Google DeepMind выложила на arXiv отчет о том, как четыре агента на Gemini 4 Argon прошли Minecraft: от случайного стартового мира до победы над Драконом Края. На это ушло 27 часов 14 минут, 2783 программы, которые агенты написали сами, и 605 смертей. Люди за все это время ни разу не вмешались. Авторы называют прогон первым полностью автономным прохождением игры ИИ-агентами, которым не давали ни заранее разведанного мира, ни игровых инструментов, написанных людьми. По цене API эксперимент обошелся примерно в $520.
Убить дракона с голыми руками в свежем мире еще в 2022 году назвали “лунной программой” для ИИ: так эту цель записали авторы бенчмарка MineDojo. Потолком долго оставались алмазные инструменты. До них дошли и VPT от OpenAI, обученная на роликах с YouTube, и Voyager, который писал код для Minecraft на GPT-4. В сентябре 2026-го дракона убили сразу два любительских проекта. Агент на Claude Opus 5 играл на нормальной сложности через 37 готовых высокоуровневых инструментов. Связка GPT-6 Astra и модели решений Jev уложилась в 8 минут 43 секунды, но на заранее известном спидранерском мире и на мирной сложности, где монстров нет вообще. DeepMind дала своим агентам только открытую библиотеку Mineflayer для управления ботом, плагин для прокладки маршрутов и абзац с задачей: убить дракона любыми способами в рамках режима выживания, работу поделить самим.
Агенты не видели экран и не нажимали клавиши. Каждый писал короткую программу на JavaScript, например “дойди до этих координат и добудь всю железную руду в радиусе 16 блоков”. Потом запускал ее и читал текстовый ответ: где персонаж, сколько у него здоровья, что в инвентаре, какая вылетела ошибка. Так решалась главная проблема: Minecraft – игра в реальном времени, а рассуждающая модель может думать над ответом десятки секунд. Медианная программа работала 33,5 секунды, после чего агент разбирал результат и писал следующую. Инструменты у каждого были те же, что для обычной разработки: шелл, git, редактор файлов и общая для команды память. Пятый агент, Наблюдатель, в игру не входил. Он сверял отчеты игроков с логами сервера и искал жульничество. Исследователи могли остановить прогон с дашборда, но, по их словам, повода не нашлось.
Агенты играли под никами janesick, auratian, gyldenia и bulicame – прямо звездный состав гильдии бородатых эльфов 40-го левела. Через десять минут после старта janesick предложил в чате распределение ролей. Через минуту auratian ответил своим планом, gyldenia написала “Принято!”, и больше роли не пересматривали. gyldenia искала еду, кровати и кремень, bulicame полез за алмазами, janesick плавил железо и делал инструменты, auratian готовил портал в Нижний мир. Через 1 час 42 минуты портал уже горел: janesick поставил последний блок обсидиана, и через две секунды auratian поджег рамку.
Самую большую изобретательность агенты показали там, где правила игры нужно было обойти, не нарушая их. Жемчужины Края, без которых не собрать глаз Края, выпадают из эндерменов. Это высокие черные мобы: если на них посмотреть, они телепортируются к игроку и бьют. Три агента построили укрытия с потолком в два блока. Эндермен ростом почти в три блока прибегает, но внутрь не пролезает, и его спокойно добивают изнутри. Через пять с половиной часов в общем сундуке лежало 15 жемчужин. Потери тоже шли в дело: когда огненный шар гаста уничтожил кучу выпавших вещей, auratian сразу написал команде новое правило, а через две минуты janesick прислал разбор причины и исправление.
Самый красивый прием понадобился, чтобы найти крепость с порталом в Край. Брошенный глаз Края летит в ее сторону. janesick бросил два глаза из разных точек, раз в 50 миллисекунд записывал положение каждого и посчитал, где пересекаются две прямые. Вышло 1,3 км от деревни, а ошибка составила всего 43 метра. Спидраннеры знают этот трюк давно, но снимают углы с экрана и вбивают в калькулятор, а агент написал для этого программу. Потом случилась драма: auratian утонул в восьми метрах от bulicame со всеми двенадцатью глазами в инвентаре. janesick и сам auratian тут же отправили напарнику точку и минуту, когда выпавшие вещи исчезнут. bulicame подобрал все двенадцать за две с половиной минуты до срока, и через 13 часов 17 минут после старта портал в Край зажегся.
