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
Para peneliti Google DeepMind memperlihatkan melalui eksperimen empat agen AI yang berkolaborasi menyelesaikan tantangan Minecraft. Eksperimen ini memanfaatkan agen berbasis Gemini 4 Argon yang menerima target permainan yang sama, yaitu mengalahkan Ender Dragon. Tidak seperti pemain manusia yang mengendalikan karakter langsung, setiap agen menjalankan aksi dengan instruksi pemrograman. Dengan pendekatan tersebut, AI perlu menyusun strategi sebelum menjalankan aktivitas permainan. Hasil akhirnya memberikan gambaran potensi AI untuk tugas panjang.
Eksperimen 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. Makalah tersebut dipublikasikan pada 15 Oktober 2026. Dalam pengujiannya, para agen memasuki lingkungan Minecraft dengan peta acak. Mode permainan berada pada tingkat Easy, sementara fitur perintah curang tidak digunakan. Pengawas penelitian tidak menentukan strategi permainan untuk membantu setiap agen. Meski demikian, eksperimen dijalankan dalam sistem sandbox. Batas eksperimen tersebut menjelaskan konteks keberhasilan yang dilaporkan.
Mekanisme Pemrograman Otomatis dalam Eksperimen Minecraft
Untuk mengendalikan permainan, setiap agen AI memanfaatkan library Mineflayer yang memungkinkan pengendalian karakter melalui JavaScript. Dengan bantuan perangkat lunak ini, agen dapat menggerakkan karakter, mengumpulkan material, menjalankan proses crafting, serta menjalankan strategi pertahanan. Setiap kali membutuhkan tindakan, agen menulis rangkaian perintah pemrograman untuk melaksanakan tindakan karakter. Ketika instruksi menemui kesalahan, sistem berupaya memahami kegagalan program dan menyusun instruksi pengganti. Mekanisme pengendalian tersebut menunjukkan penerapan AI sebagai agen coding.
Dalam keseluruhan proses menyelesaikan permainan, keempat agen menulis sebanyak 2.783 program. Ribuan program yang dihasilkan menunjukkan tingginya kebutuhan pengendalian. Program yang ditulis tidak selalu berjalan tanpa kendala, karena sekitar 22 persen tidak menyelesaikan eksekusi dengan benar. Walaupun kesalahan cukup sering terjadi, agen tetap dapat melanjutkan pekerjaan. Kemampuan menghadapi kegagalan ini memperlihatkan salah satu tantangan dalam pengembangan agen AI otonom. Untuk penerapan di luar permainan, keberhasilan membutuhkan pemeriksaan hasil. Untuk memperoleh sistem yang lebih andal, penanganan kesalahan menjadi bagian penting.
Strategi Pembagian Tugas dan Memori Bersama pada Agen AI
Pencapaian yang dilaporkan Google DeepMind ditentukan oleh koordinasi beberapa agen. Seluruh anggota tim virtual bertukar informasi menggunakan chat Minecraft serta berbagi catatan pekerjaan. Berkat sistem koordinasi tersebut, setiap agen bisa membagikan informasi penting mengenai rute perjalanan, risiko di wilayah tertentu, serta pekerjaan yang telah selesai. Penentuan pekerjaan dilakukan secara otonom, bukan dipaksakan melalui pembagian manual. Sistem kerja sama tersebut memperlihatkan potensi kolaborasi AI.
Salah satu bentuk kerja sama terlihat ketika karakter mengalami kematian. Dalam Minecraft, barang yang dimiliki sebelum kematian dapat terjatuh di lokasi tertentu. Sistem yang baru mengalami kegagalan berpeluang memberitahukan lokasi kematiannya kepada anggota tim lainnya. Selanjutnya, anggota tim dapat mencoba mengambil perlengkapan yang tertinggal. Pendekatan pemulihan tersebut membantu mengurangi dampak kegagalan. Selama eksperimen, para agen mengandalkan percakapan untuk menyesuaikan strategi. Interaksi yang berlangsung menunjukkan pentingnya informasi bersama.
