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.

Empat Agen Gemini 4 Argon Berhasil Mengalahkan Ender Dragon

Tim riset kecerdasan buatan Google DeepMind melaporkan keberhasilan empat agen AI yang menjalankan misi permainan Minecraft secara otonom. Pengujian yang dilakukan para ilmuwan mengandalkan sistem Gemini 4 Argon yang menerima target permainan yang sama, yaitu menaklukkan musuh terakhir Minecraft. Berbeda dari permainan biasa, setiap agen mengoperasikan karakter melalui kode program. Melalui metode ini, AI perlu menyusun strategi sebelum menggerakkan karakter. Pencapaian eksperimen tersebut memperlihatkan perkembangan agen pemrograman.

Uji kemampuan agen AI tersebut dijelaskan dalam makalah ilmiah 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. Pada pelaksanaan eksperimen, para agen ditempatkan dalam dunia survival yang dibuat secara acak. Tingkat kesulitan berada pada tingkat Easy, sementara perintah cheat dinonaktifkan. Pengawas penelitian tidak menulis logika permainan khusus untuk mengatur pekerjaan karakter. Walaupun berjalan secara otonom, eksperimen dijalankan dalam sistem sandbox. Batas eksperimen tersebut menjelaskan konteks keberhasilan yang dilaporkan.

Cara Agen AI Google DeepMind Menulis Ribuan Program Minecraft

Untuk mengendalikan permainan, setiap agen AI menggunakan pustaka sumber terbuka Mineflayer yang memungkinkan pengendalian karakter melalui JavaScript. Berkat antarmuka Mineflayer, agen dapat menggerakkan karakter, mengumpulkan material, membuat peralatan, serta melakukan tindakan pertempuran. Saat menghadapi situasi tertentu, agen menyusun program JavaScript untuk melaksanakan tindakan karakter. Jika kode tidak menghasilkan tindakan yang diharapkan, sistem mengevaluasi respons perangkat lunak dan menyusun instruksi pengganti. Mekanisme pengendalian tersebut memperlihatkan penggunaan bahasa pemrograman untuk bertindak secara otonom.

Sepanjang perjalanan menuju kemenangan, keempat agen menciptakan total 2.783 rangkaian kode. Ribuan program yang dihasilkan memperlihatkan kompleksitas pekerjaan. Instruksi yang dihasilkan tidak selalu berjalan tanpa kendala, karena sekitar 22 persen berakhir dengan kesalahan. Namun demikian, agen berupaya memperbaiki strategi. Kemampuan menghadapi kegagalan ini memberikan gambaran menarik dalam pengembangan agen AI otonom. Dalam penggunaan nyata, kemampuan menulis kode saja belum cukup. Dengan mempertimbangkan hal tersebut, penanganan kesalahan menjadi bagian penting.

Strategi Pembagian Tugas dan Memori Bersama pada Agen AI

Keberhasilan eksperimen juga membutuhkan kerja sama antarsistem. Empat karakter yang dikendalikan AI bertukar informasi menggunakan chat Minecraft serta mengakses penyimpanan informasi kolektif. Dengan menggunakan komunikasi ini, setiap agen dapat menyampaikan temuan mengenai rute perjalanan, risiko di wilayah tertentu, serta tugas yang sedang dikerjakan. Pengaturan aktivitas tim berkembang selama interaksi berlangsung, bukan ditetapkan secara langsung oleh peneliti. Sistem kerja sama tersebut membantu menjelaskan bagaimana beberapa agen dapat bekerja menuju satu sasaran.

Contoh koordinasi yang menarik muncul saat salah satu agen kehilangan perlengkapannya. Pada mekanisme permainan tersebut, barang yang tersimpan dalam inventaris karakter mungkin harus diambil kembali. Sistem yang baru mengalami kegagalan berpeluang memberitahukan lokasi kematiannya kepada agen lain dalam permainan. Setelah menerima informasi, anggota tim membantu memulihkan barang penting. Strategi ini memungkinkan sumber daya digunakan kembali. Sepanjang pelaksanaan tantangan, para agen mengandalkan percakapan untuk menyesuaikan strategi. Pola komunikasi tersebut 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 mendukung aktivitas eksplorasi. Selanjutnya, tim dituntut mencari material untuk membuka jalur berikutnya. Sepanjang tahap persiapan, agen menghadapi berbagai ancaman. Untuk mempertahankan kemajuan, para agen menyusun strategi eksplorasi. Pencapaian pada satu tahap sering menjadi syarat bagi langkah berikutnya. Rangkaian ketergantungan ini memberikan tantangan perencanaan jangka panjang.

Pada akhirnya, para agen mampu menuntaskan pertarungan terakhir dalam waktu 27 jam dan 14 menit. Selama perjalanan tersebut, karakter yang dikendalikan AI menghadapi total 605 kematian. Angka tersebut memperlihatkan bahwa keberhasilan tidak berlangsung mulus. Porsi waktu yang cukup besar tercurah pada upaya mengalahkan bos terakhir. Salah satu solusi yang ditemukan memanfaatkan penempatan blok sebagai pijakan untuk menjangkau kristal penyembuh naga. Cara yang dipilih AI memungkinkan tim mengatasi hambatan pertempuran. Namun demikian, efisiensi agen masih memiliki ruang perbaikan.

Biaya Komputasi dan Batas Eksperimen Minecraft Google DeepMind

Keberhasilan agen AI juga membutuhkan biaya komputasi. Menurut estimasi biaya yang dijelaskan peneliti, proses mencapai kemenangan memerlukan pengeluaran sekitar 520 dolar AS menggunakan perhitungan berdasarkan tarif pengantar. Jika dihitung memakai harga reguler, jumlah tersebut setara dengan perkiraan biaya 1.040 dolar AS. Variasi perhitungan biaya ini menunjukkan pentingnya memahami asumsi harga. Di luar kebutuhan finansial, pengoperasian selama lebih dari satu hari memerlukan kestabilan sistem. Karena itu, keberhasilan tugas panjang tidak hanya diukur dari hasil akhir.

Eksperimen tersebut tetap menyisakan keterbatasan. Sebagai pertimbangan awal, permainan menggunakan pengaturan kesulitan Easy sehingga risiko pertempuran tidak sama dengan tingkat Hard. Pertimbangan lainnya, agen memperoleh data lingkungan menggunakan Mineflayer, bukan melihat layar permainan secara langsung. Informasi tersebut memungkinkan penggunaan informasi terstruktur dari permainan. Ketiga, eksperimen merupakan demonstrasi satu penyelesaian. Karena itu, penelitian lanjutan dapat mengevaluasi pengulangan eksperimen guna mengetahui batas kemampuan sebenarnya.

Masa Depan AI Otonom setelah Eksperimen Minecraft

Hasil eksperimen agen AI dalam Minecraft menghadirkan bukti kemampuan yang menjanjikan dalam pengembangan sistem AI otonom. Berkat kemampuan menghasilkan 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 keterbatasan pengujian pada mode Easy memperlihatkan kebutuhan pengembangan lanjutan. Dalam perkembangan TEKNOLOGI, penelitian ini membuka peluang penelitian koordinasi multiagen 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 masa depan pemrograman otomatis.