Agenci Gemini 4 Argon przeszli Minecrafta bez pomocy ludzi

Jak agenci Gemini przeszli Minecrafta

Eksperyment opisali Maxence Faldor, Satinder Singh i Roberta Raileanu z Google DeepMind w pracy „A team of Gemini 4 Argon agents beats Minecraft”, opublikowanej w serwisie arXiv. Czterej agenci dostali jedno polecenie - pokonać Ender Dragona. Nikt nie przydzielił im ról ani nie napisał dla nich logiki gry. Świat był losowy, a autorzy podkreślają, że nie wybierali wcześniej sprawdzonej mapy.

Każdy agent sterował jedną postacią przez Mineflayer, otwartą bibliotekę do tworzenia botów w Minecrafcie. Agent nie naciskał klawiszy i nie analizował obrazu. Pisał krótki program, na przykład „idź do tych współrzędnych i wykop rudę żelaza w promieniu 16 bloków”, uruchamiał go i czytał tekstową odpowiedź z pozycją, stanem zdrowia, ekwipunkiem albo komunikatem błędu. Mediana czasu działania jednego programu wyniosła 33,5 sekundy.

Dziesięć minut po starcie jeden z agentów zaproponował na czacie podział pracy. Role szybko się ustaliły - jeden szukał jedzenia i krzemienia, drugi schodził po diamenty, trzeci wytapiał żelazo i robił narzędzia, czwarty przygotowywał portal do Netheru. Agenci zapisywali we wspólnej pamięci współrzędne i wnioski z błędów oraz odzyskiwali przedmioty kolegów po ich śmierci.

Przebieg 27-godzinnej rozgrywki

Autorzy rozpisali grę na 13 zależnych od siebie etapów. Najdłużej trwała walka w Endzie, która zajęła prawie 14 godzin. Poniżej czasy liczone od pierwszego uruchomionego programu.

• Kamienne narzędzia - po 6 minutach, żelazne narzędzia i wiadro - po 14 minutach.
• Portal do Netheru - po 1 godz. 42 min, forteca w Netherze - po 2 godz. 57 min.
• Pałki płomyków - po 4 godz. 17 min, oczy Endera - po 10 godz. 43 min.
• Odnalezienie twierdzy - po 13 godz. 17 min, wejście do Endu - po 13 godz. 33 min.
• Zniszczenie dziesięciu kryształów - po 26 godz. 34 min, pokonanie Ender Dragona - po 27 godz. 14 min.

Ile kosztował test

Do momentu zwycięstwa czterej agenci przetworzyli ok. 1,35 mld tokenów wejściowych, z czego 91 proc. pochodziło z pamięci podręcznej (cache), i wygenerowali ok. 16 mln tokenów wyjściowych w ok. 24 tys. wywołań modelu. Według autorów przy cenie wprowadzającej Gemini 4 Argon kosztowałoby to ok. 520 USD, a przy cenie standardowej ok. 1040 USD. Cała sesja, łącznie z agentem obserwatorem i dobą aktywności po wygranej, to odpowiednio ok. 810 USD i 1620 USD.

Po przeliczeniu według średniego kursu NBP z 16 października 2026 roku (3,8827 zł za dolara) koszt samej rozgrywki to ok. 2019 zł albo 4038 zł bez VAT. Cena wprowadzająca obowiązuje według cennika Google do 30 listopada 2026 roku. Autorzy zastrzegają, że to szacunek z cen katalogowych i liczników tokenów, a nie rzeczywisty koszt obsługi modelu po stronie Google.

Czego ten wynik nie dowodzi

Praca jest preprintem i nie przeszła recenzji naukowej. Opisuje jeden przebieg, w dodatku pierwszy, który badacze uruchomili, więc nie pokazuje, jak często taka próba się udaje. Gra toczyła się na poziomie Easy, na którym potwory zadają mniej obrażeń, a głód nie może zabić postaci.

Najpoważniejsze zastrzeżenie dotyczy dostępu do informacji. Mineflayer podawał agentom dokładne położenie bloków i stworzeń, także tych ukrytych za skałą, oraz stan smoka, a wtyczka nawigacyjna sama wyznaczała trasy. Człowiek musi to zobaczyć i zinterpretować. Autorzy przyznają, że gra na podstawie obrazu, z klawiaturą i myszą, pozostaje znacznie trudniejsza. Model zna też Minecrafta i Mineflayer z danych treningowych, więc test sprawdza zamianę tej wiedzy na działający kod, a nie naukę nowej gry.

Badania nad Minecraftem jako poligonem dla AI trwają od lat. Wcześniejsze systemy, jak Voyager, łączyły modele językowe z planerami i bibliotekami umiejętności przygotowanymi pod grę. Nowością jest to, że ogólny agent programistyczny przeszedł całą grę bez takich dodatków.

Co to oznacza dla firm wdrażających agentów

Google DeepMind przedstawia Minecrafta jako przybliżenie długich zadań programistycznych. Agenci musieli przez ponad dobę utrzymać spójny plan obejmujący tysiące zależnych kroków, naprawiać własne błędy i koordynować pracę z innymi. To te same umiejętności, których wymaga powierzenie agentowi migracji systemu albo wieloetapowego procesu w firmie.

W naszej ocenie dla polskich zespołów ciekawsze od samego wyniku są szczegóły organizacji pracy. Każdy program, wiadomość i zdarzenie zostały zapisane, piąty agent pełnił rolę niezależnego obserwatora szukającego oszustw, a badacze mogli w każdej chwili wstrzymać sesję. Ten sam schemat, czyli izolowane środowisko, pełne logi, osobny nadzór i przycisk zatrzymania, warto przyjąć przy każdym wdrożeniu agentów pracujących dłużej niż kilka minut.

Wynik trzeba też czytać razem z innymi testami agentów. W eksperymencie Vals AI żaden z sześciu agentów nie odzyskał pieniędzy za bilet. Agenci dobrze radzą sobie w środowisku z jasnymi regułami i pełną informacją, a gorzej tam, gdzie trzeba negocjować z ludźmi i chronić dane.