Bốn tác tử Gemini 4 Argon hạ Ender Dragon: đáng xem là cách chúng chơi

Các hướng nghiên cứu trước đây thường để AI học từ điểm ảnh và thao tác bàn phím chuột, như VPT hay SIMA 2 mà bài báo có nhắc tới. Thí nghiệm này đi đường khác. Mỗi tác tử viết một đoạn JavaScript kiểu “đi đến tọa độ này rồi đào mọi quặng sắt trong bán kính 16 khối”, chạy đoạn đó qua Mineflayer, rồi đọc văn bản trả về: vị trí, máu, túi đồ, và lỗi nếu có. Theo bài báo, một chương trình chạy trung vị 33,5 giây, và mỗi người chơi có chương trình đang chạy khoảng 40% thời gian. Phần còn lại dành cho việc đọc kết quả và nghĩ bước tiếp theo.

Cách làm này không ngang với người chơi thật. Theo bài báo, Mineflayer cho chương trình biết khối nào đang ở quanh, kể cả khối nằm sau lớp đá, và trạng thái nội bộ của rồng. Người chơi phải nhìn và suy đoán những thứ đó, hoặc không thể thấy. Bài báo cũng nêu điều này trong phần giới hạn. Thí nghiệm vì thế không chứng minh AI đã chơi Minecraft như con người. Nó cho thấy một mô hình viết mã đủ tốt để giữ kế hoạch qua hàng nghìn bước phụ thuộc lẫn nhau.

Điểm “không có con người can thiệp” cần đọc kỹ hơn so với tiêu đề. Bài báo viết chặt hơn. Nhóm nghiên cứu theo dõi trực tiếp qua bảng điều khiển và có thể dừng thí nghiệm bất cứ lúc nào, nhưng theo bài báo họ không có lý do để can thiệp. Một tác tử thứ năm, Observer, chỉ quan sát và báo cáo, và được hướng dẫn chỉ can thiệp khi môi trường hỏng, không bao giờ vì chiến thuật của bốn tác tử kia. Sáu lần khởi động lại máy chủ thuộc về hạ tầng, không phải quyết định chơi của tác tử.

Giới hạn cũng được bài báo nêu khá rõ. Thí nghiệm chạy ở chế độ Dễ: quái vẫn tấn công nhưng gây ít sát thương hơn, còn đói không thể giết người chơi. Mô hình đã biết nhiều về Minecraft và Mineflayer từ dữ liệu huấn luyện, nên thí nghiệm không kiểm tra khả năng chơi một trò mà nó chưa từng gặp. Nhiều chương trình trong số đó kết thúc bằng lỗi. Và đây là một lần chạy, lần thử đầu tiên, nên chưa có cơ sở để nói cách làm này thành công ổn định đến đâu.

Về chữ “đầu tiên”, bài báo nói “theo hiểu biết của chúng tôi”. Bài báo cũng dẫn hai dự án cộng đồng từng báo cáo rồng bị hạ: một tác tử Claude Opus 5 gọi 37 công cụ cấp cao ở độ khó Bình thường, và một bộ lập kế hoạch ghép với mô hình chọn hành động, chạy trên seed speedrun cố định ở chế độ Hòa bình. Hai trường hợp này khác điều kiện nên không so trực tiếp được. Vì vậy, khi đọc tiêu đề “lần đầu”, cần nhớ điều kiện chạy đi kèm.

Theo bài báo, bốn người chơi xử lý khoảng 1,35 tỷ token đầu vào, trong đó 91% lấy từ bộ nhớ đệm ngữ cảnh, và tạo khoảng 16 triệu token đầu ra, gồm 4 triệu token suy luận, qua khoảng 24.000 lượt gọi mô hình. Tính theo giá niêm yết ở mức giới thiệu, chi phí đến lúc thắng khoảng 520 USD, hoặc khoảng 1.040 USD theo giá tiêu chuẩn. Tổng cả phiên, gồm tác tử Observer và một ngày chạy sau khi thắng, là khoảng 810 USD (1.620 USD theo giá tiêu chuẩn). Bài báo ghi rõ đây là ước tính từ giá niêm yết và bộ đếm token, không phải chi phí vận hành mô hình.

Điều đáng chú ý là con số này tính theo token, không tính theo giờ máy. Với đội chạy nhiều tác tử song song, cách dùng bộ nhớ đệm sẽ quyết định chi phí không kém gì đơn giá.

Bài báo tự đặt thí nghiệm cạnh các công việc lập trình dài hạn, và đoạn này cần đọc chậm lại. Trò chơi có tiêu chí thắng rõ ràng, trạng thái thế giới được ghi lại đầy đủ, và rồng gục là xong việc. Phần mềm doanh nghiệp hiếm khi có thứ tương tự, và việc kiểm chứng thường tốn công hơn cả việc viết code. Vì vậy, ba thứ dễ mang sang hơn là: giữ kế hoạch qua nhiều bước phụ thuộc, dùng bộ nhớ chung để ghi bài học sau mỗi thất bại, và tự viết công cụ rồi thử trên việc nhỏ trước khi tin dùng.

Ba điều này có trong bài báo, nhưng mới được chứng minh bằng một lần chạy. Cần thêm nhiều lần chạy, và ít nhất một thí nghiệm không phải trò chơi, mới đủ cơ sở để nói về độ tin cậy. Với TekCafe, phần đáng giữ lại từ bài báo là cách bốn tác tử làm việc, không phải tiêu đề chiến thắng.

Bài báo đăng trên arXiv, nên chưa rõ đã qua bình duyệt hay chưa. Bài báo cũng không nói khi nào Gemini 4 Argon hay công cụ tương tự có thể dùng rộng rãi, và chưa có thông tin về việc chạy lại với cấu hình khác. Với người đọc tại Việt Nam, bài báo không có thông tin về giá hay cách tiếp cận sản phẩm.

Thí nghiệm không chứng minh AI đã làm chủ Minecraft. Nó cho thấy một mô hình viết mã, khi được cấp đúng công cụ và một mục tiêu duy nhất, có thể giữ việc qua một ngày dài, tự sửa sai và chia việc với các bạn cùng nhóm. Điều đó đáng theo dõi hơn tiêu đề chiến thắng.

Nguồn tham khảo: arXiv:2610.22319 (bài báo gốc), Engadget