mengalami kegagalan dapat membagikan informasi koordinat kepada anggota tim lainnya. Berdasarkan pesan yang diberikan, anggota tim melakukan perjalanan menuju lokasi yang dilaporkan. Pendekatan pemulihan tersebut membantu mengurangi dampak kegagalan. Selama eksperimen, para agen juga bertukar ratusan pesan. Interaksi yang berlangsung mendukung pengembangan sistem AI yang bekerja sebagai tim.
Perjalanan Agen AI Mengalahkan Ender Dragon dalam 27 Jam
Sebelum dapat menghadapi Ender Dragon, para agen perlu melewati rangkaian pekerjaan panjang. Ketika permainan dimulai, para agen menyiapkan perlengkapan awal untuk mendukung aktivitas eksplorasi. Selanjutnya, tim perlu menemukan sumber daya yang lebih sulit. Dalam proses tersebut, agen menemui hambatan navigasi. Keempat sistem tersebut turut mengubah rencana berdasarkan informasi baru. Setiap kemajuan dibutuhkan untuk membuka tahapan permainan lain. Karakteristik tersebut membuat Minecraft menjadi lingkungan pengujian yang menarik.
Pada akhirnya, para agen menyelesaikan sasaran utama permainan dalam waktu 27 jam dan 14 menit. Sepanjang proses menuju kemenangan, karakter yang dikendalikan AI mengalami 605 kematian. Jumlah kegagalan karakter tersebut 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 menjangkau kristal penyembuh naga. Strategi tersebut membantu membuka peluang kemenangan. Walaupun tujuan akhirnya tercapai, hasil tersebut belum menunjukkan kemampuan bermain tanpa kesalahan.
Mengukur Efisiensi dan Keandalan Agen AI dalam Permainan
Hasil eksperimen Google DeepMind juga membutuhkan biaya komputasi. 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 meningkat menjadi sekitar 1.040 dolar AS. Perbedaan angka tersebut berkaitan dengan tarif layanan yang digunakan. Selain biaya, pengoperasian selama lebih dari satu hari memerlukan kestabilan sistem. Dengan mempertimbangkan karakteristiknya, biaya dan keandalan menjadi indikator penting.
Hasil Google DeepMind perlu dipahami berdasarkan kondisi pengujiannya. Pertama, permainan berlangsung dengan kesulitan yang lebih rendah sehingga tantangannya berbeda dari mode lebih sulit. Kedua, agen mengakses informasi permainan melalui antarmuka program, bukan memproses tampilan visual sebagaimana pemain biasa. Akses data semacam ini dapat memberikan detail lingkungan yang sulit dilihat pemain manusia. Batasan berikutnya, eksperimen merupakan demonstrasi satu penyelesaian. Karena itu, penelitian lanjutan sebaiknya membandingkan tingkat kesulitan berbeda guna mengukur konsistensi agen.
Kesimpulan Keberhasilan Agen AI Google DeepMind di Minecraft
Keberhasilan empat agen Google DeepMind menunjukkan perkembangan penting dalam penerapan pemrograman otomatis. Melalui pembuatan 2.783 program JavaScript, berkoordinasi melalui komunikasi antarsistem, 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 menjadi pengingat penting mengenai batas kemampuan AI. Di tengah pertumbuhan sistem agen otonom, 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 mempercepat perkembangan asisten pemrograman? Bagikan pendapat Anda mengenai perkembangan agen AI.
