Новейшие ИИ-агенты Google доказали, что могут сотрудничать без предварительных инструкций

Большая часть хайпа вокруг искусственного интеллекта сосредоточена на цифровом дворецком, который понимает вашу душу, но реальность обычно ограничивается чат-ботом, с трудом планирующим простую встречу. Последний эксперимент Google с агентами Gemini 4 Argon показывает, что индустрия переходит от простых разговоров к реальному труду. В исследовании, недавно опубликованном Google DeepMind, четыре ИИ-агента погрузились в непредсказуемый мир Minecraft и победили Дракона Края без какого-либо участия человека. Это значительный сдвиг по сравнению с эрой AlphaGo, которая осваивала игры с фиксированными правилами и плоским полем. Minecraft — это хаотичная трехмерная песочница, где ресурсы ограничены, а угрозы постоянны. Агенты не просто играли в игру; они организовались в функциональную группу, чтобы выжить.

Технологи часто описывают ИИ как неутомимого стажера, но эти агенты действовали скорее как децентрализованная строительная бригада. Они прибыли на объект без чертежей и распределенных ролей. Каждый агент управлял своим персонажем с помощью библиотеки Mineflayer — инструмента с открытым исходным кодом, который переводит логику ИИ во внутриигровые движения. Вместо того чтобы человек-программист указывал им добывать уголь или искать еду, агенты использовали общую систему памяти и чат, чтобы решать, что необходимо в данный момент. Этот эксперимент стал стресс-тестом того, как модели общего ИИ справляются с долгосрочными целями, требующими тысяч отдельных зависимых шагов.

Логистика цифровой охоты на дракона

Миссия длилась 27,23 часа. За это время четыре агента — по имени Janesick, Gyldenia, Auratian и Bulicame — выполняли задачи, которые обычно требуют высокого уровня человеческой интуиции. Они не просто бродили бесцельно. Агенты написали и запустили 2 783 программы для взаимодействия с миром. Они обменялись 229 сообщениями для координации своих усилий. Когда один агент погибал, остальные не игнорировали потерю. Они отправлялись к месту происшествия, чтобы вернуть предметы, что демонстрирует четкое понимание управления ресурсами и ценности команды.

Каждый агент естественным образом занял определенную роль, исходя из немедленных потребностей группы. Janesick сосредоточился на создании инструментов, необходимых для выживания. Gyldenia взяла на себя снабжение продовольствием, следя за тем, чтобы команда не голодала во время исследований. Auratian занимался сложной задачей зажигания портала в измерение «Энд», в то время как Bulicame строил убежища и в итоге нанес решающий удар дракону. Эта специализация произошла без центральной структуры управления. Агенты видели проблему, сообщали о необходимости решения и выполняли план. Практически говоря, это первый случай, когда ИИ прошел Minecraft от начала до конца без заранее разведанных сидов мира или написанных человеком стратегий.

Высокая стоимость автономного труда

Хотя техническое достижение впечатляет, экономика эксперимента дает повод для проверки реальности рядовым пользователем. Запуск этих четырех агентов обошелся недешево. По прейскурантным ценам Gemini эксперимент стоил 810 долларов. По стандартным рыночным ставкам эта цифра возрастает до 1 620 долларов. Агенты потребили 1,35 миллиарда входных токенов для обработки окружающей среды и принятия решений. Для одной игровой сессии такой ценник астрономичен. Человек может пройти игру по цене сэндвича и нескольких часов свободного времени.

Со стороны рынка такая стоимость является значительным барьером для широкого внедрения. Если работа ИИ-агента стоит от 30 до 60 долларов в час, это дороже, чем наем многих сотрудников-людей. Однако это лишь срез технологии на ранней стадии. Исторически стоимость вычислительных мощностей падает по мере того, как оборудование становится эффективнее, а модели — оптимизированнее. Для бизнеса ценность заключается не в самой игре, а в способности ИИ придерживаться последовательного плана более 24 часов, не отвлекаясь от задачи. Тот факт, что агенты погибали 605 раз, но продолжали идти к своей цели, показывает уровень настойчивости, которого не хватало предыдущим моделям.