Общей памятью команда пользовалась как рабочей вики: туда шли координаты сундуков и порталов, предупреждения об опасностях и заметки о капризах инструментов. На 19-й минуте gyldenia предупредила остальных о подвохе в функции крафта Mineflayer и объяснила, как его обойти. Потом вспомогательная функция с этим исправлением встретилась в 655 программах всех четырех агентов. Всего агенты держали между запусками 42 самописные функции: фоновый цикл, который не дает боту утонуть, ходьбу по таймеру, подсчет предметов. Счетчик, который останавливает остатки зависшей программы, использован в 1519 программах. Работала и взаимная проверка. Через секунду после того, как janesick сгорел в лаве, он отчитался, что вернулся с двенадцатью огненными порошками, и за три минуты gyldenia поймала его на противоречии. auratian через две минуты сам отозвал сообщение об успехе, которого не было: “мое прошлое сообщение – незащищенная ветка скрипта”.
Медленнее всего команда продвигалась в Краю: бой занял почти 14 часов, и за это время дракон убил агентов 69 раз. Между попытками они читали внутреннее состояние босса, вплоть до номера фазы поведения, и записывали правила: не ждать на платформе прибытия, подходить, только когда дракон сел, а если он завис – перезагрузить его. Ради перезагрузки агенты устроили коллективное самоубийство: через 17,5 часа после старта все четверо за шесть минут прыгнули в пустоту. Опустевший Край выгружается, босс сбрасывается, а погибший возвращается к своей кровати в Верхнем мире. Этим приемом пользуются и люди. А догадка, почти очевидная для живого игрока, пришла только на 21-м часу, то есть на восьмом часу боя: дракона все время лечат кристаллы на вершинах обсидиановых столбов. auratian сообразил, как добраться до них без кирки. Нужно построить рядом со столбом колонну из земли, разбить кристалл рукой и спуститься, разбирая колонну. Все десять кристаллов разбили за 4 часа 40 минут, шесть из них – на счету gyldenia. Еще через 39 минут дракон умер. У bulicame, который нанес последний удар, оставалось 2,5 из 20 единиц здоровья.
Авторы сами перечисляют преимущества, без которых результат выглядел бы скромнее. Mineflayer сообщает агенту, какие блоки и мобы его окружают, включая руду за толщей камня и внутреннее состояние дракона. Человеку все это нужно разглядеть, а часть он не видит вовсе. Маршруты прокладывает плагин. Сложность стояла легкая: монстры бьют слабее, а голод не может убить. Наконец, Gemini 4 Argon из обучения знает о Minecraft и Mineflayer очень много. Поэтому проверялось не умение освоить незнакомую игру, а умение сутки превращать знания в работающий код и слаженную командную игру. На этом фоне восемь часов до догадки про кристаллы выглядят особенно странно. Играть по пикселям с клавиатурой и мышью, как это делает SIMA 2 той же DeepMind, по признанию авторов, до сих пор намного сложнее.
За упорство пришлось платить временем. 27 часов на четверых – это около 109 часов работы агентов. Одиночный игрок, по данным HowLongToBeat, в среднем проходит основной сюжет за 45 часов, а рекорд спидрана на случайном мире меньше семи минут. Программа персонажа работала лишь около 40% времени, остальное время он стоял, пока агент читал результат и думал. Больше половины смертей, 351 из 605, пришлись на монстров. Еще 67 раз агенты тонули, 57 раз разбивались при падении или падали в пустоту, 47 раз сгорали. Больше каждой пятой программы (22%) завершилось ошибкой. Прогон был один, причем самый первый, поэтому неизвестно, как часто такая схема повторяет успех. А Наблюдатель, который не нашел жульничества, – экземпляр того же агента на той же модели. Люди вручную проверили лишь выборку логов.
Для DeepMind Minecraft – стеклянный полигон. Каждая программа, сообщение в чате и событие на сервере записаны, так что работу команды агентов можно разобрать по шагам, прежде чем доверять ей настоящие дела. Какие именно, сказано уже в аннотации: сложная инженерная и корпоративная работа требует того же умения держать план на тысячи зависимых шагов и договариваться с коллегами. В разделе об ответственной разработке авторы называют три нужных для этого навыка: координировать команду, восстанавливаться после неудач и держать цель дольше суток. 605 смертей – как раз про второй. Репетиция до победы стоила около $520 по вводной цене и $1040 по стандартной, а вся сессия вместе с Наблюдателем – $810 и $1620. В Minecraft агенты пришли не ради игры: это была репетиция серьезной командной работы.
P.S. Поддержать меня можно подпиской на канал “сбежавшая нейросеть”, где я рассказываю про ИИ с творческой стороны.