Google ของ DeepMind Gemini 4 Argon ทีมงานใช้เอเจนต์ที่เป็นอิสระ 4 ตัว ในโลก Minecraft ที่สร้างขึ้นแบบสุ่ม โดยไม่มีการแทรกแซงจากมนุษย์ในการทำภารกิจเอาชนะ Ender Dragon ซึ่งการทดลองนี้แสดงให้เห็นว่า โมเดล AI แบบทั่วไปสามารถแสดงความสามารถในการทำงานร่วมกันและการแก้ไขตนเองในสถานการณ์เกมที่ซับซ้อนกว่าเดิม เอเจนต์ทั้ง 4 ตัวประสานงานกันผ่านการสนทนาในเกมและการแชร์ความทรงจำ โดยมีการแบ่งหน้าที่ที่ชัดเจน เช่น janesick สร้างเครื่องมือ, gyldenia เก็บเกี่ยวอาหาร, auratian จุดไฟที่ประตูมิติสำคัญ, bulicame สร้างที่กำบัง Enderman และทำการโจมตีครั้งสุดท้าย ทั้งกระบวนการใช้เวลา 27.23 ชั่วโมง โดยส่วนใหญ่ใช้เวลาในการต่อสู้กับ Ender Dragon
การแสดงผลของเอเจนต์ทั้ง 4 แสดงให้เห็นถึงการทำงานอัตโนมัติใน Minecraft เป็นครั้งแรก ซึ่งสะท้อนถึงศักยภาพใหม่ของระบบ AI แบบทั่วไปในภารกิจที่มีความยาว
ทีมงานระบุว่า เอเจนต์ทั้ง 4 ตัวได้เขียนและดำเนินการโปรแกรมรวม 2,783 โปรแกรม ส่งข้อความถึงกัน 229 ข้อความ และเสียชีวิต 605 ครั้ง นอกจากนี้ยังมีเอเจนต์ที่ชื่อว่า The Observer ทำหน้าที่เป็นผู้สังเกตการณ์อิสระตลอดกระบวนการ เพื่อตรวจสอบว่ามีการโกงหรือไม่และรับผิดชอบในการเผยแพร่รายงานทันทีและสรุปผล ทั้งกระบวนการมีการใช้ข้อมูล 1.35 แสนล้าน token และค่าใช้จ่ายสุดท้ายอยู่ที่ 810 ดอลลาร์สหรัฐ ตามราคาที่ระบุใน Gemini หากใช้ราคาแบบมาตรฐานจะอยู่ที่ 1,620 ดอลลาร์สหรัฐ ข้อมูลเหล่านี้ได้ถูกระบุในรายงานการวิจัยที่เผยแพร่ ทีมวิจัยยังชี้ให้เห็นว่าความสำเร็จนี้ไม่ต้องการการตั้งค่าใด ๆ ล่วงหน้าหรือเครื่องมือเกมที่เขียนโดยมนุษย์ แต่ใช้ Mineflayer ไลบรารีโอเพนซอร์สในการดำเนินการบนแพลตฟอร์มดั้งเดิม
การทดลองนี้แสดงให้เห็นถึงความสำคัญของ "การวางแผนที่สอดคล้องกันในระยะยาว" สำหรับภารกิจที่มีหลายขั้นตอน และสะท้อนถึงคุณค่าของการทำงานร่วมกันของหลายเอเจนต์และการแชร์ความรู้ข้ามเอเจนต์ ในอดีต กลยุทธ์ในเกมที่ซับซ้อมมักต้องการเครื่องมือเฉพาะและการออกแบบโดยมนุษย์ แต่ระบบดิจิทัลในปัจจุบันสามารถแบ่งงานกันได้เอง เตือนกัน แชร์ประสบการณ์ และแก้ไขเส้นทาง ความสามารถนี้มีคุณค่าในด้านการศึกษา การฝึกอบรมจำลอง และการทำงานอัตโนมัติในกระบวนการทางธุรกิจ