Perjalanan Agen AI Mengalahkan Ender Dragon dalam 27 Jam
Sebelum dapat menghadapi Ender Dragon, para agen harus menyelesaikan banyak tahapan. Ketika permainan dimulai, para agen mengumpulkan bahan dasar untuk membuat peralatan. Setelah kebutuhan dasar terpenuhi, tim dituntut mencari material untuk membuka jalur berikutnya. Ketika menjelajahi dunia Minecraft, agen menghadapi berbagai ancaman. Untuk mempertahankan kemajuan, para agen mengubah rencana berdasarkan informasi baru. Setiap kemajuan mempengaruhi pilihan tindakan selanjutnya. Rangkaian ketergantungan ini memberikan tantangan perencanaan jangka panjang.
Sesudah menjalankan serangkaian pekerjaan, para agen mampu menuntaskan pertarungan terakhir dalam durasi total 27 jam 14 menit. Sepanjang proses menuju kemenangan, karakter yang dikendalikan AI mengalami 605 kematian. Angka tersebut menunjukkan masih adanya kesulitan pengambilan keputusan. Porsi waktu yang cukup besar tercurah pada upaya mengalahkan bos terakhir. Salah satu solusi yang ditemukan memanfaatkan penempatan blok sebagai pijakan untuk menghancurkan kristal yang mendukung pemulihan Ender Dragon. Taktik selama pertarungan memungkinkan tim mengatasi hambatan pertempuran. Namun demikian, efisiensi agen masih memiliki ruang perbaikan.
Mengukur Efisiensi dan Keandalan Agen AI dalam Permainan
Keberhasilan agen AI tidak terlepas dari penggunaan sumber daya AI. Menurut estimasi biaya yang dijelaskan peneliti, proses mencapai kemenangan memiliki estimasi biaya sekitar 520 dolar AS menggunakan perhitungan berdasarkan tarif pengantar. Jika dihitung memakai harga reguler, jumlah tersebut setara dengan perkiraan biaya 1.040 dolar AS. Perbedaan angka tersebut berkaitan dengan tarif layanan yang digunakan. Selain biaya, pengoperasian selama lebih dari satu hari bergantung pada kemampuan memulihkan proses. Oleh sebab itu, biaya dan keandalan menjadi indikator penting.
Eksperimen tersebut tetap menyisakan keterbatasan. Salah satu batasannya, permainan menggunakan pengaturan kesulitan Easy sehingga hasilnya belum tentu langsung berlaku pada semua tingkat kesulitan. Selain itu, agen membaca keadaan dunia melalui representasi terstruktur, bukan memproses tampilan visual sebagaimana pemain biasa. Metode pengendalian tersebut memungkinkan penggunaan informasi terstruktur dari permainan. Batasan berikutnya, eksperimen belum membuktikan tingkat keberhasilan dalam banyak percobaan. Oleh sebab itu, penelitian lanjutan sebaiknya membandingkan tingkat kesulitan berbeda guna memahami keandalan strategi.
Kesimpulan Keberhasilan Agen AI Google DeepMind di Minecraft
Pencapaian tim Gemini 4 Argon menghadirkan bukti kemampuan yang menjanjikan dalam penerapan pemrograman otomatis. Dengan menulis 2.783 program JavaScript, mengatur tugas tanpa penugasan manusia, dan memulihkan diri setelah berbagai kegagalan, keempat agen menuntaskan tujuan utama eksperimen. Meski pencapaian tersebut penting, 605 kematian serta penggunaan sumber daya komputasi yang besar memperlihatkan kebutuhan pengembangan lanjutan. Dalam perkembangan TEKNOLOGI, penelitian ini membuka peluang penelitian koordinasi multiagen untuk tugas perangkat lunak yang kompleks. Bagaimana pendapat Anda, apakah sistem yang dapat menulis ribuan program sendiri akan mempercepat perkembangan asisten pemrograman? Bagikan pendapat Anda mengenai perkembangan agen AI.
