Čtyři agenti s Gemini 4 Argon porazili draka v Minecraftu pomocí vlastních programů
Čtyři agenti s Gemini 4 Argon podle studie Googlu porazili závěrečného draka v Minecraftu za 27 hodin a 14 minut. Hru ovládali vlastními programy a sami si rozdělili práci. Šlo o jediný pokus na snadnou obtížnost, při němž dostávali i informace skryté lidským hráčům.
Google DeepMind nechal čtyři programové agenty řízené modelem Gemini 4 Argon společně dokončit Minecraft. Maxence Faldor, Satinder Singh a Roberta Raileanu popsali výsledek v práci zveřejněné 15. října na arXivu. Jde o preprint, tedy odborný text zveřejněný před časopiseckým recenzním řízením. Agenti měli porazit Ender Dragona, závěrečného draka, a podle autorů to zvládli bez lidského zásahu během hraní.
Hráči psali JavaScript a četli údaje ze hry
Pokus běžel v Minecraft Java Edition 1.20.4 v režimu přežití na obtížnost Easy. Svět vznikl náhodně, příkazy pro podvádění byly vypnuté. Každý agent ovládal jednu postavu prostřednictvím knihovny Mineflayer a jejího doplňku pro hledání cest. Agent zde znamená program, který opakovaně zadává modelu úkol, spouští jím napsaný kód a vrací mu výsledky.
Obrazovku nesledovali. Místo stisků kláves psali krátké programy v JavaScriptu: dojít na souřadnice, vykopat surovinu nebo vyrobit předmět. Zpátky dostávali text s polohou, zdravím, obsahem inventáře či chybou programu. Mineflayer jim zpřístupnil přesné údaje o okolních blocích a tvorech, včetně bloků za skálou nebo vnitřního stavu draka. Takové informace člověk při běžném hraní nemá.
Autoři jim nepřidělili herní role ani postup k vítězství. Dodali ovšem obecné pracovní pokyny: ověřovat výsledky, vytvářet opakovaně použitelné nástroje a zapisovat poučení do společné paměti. Sami agenti potom rozhodovali, co si uloží a jak si práci rozdělí. Pátý agent, pozorovatel, kontroloval průběh a psal zprávu, do hry nevstupoval.
Cestu k drakovi provázelo 605 smrtí
Už deset minut po začátku navrhl jeden z hráčů rozdělení úkolů. Postupně se ustálily role: někdo sháněl jídlo a zásoby, jiný těžil diamanty, další vyráběl nástroje nebo připravoval portál. Přes herní chat si poslali 229 zpráv. Sdíleli polohy truhel i varování před nebezpečím a po smrti spoluhráče se pokoušeli zachránit jeho předměty.
Jeden takový zásah rozhodl o zachování celé sady dvanácti předmětů Eye of Ender potřebných k otevření závěrečného portálu. Jejich nositel se utopil poblíž spoluhráče. Dvojice agentů mu poslala místo nehody a upozornění, kdy předměty zmizí; podařilo se je vyzvednout s rezervou dvou a půl minuty.
Do vítězství tým napsal a spustil 2 783 programů. Trvalo to 27 hodin a 14 minut včetně šesti restartů herního serveru, které dohromady přerušily svět asi na dvacet minut. Postavy mezitím zemřely 605krát a 22 procent programů skončilo chybou. Po vstupu do závěrečné dimenze End hráli ještě téměř čtrnáct hodin. Výhru autoři dokládají záznamem serveru o splnění herního úspěchu Free the End.
Odhad 520 dolarů končí vítězstvím čtyř hráčů
Částka 1 620 dolarů, kterou uvádí zpráva The Decoder, má širší záběr než samotné poražení draka. Oddíl o ceně v původní studii odděluje práci čtyř hráčů do vítězství od celé relace, která zahrnuje i pozorovatele a další den činnosti po výhře.
Do vítězství hráči provedli přibližně 24 000 volání modelu. Zpracovali asi 1,35 miliardy vstupních tokenů a vytvořili přibližně 16 milionů výstupních. Token je jednotka textu používaná modelem. Zhruba 91 procent vstupu se načetlo z mezipaměti, takže se opakovaně využil již zpracovaný obsah.
Podle autorů vychází tato část při úvodních veřejných sazbách API asi na 520 dolarů, při standardních na 1 040 dolarů. Celá delší relace včetně pozorovatele má odhad 810, respektive 1 620 dolarů. Jsou to odhady z počítadel tokenů a ceníku, nikoli skutečné náklady Googlu na provoz modelu.
Jeden úspěšný pokus neudává spolehlivost
Výsledek měřil tým Googlu na Gemini 4 Argon v popsaném prostředí; nezávislé zopakování studie neuvádí. Autoři výslovně píší, že šlo o jediný běh, první spuštění, které zkusili. Z něj nelze určit, jak často by stejná sestava uspěla v dalších náhodných světech. Obtížnost Easy navíc snižuje poškození od nepřátel a nedovolí hráči zemřít hlady.
Také starší dokončené průchody agentů studie sama zmiňuje. Samostatný projekt Mine AI MCP zveřejňuje záznam a data vlastního běhu s Claudem Opus 5. Podle srovnání v práci Googlu měl tento agent připravených 37 herních nástrojů. Tým s Gemini místo nich dostal běžnou knihovnu s hledáním cest a další programy si psal během hraní.
Zůstává i rozdíl mezi znalostmi a učením nové hry. Autoři upozorňují, že Argon zná Minecraft a Mineflayer z trénovacích dat. Pokus zkoušel, zda tyto znalosti převede do fungujících programů a udrží spolupráci déle než den. Hraní pouze podle obrazu, myší a klávesnicí by podle nich bylo podstatně obtížnější.