Czterech agentów Gemini 4 Argon przeszło Minecrafta w 27 godzin, bez pomocy człowieka

Czterech agentów opartych na modelu Gemini 4 Argon pokonało w Minecrafcie Smoka Endu, a ludzie nie sterowali ich ruchami. Tak wynika z raportu technicznego badaczy Google DeepMind, o którym 18 i 19 października napisały The Decoder i Engadget.

Jak wyglądał eksperyment

Agenci trafili do izolowanego, losowo wygenerowanego świata survivalowego z jednym celem: pokonać Smoka Endu. Nie dostali żadnych ról, strategii ani narzędzi stworzonych specjalnie pod tę grę. Każdy z nich sterował graczem przez otwartą bibliotekę Mineflayer.

Komunikowali się przez czat w grze i wspólną pamięć. Według Engadget piąty agent, nazwany Observerem, pełnił rolę niezależnego świadka: sprawdzał, czy nie dochodzi do oszustw, i publikował raporty na żywo oraz podsumowujące. Według źródeł ludzie nie ingerowali w przebieg gry.

Podział pracy bez instrukcji

Agenci sami podzielili zadania, ostrzegali się przed zagrożeniami, wymieniali wskazówkami i współrzędnymi oraz odzyskiwali przedmioty po zabitych kolegach. Błędy zapisywali we wspólnej pamięci. Jeden z agentów wytwarzał narzędzia, drugi zbierał jedzenie i zasoby, trzeci zapalił kluczowy portal, a czwarty zbudował schrony przed Endermanami i zadał ostatni cios.

Liczba 605 śmierci pokazuje, że przebieg był daleko od płynnego. Niska liczba wiadomości na czacie, 229 w ponad dobie gry, może oznaczać ścisłą koordynację, ale równie dobrze grupę pracującą w dużej mierze samodzielnie. Źródła nie rozstrzygają, która interpretacja jest trafniejsza.

Zastrzeżenia

Badacze zastrzegają, że to pierwsze takie ukończenie gry według ich wiedzy, osiągnięte wyłącznie ze standardową biblioteką Mineflayer, bez wcześniej rozpoznanych map ani innych narzędzi pod tę grę napisanych przez ludzi. Jest to twierdzenie autorów raportu. Wszystkie dane dotyczą jednego przebiegu: źródła nie podają, ile było prób ani jaki odsetek kończy się sukcesem.

Zwycięstwo wymagało utrzymania spójnego planu przez tysiące zależnych od siebie kroków, przez ponad dobę. - zespół badaczy Google DeepMind, raport cytowany przez Engadget

Kwota 1620 dolarów to wyliczenie według standardowej ceny, która ma zacząć obowiązywać w 2027 roku. Według Engadget koszt wyniósł 810 dolarów według ceny katalogowej Gemini. Raport przygotował zespół Google DeepMind (Faldor i współautorzy).

Co to znaczy dla firm

The Decoder zwraca uwagę, że podobne gry wymagały kiedyś wyspecjalizowanych systemów AI trenowanych od zera, a tu zadanie wykonał ogólny model agentowy. Dla zespołów budujących agentów w firmach istotne są dwa wnioski z tego pojedynczego przebiegu: model utrzymał plan przez ponad dobę oraz współpracował z kopiami siebie bez narzuconych ról.

Minecraft to jednak środowisko z jasnymi regułami i bezpieczną piaskownicą, bez realnych konsekwencji błędów. Przeniesienie takiej autonomii na procesy biznesowe, gdzie pomyłka kosztuje więcej niż kolejna śmierć postaci, to osobne pytanie, na które ten eksperyment nie odpowiada.