Les chercheurs de Google DeepMind ont démontré que quatre agents IA Gemini 4 Argon peuvent terminer Minecraft de manière autonome, en vainquant le boss final du jeu après plus de 27 heures de collaboration continue.

Selon un article de recherche publié jeudi, les agents ont écrit et exécuté 2 783 programmes JavaScript, échangé 229 messages et été tués 605 fois avant d'abattre l'Ender Dragon.

La partie s'est déroulée dans un monde survie Minecraft généré aléatoirement en difficulté Facile, un paramètre qui réduit les dégâts infligés par les créatures hostiles du jeu. Les chercheurs ont donné aux agents un objectif unique et n'ont attribué aucun rôle, développé aucune stratégie de jeu ni intervenu à quelque moment que ce soit de la tentative. DeepMind a décrit ce résultat comme la toute première complétion autonome connue de Minecraft, du début à la fin, par des agents IA à usage général, sans outils de jeu sur mesure ni configurations de monde prédéfinies.

Des agents qui se coordonnent et élaborent leurs propres stratégies

Chaque agent contrôlait un personnage Minecraft via Mineflayer, une bibliothèque JavaScript open source permettant à des programmes d'interagir avec le jeu. Plutôt que d'appuyer sur des touches ou d'interpréter visuellement le jeu, les agents écrivaient du code pour naviguer dans le monde, collecter des ressources, fabriquer des équipements et combattre des ennemis.

Une division du travail est apparue dès les dix premières minutes. Un agent collectait des fournitures, un autre se concentrait sur les outils et l'exploration, tandis que les autres se préparaient aux environnements les plus dangereux du jeu. Les agents ont également maintenu une mémoire partagée, enregistrant les emplacements, les stratégies et les leçons tirées des échecs précédents. Au cours de la partie, ils ont développé 42 fonctions utilitaires réutilisables pour automatiser les déplacements, la collecte de ressources et la survie.

Un agent a même calculé l'emplacement d'une forteresse cachée en suivant la trajectoire de deux Yeux d'Ender — des objets du jeu dont le vol pointe vers la forteresse — et en déterminant l'intersection de leurs trajectoires, une estimation qui s'est retrouvée à moins de 43 mètres de la salle du portail.

L'équipe a rencontré des difficultés importantes après être entrée dans l'End, où le dragon a tué à plusieurs reprises des membres de l'équipe. La percée est survenue lorsque les agents ont identifié les dix cristaux qui restauraient continuellement la santé du dragon. Ils ont mis au point une stratégie utilisant des blocs de terre empilés pour atteindre et détruire les cristaux avant de finalement vaincre le boss.

La partie complète a duré 27 heures et 14 minutes, avec six redémarrages de serveur.

Un test de coordination autonome à long terme

Cette expérience intervient alors que l'industrie de l'IA pousse globalement vers des agents — des systèmes qui planifient et exécutent des tâches en plusieurs étapes avec une supervision humaine limitée — où le maintien de performances fiables sur de longues séquences de travail dépendant reste un défi central.

Au-delà de la complétion du jeu, l'expérience a testé si des systèmes d'IA à usage général pouvaient se coordonner sur des milliers de tâches interdépendantes sans guidance humaine continue. Les quatre agents ont collectivement généré environ 63 313 lignes de JavaScript et maintenu une stratégie partagée pendant plus d'une journée d'activité.

Selon les chercheurs, les agents ont traité environ 1,35 milliard de tokens d'entrée — les unités de texte et de code qu'un modèle lit — et généré 16 millions de tokens de sortie au cours d'environ 24 000 appels au modèle. Au tarif API lancement de Gemini 4 Argon, terminer le jeu a coûté environ 520 $ ; au tarif standard, ce chiffre monte à 1 040 $. Comme les modèles sont facturés au volume de tokens, les coûts augmentent directement avec la longueur et la complexité d'une exécution d'agent.

Les chercheurs ont soutenu que ce résultat démontre des capacités pertinentes pour l'ingénierie logicielle complexe et les flux de travail en entreprise, où les systèmes d'IA doivent planifier, se coordonner et se remettre d'échecs sur de longues périodes. L'exécution a toutefois été menée dans un environnement de jeu contrôlé, avec un accès programmatique aux informations du jeu plutôt qu'une interaction visuelle. Les chercheurs ont également reconnu que l'expérience n'établit pas si de telles capacités se transféreraient directement à des environnements réels, où les tâches peuvent être moins prévisibles et les erreurs plus coûteuses.

Cette réserve encadre ce qu'il faut observer ensuite : savoir si des travaux ultérieurs pourront montrer que ce type de coordination prolongée et non supervisée tient en dehors d'un moteur de jeu, où les actions sont plus difficiles à annuler et où les erreurs ont de véritables conséquences.

Quoi qu'il en soit, ces résultats témoignent des progrès de systèmes d'IA capables de maintenir des objectifs, de créer des outils et de collaborer de manière autonome sur de longues séquences d'actions.