Cuatro agentes Gemini 4 Argon completan Minecraft en 27 h: 2 783 scripts y $1 620 de costo
Un cuarteto de agentes basados en Gemini 4 Argon logró derrotar al Ender Dragon en Minecraft sin intervención humana, generando casi tres mil scripts en una sesión de 27 h y costando 1.620 dólares.
En una demostración sin precedentes, el equipo de DeepMind de Google introdujo cuatro agentes de IA en un mundo aleatorio de Minecraft y, sin asignarles roles ni estrategias, lograron la victoria total contra el Ender Dragon. La partida duró 27 horas y 14 minutos, durante los cuales los agentes escribieron 2,783 programas en JavaScript, intercambiaron 229 mensajes de chat interno y murieron 605 veces antes de completar el objetivo.
Coordinación emergente sin supervisión humana
Desde el inicio, los agentes se repartieron tareas de forma autónoma: uno exploraba cuevas, otro recolectaba recursos, otro construía refugios y el cuarto se encargaba de la logística de curación y de advertir sobre peligros. Cada agente mantenía una memoria compartida que almacenaba eventos críticos, como la ubicación de recursos o la aparición de enemigos. Cuando un agente fallecía, los demás recuperaban sus ítems y actualizaban la base de conocimientos, evitando la pérdida de progreso.
Esta capacidad de auto‑organización contrasta con los sistemas tradicionales de IA para videojuegos, que suelen entrenarse específicamente para cada título mediante aprendizaje reforzado o redes neuronales especializadas. Aquí, la arquitectura genérica de Gemini 4 Argon permitió que los agentes aplicaran habilidades de razonamiento y planificación sin ajustes de dominio.
Arquitectura de los agentes y memoria compartida
Los cuatro agentes ejecutan instancias independientes de Gemini 4 Argon, cada una con su propio modelo de lenguaje y planificador de acciones. La clave del éxito radica en el módulo de memoria de trabajo distribuida, que sincroniza eventos a través de un canal de mensajería interno. Cada mensaje contiene información estructurada (posición, estado de salud, inventario) y se almacena en un registro de episodic memory accesible para los cuatro procesos.
El intercambio de 229 mensajes de chat interno demuestra que la comunicación no se limita a señales binarias, sino que incluye descripciones textuales que los modelos interpretan y actúan sobre ellas. Esta forma de lenguaje interno permite que los agentes negocien prioridades, como decidir cuándo abandonar una mina peligrosa o cuándo iniciar la fase de combate contra el dragón.
Coste computacional y viabilidad práctica
El experimento tuvo un coste total de $1,620, calculado con el precio estándar de Gemini 4 Argon que entrará en vigor en 2027. Desglosado, el gasto equivale a aproximadamente $59 por hora de cómputo, lo que sitúa a esta solución dentro del rango de proyectos de investigación de gran escala pero todavía prohibitivo para desarrolladores independientes.
- Duración de la partida: 27 h 14 min
- Scripts generados: 2,783
- Mensajes intercambiados: 229
- Muertes totales: 605
- Coste total: $1,620
Comparado con anteriores pruebas de agentes en juegos como StarCraft II o Dota 2, donde los costos superaban los $5,000 por partida, el uso de una plataforma de modelo de lenguaje grande (LLM) reduce la necesidad de entrenar redes neuronales específicas para cada entorno, lo que podría traducirse en una mayor eficiencia a largo plazo.
Implicaciones para desarrolladores de agentes autónomos
Este logro muestra que los LLMs pueden actuar como núcleo de agentes capaces de planificación a largo plazo, gestión de recursos y colaboración en tiempo real. Para los equipos que construyen sistemas de IA en entornos abiertos, la lección principal es la importancia de una arquitectura de memoria compartida que permita la persistencia de conocimientos entre instancias.
Sin embargo, el elevado coste y la dependencia de infraestructura de Google plantean retos de accesibilidad. Los desarrolladores que busquen replicar este tipo de experimentos deberán evaluar alternativas de hardware local o servicios de nube más económicos, y considerar estrategias de optimización de tokens para reducir el consumo de la API.
En síntesis, la victoria de los cuatro agentes en Minecraft no solo marca un hito técnico, sino que también abre la puerta a aplicaciones más ambiciosas: simulaciones de rescate, entrenamiento de robots en entornos virtuales y pruebas de colaboración entre IA sin intervención humana. El siguiente paso probable será la integración de sensores físicos y la transición de entornos simulados a pruebas en el mundo real.
