16.11.2026

Empat Agen Gemini 4 Argon Taklukkan Ender Dragon

Empat agen Gemini 4 Argon menaklukkan Ender Dragon dalam 27 jam 14 menit dengan koordinasi mandiri. Eksperimen ini menunjukkan potensi AI, sekaligus memiliki sejumlah batasan.

empat-agen-gemini-4-argon-taklukkan-ender-dragon

Empat agen kecerdasan buatan Gemini 4 Argon dari Google DeepMind menamatkan Minecraft dengan mengalahkan Ender Dragon setelah bermain selama 27 jam 14 menit. Mereka menyusun strategi, membagi pekerjaan, dan menjalankan aksi secara mandiri dalam mode Survival, tanpa arahan atau bantuan manusia selama permainan.

Pencapaian ini menunjukkan kemampuan agen AI untuk bekerja sama dan mempertahankan rencana dalam tugas panjang yang terdiri atas banyak tahapan. Namun, permainan berlangsung pada tingkat kesulitan Easy dan menyediakan informasi lingkungan dalam format terstruktur, sehingga hasilnya belum bisa dianggap sebagai bukti bahwa AI dapat menangani semua jenis tugas dunia nyata secara andal.

Ribuan program dan ratusan pesan selama permainan

Dalam eksperimen tersebut, empat agen ditempatkan di dunia Minecraft yang dibuat secara acak. Tujuan mereka hanya satu: mengalahkan bos terakhir. Para peneliti tidak memberikan pembagian peran maupun strategi khusus sebelum permainan dimulai.

Untuk berinteraksi dengan dunia permainan, agen menggunakan pustaka sumber terbuka Mineflayer dan menulis 2.783 program JavaScript. Kode itu digunakan untuk melakukan berbagai tindakan, seperti bergerak, menambang sumber daya, membuat peralatan, dan menghadapi musuh. Para agen juga bertukar 229 pesan melalui obrolan dalam game serta memanfaatkan memori bersama.

Pembagian kerja muncul dari koordinasi mereka sendiri. Agen bernama janesick, misalnya, membuat alat, mencari benteng Nether, lalu menemukan benteng yang menyimpan portal menuju The End. Gyldenia mengumpulkan makanan dan persediaan, sementara auratian bertugas menyalakan portal Nether.

Agen keempat, Bulicame, membantu membangun tempat berlindung untuk menghadapi Enderman dan memberikan pukulan terakhir kepada Ender Dragon. Pembagian tugas tersebut bukan instruksi awal dari peneliti, melainkan hasil keputusan para agen selama menjalankan permainan.

605 kali mati sebelum mengalahkan naga

Perjalanan menuju kemenangan berlangsung jauh dari mulus. Catatan eksperimen menyebut para agen mengalami 605 kematian, termasuk 69 kali akibat Ender Dragon. Mereka juga menghabiskan hampir 14 jam untuk menemukan cara mengalahkan naga tersebut—nyaris separuh dari total waktu yang dibutuhkan.

Kesalahan turut menjadi bagian dari proses. Sekitar 22 persen program JavaScript yang dibuat para agen mengalami kegagalan. Meski demikian, mereka terus mencoba, memperbaiki pendekatan, dan melanjutkan tugas hingga berhasil menyelesaikan permainan.

Selama eksperimen, peneliti memantau aktivitas lewat dasbor langsung dan memiliki kemampuan untuk menghentikan permainan atau memberi arahan bila diperlukan. Namun, menurut laporan eksperimen, tidak ada campur tangan manusia yang membantu agen menuntaskan permainan. Perbedaan antara pemantauan dan pemberian bantuan ini penting: peneliti tetap mengawasi, tetapi keputusan dan tindakan dalam permainan dijalankan para agen.

Hasil eksperimen punya batasan

Keberhasilan itu tidak berarti agen bermain dengan kondisi yang sama seperti manusia yang hanya melihat layar. Mineflayer dapat menyajikan informasi terstruktur mengenai dunia permainan, termasuk jenis blok dan keadaan musuh. Dengan demikian, agen tidak harus mengenali seluruh objek hanya dari gambar.

Pengetahuan yang dimiliki Gemini 4 Argon tentang Minecraft dan Mineflayer selama pelatihan juga membantu mereka merancang tindakan. Eksperimen berlangsung pada tingkat kesulitan Easy, sehingga hasilnya perlu dibaca dalam konteks kondisi tersebut. Satu kali keberhasilan belum membuktikan bahwa kemampuan serupa akan konsisten dalam percobaan lain atau dapat langsung diterapkan pada pekerjaan di luar permainan.

Para agen memproses sekitar 1,35 miliar token input, sebagian besar berasal dari input cache. Angka ini menggambarkan besarnya pemrosesan yang terlibat dalam tugas yang berlangsung lebih dari sehari, meski jumlah token saja tidak menjelaskan keseluruhan biaya maupun efisiensi eksperimen.

Potensi untuk tugas kompleks, bukan bukti akhir

Google DeepMind menilai pengujian seperti ini dapat membantu mengukur kemampuan AI dalam merencanakan pekerjaan bertahap dan berkoordinasi dalam jangka panjang. Kemampuan tersebut berpotensi berguna untuk bidang seperti rekayasa perangkat lunak atau pekerjaan perusahaan yang melibatkan beberapa agen AI.

Meski begitu, menerjemahkan hasil di Minecraft ke lingkungan kerja nyata bukan perkara sederhana. Dunia permainan memiliki aturan dan tujuan yang jelas, sedangkan tugas profesional sering kali mengandung perubahan, informasi yang tidak lengkap, serta konsekuensi yang lebih besar. Keberhasilan empat agen ini menjadi tolok ukur menarik, tetapi pengujian berulang dan evaluasi dalam kondisi yang lebih beragam tetap diperlukan sebelum kemampuan tersebut dapat diandalkan di luar permainan.

Wacanara