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.
Eksperimen Minecraft Google DeepMind Menunjukkan Kemajuan AI Otonom
Sekelompok ilmuwan dari Google DeepMind berhasil mendemonstrasikan empat agen AI yang bekerja sama menamatkan Minecraft. Eksperimen ini menggunakan model Gemini 4 Argon yang diberikan satu tujuan utama, yaitu mengalahkan Ender Dragon. Berbeda dari permainan biasa, setiap agen mengontrol pemain menggunakan program yang ditulis sendiri. Berkat mekanisme pengendalian tersebut, AI harus merencanakan tindakan sebelum menggerakkan karakter. Pencapaian eksperimen tersebut menunjukkan kemampuan koordinasi yang menjanjikan.
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 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 fitur perintah curang tidak digunakan. Tim pengembang eksperimen tidak menentukan strategi permainan untuk mengatur pekerjaan karakter. Meski demikian, eksperimen tetap berlangsung di lingkungan pengujian terkontrol. Kondisi tersebut membedakan demonstrasi dari permainan manusia biasa.
Cara Agen AI Google DeepMind Menulis Ribuan Program Minecraft
Ketika berinteraksi dengan dunia virtual, setiap agen AI memanfaatkan library Mineflayer yang mendukung operasi pemain menggunakan kode. Berkat antarmuka Mineflayer, agen bisa mengendalikan aktivitas pemain, mengumpulkan material, merakit item permainan, serta menjalankan strategi pertahanan. Setiap kali membutuhkan tindakan, agen menulis rangkaian perintah pemrograman untuk menyelesaikan langkah permainan. 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 menghasilkan 2.783 program JavaScript. Jumlah tersebut memperlihatkan kompleksitas pekerjaan. Kode yang digunakan masih menghadapi masalah eksekusi, karena sekitar 22 persen mengalami error ketika dijalankan. Walaupun kesalahan cukup sering terjadi, agen mampu mencoba kembali melalui instruksi baru. Situasi tersebut menjadi contoh penting dalam penerapan pemrograman berbasis AI. Pada pekerjaan perangkat lunak profesional, kemampuan menulis kode saja belum cukup. Untuk memperoleh sistem yang lebih andal, penanganan kesalahan menjadi bagian penting.
Koordinasi Empat Agen Gemini dalam Menyelesaikan Minecraft
Hasil permainan tersebut juga membutuhkan kerja sama antarsistem. Seluruh anggota tim virtual berkomunikasi melalui percakapan dalam permainan serta berbagi catatan pekerjaan. Melalui mekanisme tersebut, setiap agen dapat menyampaikan temuan mengenai lokasi material, risiko di wilayah tertentu, serta kebutuhan bantuan dari anggota lain. Pengaturan aktivitas tim berkembang selama interaksi berlangsung, bukan ditentukan melalui perintah khusus manusia. Pendekatan ini membantu menjelaskan bagaimana beberapa agen dapat bekerja menuju satu sasaran.
Penerapan komunikasi praktis muncul saat salah satu agen kehilangan perlengkapannya. Dalam Minecraft, barang yang tersimpan dalam inventaris karakter mungkin harus diambil kembali. Sistem yang baru mengalami kegagalan berpeluang memberitahukan lokasi kematiannya kepada agen lain dalam permainan. Berdasarkan pesan yang diberikan, anggota tim dapat mencoba mengambil perlengkapan yang tertinggal. Bentuk kolaborasi tersebut memungkinkan sumber daya digunakan kembali. Sepanjang pelaksanaan tantangan, para agen mengandalkan percakapan untuk menyesuaikan strategi. Interaksi yang berlangsung mendukung pengembangan sistem AI yang bekerja sebagai tim.
Ribuan Program dan Ratusan Kematian dalam Eksperimen Minecraft
Dalam perjalanan menuju pertarungan terakhir, para agen dituntut memenuhi sejumlah persyaratan permainan. Ketika permainan dimulai, para agen mengumpulkan bahan dasar untuk membuat peralatan. Pada langkah berikutnya, tim dituntut mencari material untuk membuka jalur berikutnya. Dalam proses tersebut, agen menghadapi berbagai ancaman. Untuk mempertahankan kemajuan, para agen mengubah rencana berdasarkan informasi baru. Setiap kemajuan sering menjadi syarat bagi langkah berikutnya. Rangkaian ketergantungan ini memberikan tantangan perencanaan jangka panjang.
Pada akhirnya, para agen berhasil mengalahkan Ender Dragon dalam 27 jam 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 tercurah pada upaya mengalahkan bos terakhir. Salah satu solusi yang ditemukan menggunakan tumpukan blok tanah untuk mengakses End Crystal yang berada di tempat tinggi. Cara yang dipilih AI menjadi bagian penting dalam penyelesaian misi. Meski kemenangan berhasil diperoleh, efisiensi agen masih memiliki ruang perbaikan.
Biaya Komputasi dan Batas Eksperimen Minecraft Google DeepMind
Hasil eksperimen Google DeepMind memerlukan pemrosesan model dalam jumlah besar. Berdasarkan perhitungan dalam penelitian, proses mencapai kemenangan memerlukan pengeluaran sekitar 520 dolar AS menggunakan perhitungan berdasarkan tarif pengantar. Apabila menggunakan tarif standar, jumlah tersebut meningkat menjadi sekitar 1.040 dolar AS. Selisih estimasi pengeluaran tersebut menunjukkan pentingnya memahami asumsi harga. Di luar kebutuhan finansial, pengoperasian selama lebih dari satu hari bergantung pada kemampuan memulihkan proses. Karena itu, keberhasilan tugas panjang tidak hanya diukur dari hasil akhir.
Eksperimen tersebut tetap menyisakan keterbatasan. Salah satu batasannya, permainan berlangsung dengan kesulitan yang lebih rendah sehingga hasilnya belum tentu langsung berlaku pada semua tingkat kesulitan. Selain itu, agen memperoleh data lingkungan menggunakan Mineflayer, bukan melihat layar permainan secara langsung. Informasi tersebut dapat memberikan detail lingkungan yang sulit dilihat pemain manusia. Ketiga, eksperimen tidak menunjukkan bahwa seluruh pengujian akan berakhir sama. Karena itu, penelitian lanjutan dapat mengevaluasi pengulangan eksperimen guna mengukur konsistensi agen.
Kesimpulan Keberhasilan Agen AI Google DeepMind di Minecraft
Pencapaian tim Gemini 4 Argon memperlihatkan kemajuan menarik dalam pengembangan sistem AI otonom. Dengan menulis 2.783 program JavaScript, berkoordinasi melalui komunikasi antarsistem, dan memperbaiki strategi ketika menghadapi hambatan, keempat agen menuntaskan tujuan utama eksperimen. Walaupun hasil akhirnya berhasil, 605 kematian serta tingkat kesalahan program yang masih tinggi menunjukkan bahwa sistem belum sempurna. Di tengah pertumbuhan sistem agen otonom, penelitian ini membuka peluang penelitian koordinasi multiagen untuk pekerjaan dengan banyak tahapan saling bergantung. Bagaimana pendapat Anda, apakah sistem yang dapat menulis ribuan program sendiri akan mempercepat perkembangan asisten pemrograman? Ceritakan pemikiran Anda mengenai masa depan pemrograman otomatis.