ในขณะเดียวกัน ทีมวิจัยยังกล่าวถึงการทดลองครั้งนี้ที่ใช้ข้อมูลขนาด 1.35 แสนล้าน token ซึ่งถือเป็นการทดลองแบบ end-to-end ที่มีการลงทุนสูงในด้านทรัพยากรคลาวด์และค่าใช้จ่ายในการคำนวณ ในด้านการตั้งราคาและการส่งเสริมกลยุทธ์การแบ่งชั้นของ Gemini และเส้นทางการค้าโมเดลขั้นสูงจะมีผลต่อความต้องการและการลงทุนของผู้ใช้ระดับองค์กรและบุคคลในความสามารถในการให้เหตุผลขั้นสูง หากมองจากมุมมองของการสังเกตตลาด Google กำลังรักษาทางเข้าที่กว้างขวางด้วยกลยุทธ์การแบ่งชั้น ในขณะเดียวกันก็ใช้โมเดลขั้นสูงอย่าง Argon เพื่อเพิ่มประสิทธิภาพการทำงานอัตโนมัติและประสิทธิภาพการคำนวณในระยะยาว กลยุทธ์นี้ช่วยเพิ่มมูลค่าการรักษาผู้ใช้และการรวมผลิตภัณฑ์ข้ามกัน
ตามข้อมูลเพิ่มเติมจาก CNMO กลยุทธ์การแบ่งชั้นของ Gemini นอกจากการตั้งราคาแล้วยังสะท้อนถึงการวางแผนระบบนิเวศ AI ในระยะยาวระหว่างสหรัฐอเมริกาและจีน: Argon ในฐานะโมเดลขั้นสูง มุ่งเน้นไปที่การเข้าใจความหมายในระดับลึกและการจัดการบริบทระยะยาว เหมาะสำหรับสถานการณ์ทางธุรกิจที่ต้องการการให้เหตุผลที่มีความแม่นยำสูงและเสถียร Flash-Lite และ Flash ยังคงทำหน้าที่เป็นตัวเลือกที่ตอบสนองอย่างรวดเร็วในชีวิตประจำวันและมีต้นทุนต่ำ โดยมีการเก็บชั้นฟรีเพื่อดึงดูดผู้ใช้ใหม่ การเปลี่ยนแปลงเหล่านี้ช่วยให้ Google สามารถรวมบริการ Cloud, Workspace และบริการสื่อได้ดียิ่งขึ้น เพิ่มประสบการณ์การใช้งานและอัตราการรักษาผู้ใช้ในผลิตภัณฑ์ต่าง ๆ
แม้ว่าการทดลองครั้งนี้จะมุ่งเน้นไปที่โลกเกม แต่เทคโนโลยีที่พัฒนาขึ้นอาจนำไปสู่การเปลี่ยนแปลงในกระบวนการทำงานอัตโนมัติและระบบการตัดสินใจในโลกจริง หาก Argon สามารถแสดงการปรับปรุงที่สำคัญในการทดสอบที่เข้มงวดในระยะเวลาที่ยาวนานและภารกิจที่หลากหลาย มูลค่าของ AI Pro และ AI Ultra จะถูกขยายออกไป Google ยังจะผลักดันการรวมกันและความร่วมมือที่ลึกซึ้งยิ่งขึ้นในบริการระบบนิเวศ เช่น Workspace และ YouTube Premium เพื่อการพัฒนาในระยะยาว Google จำเป็นต้องหาสมดุลที่มั่นคงระหว่างต้นทุน ประสิทธิภาพ และประสบการณ์ของผู้ใช้
ในขณะนี้ ผู้ใช้ที่ให้ความสำคัญกับต้นทุนและการเข้าถึงยังสามารถใช้ Flash-Lite และ Flash เพื่อรับประสิทธิภาพที่เสถียร ในขณะที่ความสามารถในการให้เหตุผลขั้นสูงที่ Argon เสนอจะมุ่งเน้นไปที่ผู้ใช้ระดับธุรกิจที่ต้องการประวัติการสนทนาที่ยาวนานและภารกิจที่ซับซ้อน ทางการยังยืนยันว่าผู้ใช้สามารถจัดการหรือยกเลิกการสมัครสมาชิกได้อย่างอิสระ และมีการให้คำแนะนำเกี่ยวกับการตั้งค่าและการเปลี่ยนแปลง ผู้ที่สนใจสามารถเข้าชมหน้าเว็บ ai.google เพื่อรับข้อมูลล่าสุด การเปลี่ยนแปลงเหล่านี้มีแนวโน้มที่จะนำไปสู่การตอบสนองที่รวดเร็วและการเปลี่ยนแปลงการจัดสรรทรัพยากรทั้งในอุปกรณ์เคลื่อนที่และเดสก์ท็อป ซึ่งอาจส่งผลต่อประสิทธิภาพในการทำงานและการวิจัยในชีวิตประจำวัน