Vier KI-Agenten des Modells Gemini 4 Argon von Google DeepMind haben das Videospiel Minecraft innerhalb von 27 Stunden und 14 Minuten autonom durchgespielt. Ohne menschliches Eingreifen oder spezialisierte Spiel-Tools koordinierten sich die Instanzen eigenständig, schrieben 2.783 JavaScript-Programme und besiegten den Enderdrachen, wie die wissenschaftliche Arbeit von Maxence Faldor, Satinder Singh und Roberta Raileanu vom 15. Oktober 2026 beschreibt.
Autonome Koordination ohne menschliche Steuerung
Das Experiment demonstriert eine Form der Autonomie, bei der vier Instanzen desselben Modells mit einem einzigen Ziel und einem grundlegenden Werkzeugkasten über einen Zeitraum von mehr als einem vollen Tag agierten, ohne dass ein Mensch den Fortschritt überwachte. Die beteiligten Forscher Maxence Faldor, Satinder Singh und Roberta Raileanu legten den Fokus darauf, dass die Agenten in einer isolierten Sandkasten-Umgebung agierten. Die KI-Systeme nutzten die Open-Source-Bibliothek Mineflayer, um mit der Spielwelt zu interagieren, wobei sie ihre Strategien durch In-Game-Chat und einen geteilten Speicherraum abstimmten.
Innerhalb dieses Rahmens entwickelten die Agenten eine spontane Arbeitsteilung. Während ein Agent wie „Auratian“ einen Plan für das Nether-Portal vorschlug, stimmte „Gyldenia“ dem zu. Weitere Rollen verteilten sich auf die Beschaffung von Betten, Feuerstein, Eisen, Werkzeugen und Diamanten. Die Agenten tauschten dabei 229 Chat-Nachrichten aus und verwalteten 146 geteilte Zustände, um Gefahren zu markieren und Gelerntes weiterzugeben. Da keine spielspezifischen Tools oder vorab festgelegte Skripte genutzt wurden, mussten die Agenten ihre Fähigkeiten durch offene Erkundung selbst aufbauen.””
2.783 Skripte und 605 virtuelle Tode
Der Weg zum Sieg war trotz der hohen Autonomie von Rückschlägen geprägt. Die Spielfiguren starben insgesamt 605 Mal, meist durch feindliche Kreaturen innerhalb der zufällig generierten Welt. Etwa 22 Prozent der erzeugten Programme wiesen Mängel auf oder endeten in Fehlern, die jedoch von den Agenten in Zusammenarbeit debuggt wurden. In der Spitze verarbeiteten die Systeme rund 1,35 Milliarden Input-Token, wobei 91 Prozent dieser Datenmenge durch das effiziente Zwischenspeichern von Kontexten bewältigt wurden.
Die Forscher betonen, dass die KI nicht nur ein Ziel erreichte, sondern eine komplexe Fortschrittskette meisterte. Der Erfolg zeigt, dass moderne Foundations-Modelle in der Lage sind, kohärente Langzeitstrategien über tausende interdependente Schritte hinweg in unvorhersehbaren Umgebungen aufrechtzuerhalten. Das Experiment gilt als Nachweis dafür, dass KI-Agenten planen, adaptieren und Aufgaben selbstständig zerlegen können, anstatt lediglich vordefinierte Anweisungen auszuführen.
Kosten und technischer Ressourcenaufwand
Die ökonomischen Aspekte des Laufs verdeutlichen den Ressourcenbedarf solcher Agenten-Experimente. Bei einer rein rechnerischen Schätzung unter Einbeziehung des fünften, beobachtenden Agenten, der zur Überwachung der Metriken eingesetzt wurde, belaufen sich die Kosten auf etwa 810 US-Dollar. Zum regulären Preis, der nach der Einführungsphase gilt, verdoppeln sich diese Kosten auf schätzungsweise 1.620 US-Dollar für die gesamte Sitzung.
| Metrik | Wert |
|---|---|
| Gesamtlaufzeit | 27 Stunden, 14 Minuten |
| Selbst geschriebene Programme | 2.783 |
| Virtuelle Tode | 605 |
| Chat-Nachrichten | 229 |
| Input-Token | 1,35 Milliarden |
Einordnung in die KI-Forschung
Das Team von Google DeepMind sieht in diesem Erfolg eine Demonstration für „komplexe, langfristige Arbeitsabläufe“. Es wird jedoch ausdrücklich darauf hingewiesen, dass dieses Experiment eine Demonstration in einer kontrollierten Umgebung bleibt. Es liefert keinen Beleg für die direkte Übertragbarkeit auf komplexe reale Software-Entwicklungen oder betriebliche Arbeitsplätze, bei denen andere Sicherheits- und Komplexitätsanforderungen herrschen. Dennoch dient die Leistung als wichtiger Datenpunkt im laufenden Wettlauf um KI-Agenten, die in der Lage sind, sich ohne menschliche Hilfe in unbekannten Umgebungen zu bewegen.”
Während frühere Benchmarks für KI in Spielen oft auf Millionen Stunden Videomaterial oder stark eingeschränkte Regelsätze angewiesen waren, basierte dieser Ansatz auf der allgemeinen Schlussfolgerungsfähigkeit des Modells. Damit unterscheidet sich das Projekt von bisherigen Versuchen, da es keine spezialisierten Verstärkungslernmodelle (Reinforcement Learning) für das Spiel selbst benötigte.
