Quatre agents d'IA fonctionnant sur Gemini 4 Argon de Google ont battu Minecraft sans aucune intervention humaine, tuant l'Ender Dragon dans une course entièrement autonome qui a duré 27 heures et 14 minutes. L'équipe de Google DeepMind a déposé les agents dans un monde généré aléatoirement sans attribuer de rôles, de stratégies ou d'outils spécifiques au jeu, selon un article de Faldor et al. couvert par The Decoder – et les agents se sont organisés, ont coopéré et ont gagné.

Minecraft est depuis longtemps une référence tenace en matière d’IA. Contrairement aux échecs ou au Go, il nécessite une planification à long terme, une exploration ouverte, la création d'outils et une coordination, le tout dans un monde qui change à chaque fois que vous y apparaissez. Battre le boss final du jeu a toujours nécessité soit des conseils humains, soit des configurations d'entraînement fortement scénarisées. En revanche, cette course a commencé avec quatre agents et rien d’autre.

La course en chiffres

Les statistiques de la session se lisent comme le journal d’une expédition chaotique mais finalement réussie :

  • 27 heures et 14 minutes de jeu autonome continu
  • 2 783 programmes JavaScript écrits par les agents eux-mêmes
  • 229 messages chat échangés entre les quatre agents
  • 605 décès en cours de route

Ce dernier chiffre mérite d’être souligné. Les agents sont morts plus de six cents fois avant de terminer le jeu, et selon la couverture du journal par Tom's Hardware, ils l'ont fait avec le niveau de difficulté Facile du jeu. Le même rapport estime les dépenses symboliques pour la course à environ 520 $, tandis que The Decoder, calculant le prix standard de Gemini 4 Argon qui entre en vigueur en 2027, estime le total à 1 620 $. Quoi qu’il en soit, le coût de la réalisation de bout en bout de Minecraft par des agents d’IA polyvalents se mesure désormais en centaines de dollars – et non en millions investis dans les IA de jeu spécialement conçues des années précédentes.

Travail d'équipe émergent, pas de scripts

Ce qui rend le résultat remarquable n’est pas seulement le fait que les agents ont gagné, mais aussi la manière dont ils ont gagné. Sans aucun rôle attribué, les quatre agents se répartissent les tâches, rapporte The Decoder. Ils se sont avertis mutuellement des menaces, ont récupéré des objets sur des coéquipiers décédés et ont enregistré les erreurs dans une mémoire partagée permettant au groupe d'éviter de répéter les erreurs.

En d’autres termes, le comportement de coordination que les développeurs de jeux codent habituellement en dur dans les équipes de PNJ a émergé de lui-même à partir de quatre instances du même modèle, d’un monde partagé et d’un canal de communication. Les 2 783 programmes JavaScript auto-écrits fonctionnent comme une bibliothèque de compétences en constante évolution : une fois qu'un agent a compris comment fondre du fer ou vaincre un miniboss, cette connaissance persiste sous forme de code réutilisable plutôt que de vivre uniquement dans la fenêtre contextuelle du modèle.

Les détails de la mémoire partagée sont importants pour quiconque suit la recherche d’agents. Les équipes d'agents capables d'accumuler et de transmettre des leçons - plutôt que de repartir de zéro après chaque échec - corrigent l'une des principales faiblesses des agents d'IA d'aujourd'hui, qui ont tendance à perdre des progrès durement gagnés dès la fin d'une session.

De champions spécialement conçus à agents généraux

Le résultat est le dernier exemple d’une tendance qui s’accélère dans le domaine. Il y a dix ans, pour vaincre l'IA des jeux vidéo de classe mondiale, il fallait des systèmes sur mesure formés à partir de zéro pour un jeu : AlphaGo pour Go de DeepMind, OpenAI Five pour Dota 2, AlphaStar pour StarCraft II. Chacun représentait un effort d’ingénierie monumental qui ne pouvait faire qu’une seule chose.

Les agents polyvalents relèvent désormais des défis de jeu qui exigeaient autrefois des années de formation spécialisée – et ils le font avec le même modèle qui peut répondre aux e-mails ou écrire du code. The Decoder note que Minecraft n'est que le dernier exemple de modèles d'IA agentiques battant les jeux vidéo qui nécessitaient auparavant des systèmes spécialement conçus. Chacun de ces résultats réduit la distance entre une « démo impressionnante » et un « assistant généralement compétent, capable de poursuivre un objectif à long terme dans un environnement désordonné ».

C'est précisément pourquoi Minecraft a été un banc d'essai de recherche si persistant : survivre aux plantes grimpantes est accessoire, mais maintenir un comportement axé sur un objectif pendant des dizaines d'heures dans un monde ouvert est un indicateur décent du type d'autonomie que les laboratoires d'IA tentent de construire.

Mises en garde et contexte

Il convient de garder à l’esprit certaines mises en garde. La course a utilisé la difficulté Facile, selon Tom's Hardware, et Minecraft – bien que réputé ouvert – reste un jeu avec des règles bien définies, une physique déterministe et des mécanismes de réapparition généreux. Les 605 décès seraient mortels dans la plupart des situations réelles ; ici, ils coûtent du temps et des jetons.

Les chiffres de calcul et de coût méritent également d'être lus attentivement : les deux estimations publiées diffèrent d'un facteur trois selon le modèle de tarification utilisé, rappelant que "combien a coûté l'exécution de l'agent" n'a pas de réponse unique jusqu'à ce que les prix d'inférence se stabilisent.

Pourtant, rien de tout cela ne diminue le résultat principal. Quatre agents polyvalents, ne disposant que d'un monde et les uns des autres, se sont auto-organisés en une équipe efficace et ont terminé l'un des défis d'IA les plus anciens du jeu en à peine plus d'une journée.

Ce que cela signifie pour l'IA agentique

Pour DeepMind, la démonstration sert également de vitrine pour les capacités agentiques de Gemini 4 Argon – la famille de modèles que Google positionne exactement pour ce type de travail utilisant des outils à long terme. Alors que les entreprises font passer les agents d’IA de la réponse aux questions à l’exécution de flux de travail sur plusieurs jours, des références comme celle-ci offrent un aperçu de ce que les modèles actuels peuvent supporter lorsque l’objectif est long, que l’environnement est conflictuel et que l’échec se mesure en centaines de petits décès plutôt qu’en un seul grand.

L'Ender Dragon est déjà tombé aux mains de machines, avec de lourds échafaudages humains. Cette fois, quatre agents sont entrés seuls dans un monde aléatoire – et en sont sortis en champions.

---

Gardez une longueur d'avance sur l'IA

Recevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.

Lire plus d'actualités sur l'IA →