Почему наблюдатель важен для прозрачности

Google включила в эксперимент пятого агента под названием «Наблюдатель» (Observer). Этот агент не играл в игру. Его единственной целью было выступать в качестве независимого свидетеля. Он следил за четырьмя другими агентами на предмет мошенничества, суммировал их прогресс и публиковал отчеты об их поведении. Такая схема — это практический взгляд на то, как компании могут управлять ИИ в будущем. Поскольку эти модели берут на себя более сложные задачи в финансах или логистике, независимый ИИ-аудитор мог бы обеспечить уровень прозрачности, который людям трудно поддерживать вручную.

В повседневной жизни именно такой тип надзора делает автоматизированные системы заслуживающими доверия. Наблюдатель — это цифровой эквивалент черного ящика в самолете. Он записывает логику каждого решения и каждой неудачи. Заставив один ИИ наблюдать за другими ИИ, Google создала петлю обратной связи, которая позволяет провести детальный анализ причин ошибок. Это особенно актуально, учитывая 605 смертей, которые потерпели агенты. Анализ этих неудач — это то, как система учится избегать угроз в будущих итерациях.

Переход из игр в реальный мир

Переход из контролируемой среды, такой как шахматная доска, в рандомизированный мир, такой как Minecraft, является важным шагом для агентного ИИ. В игре Го вся информация видна на экране. В Minecraft мир скрыт за холмами и внутри пещер. Агентам приходилось иметь дело с «туманом войны», что означало необходимость исследовать и запоминать свое окружение для достижения успеха. Это отражает то, как помощник в реальном мире должен ориентироваться в хаотичном офисе или сложной цепочке поставок.

Для обычного потребителя это означает, что «ИИ-агент» в вашем телефоне или ноутбуке скоро станет намного функциональнее. Вместо того чтобы просто установить напоминание, будущая версия этой технологии потенциально сможет спланировать трехдневную деловую поездку, скоординировать ее с календарями ваших коллег и перебронировать авиабилеты в случае шторма. Она сделает это, разделив задачу между различными субагентами — одним для поездок, одним для планирования и одним для управления бюджетом — подобно тому, как команда Minecraft разделила добычу ресурсов и фермерство.

Итог для пользователей и индустрии

Мы наблюдаем переход от ИИ как поисковой системы к ИИ как менеджеру проектов. Эксперимент в Minecraft доказывает, что эти модели могут справляться с тысячами зависимых шагов, не теряя из виду финишную черту. Они могут учиться на ошибках своих товарищей по команде и корректировать свою стратегию в режиме реального времени. Речь идет не об играх; речь идет о способности программного обеспечения функционировать в мире, для которого оно не было специально запрограммировано.

Однако стоимость остается «медленным проколом в шине» революции ИИ. Пока цена за токен значительно не упадет, эти мультиагентные системы останутся площадкой для крупных технологических фирм и высокобюджетных промышленных проектов. Скорее всего, на следующей неделе у вас не будет команды из четырех агентов Gemini, играющих за вас в игры, но фундаментальная работа для такого рода автоматизации уже завершена. Эксперимент показывает, что узким местом больше не является интеллект или координация; узким местом является цена электроэнергии и кремния, необходимых для поддержания работы.

В конечном счете, победа в Minecraft — это сигнал рынку о том, что модели общего назначения готовы к сложной совместной работе. В следующий раз, когда вы будете использовать инструмент ИИ, ищите признаки того, что он «думает» шагами, а не просто дает быстрый ответ. Эра одиночных чат-ботов заканчивается. Начинается эра цифровой рабочей силы. Наблюдайте за тем, как меняются ваши собственные цифровые привычки по мере того, как эти инструменты становятся более автономными и начинают справляться с делами, которые вы раньше делали сами.

Источники

• Google DeepMind Research Paper: "Collaborative Research with Gemini 4 Argon Agents in Sandbox Environments"
• Mineflayer Open Source Documentation and Library Specifications
• Alphabet Inc. Q3 2026 Earnings and Compute Cost Estimates
• Technical Analysis of Token Consumption in Large Language Models (LLMs)
• DeepMind Historical Archives: From AlphaGo to Agentic Workflows