Gemini 4 Argon एजेंट्स ने Minecraft के Ender Dragon को हराया

हमने चार Gemini 4 Argon एजेंट्स को एक सुरक्षित सैंडबॉक्स्ड Minecraft सर्वाइवल वर्ल्ड में रखा और उन्हें सिर्फ एक लक्ष्य दिया: Ender Dragon को हराना, जो गेम के अंत का बॉस है। ये हमारे सामान्य उद्देश्य वाले कोडिंग एजेंट थे — वही जिन्हें इंजीनियर अपने रोज़मर्रा के सॉफ़्टवेयर काम के लिए इस्तेमाल करते हैं, न कि Minecraft के लिए बनाया गया कोई कस्टम सिस्टम। एक सुरक्षित वातावरण में काम करते हुए, जहाँ शोधकर्ता एक लाइव डैशबोर्ड पर निगरानी रख रहे थे और किसी भी समय रन को रोकने या पॉज़ करने के लिए हस्तक्षेप कर सकते थे, प्रत्येक एजेंट ने एक ओपन-सोर्स लाइब्रेरी के ज़रिए एक प्लेयर को कंट्रोल किया और गेम की चैट तथा शेयर्ड मेमोरी के माध्यम से अपनी टीम के साथियों के साथ तालमेल बिठाया। किसी ने उनके लिए भूमिकाएँ तय नहीं कीं या गेम लॉजिक नहीं लिखा: एजेंट्स ने हर प्रोग्राम खुद प्लान किया, लिखा और डीबग किया।

सत्ताईस घंटे और 2,783 प्रोग्राम बाद, उन्होंने ड्रैगन को हरा दिया।

यह क्यों मायने रखता है? Minecraft को पूरा करने के लिए एक दिन से अधिक समय तक हज़ारों निर्भर स्टेप्स में एक सुसंगत योजना बनाए रखनी होती है। सफलतापूर्वक सहयोग करके, बार-बार मिली असफलताओं से उबरकर और बिना मानवीय हस्तक्षेप के एक साझा लक्ष्य का पीछा करके, इन एजेंट्स ने साबित कर दिया कि वे जटिल सॉफ़्टवेयर इंजीनियरिंग और रिसर्च कार्यों के लिए ज़रूरी दीर्घकालिक, ओपन-एंडेड समस्या-समाधान को संभाल सकते हैं। हम इन सीख और इस हार्नेस का उपयोग कोडिंग, विज्ञान, इंजीनियरिंग और रोबोटिक्स जैसे अन्य क्षेत्रों को आगे बढ़ाने के लिए करने की योजना बना रहे हैं।

Minecraft ग्रैंड चैलेंज

किसी रैंडम वर्ल्ड में Minecraft को पूरा करने के लिए निर्भर स्टेप्स की एक लंबी श्रृंखला की ज़रूरत होती है: बुनियादी सामग्री खोदना, दुर्लभ चीज़ें इकट्ठा करने के लिए खतरनाक वैकल्पिक आयामों (dimensions) में जीवित रहना, छिपे हुए भूमिगत किले का पता लगाने के लिए गणित का उपयोग करना, और अंत में ऐसे बॉस को हराना जो लगातार खुद को हील करता रहता है। हर स्टेप में कई घंटे लग सकते हैं, और दोबारा स्पॉन होने पर आप जो कुछ भी लेकर चल रहे होते हैं, वह गिर जाता है। किसी एजेंट के लिए मुश्किल हिस्सा कोई एक स्टेप नहीं, बल्कि हज़ारों स्टेप्स में एक सुसंगत योजना बनाए रखना है।

AlphaGo से लेकर AlphaStar तक, पहले के गेम मील के पत्थर उन सिस्टम्स से आए जिन्हें एक ही गेम पर लंबे समय तक ट्रेन किया गया था, और इसी तरह अधिकांश Minecraft एजेंट्स ने भी गेम-स्पेसिफिक ट्रेनिंग, स्किल लाइब्रेरी या प्लानर्स पर निर्भरता दिखाई है। हाल ही में, कम्युनिटी प्रोजेक्ट्स ने दिखाया है कि एक सिंगल लैंग्वेज-मॉडल एजेंट ड्रैगन तक पहुँच सकता है। हालाँकि, ये रन भारी पाबंदियों और शॉर्टकट पर निर्भर थे: पहले से जाँचे गए वर्ल्ड और पहले से खुले पोर्टल के साथ Peaceful मोड पर खेलना, या किसी एक एजेंट को चलाने के लिए दर्जनों मानव-प्रोग्राम्ड Minecraft टूल्स देना।

हम एक अलग सवाल पूछना चाहते थे। अन्य बड़े भाषा मॉडलों की तरह, Argon ने भी वेब पर Minecraft के बारे में बहुत कुछ पढ़ा है। क्या सामान्य उद्देश्य वाले कोडिंग एजेंट्स की एक टीम उस ज्ञान को ले सकती है और बिना किसी गेम-स्पेसिफिक टूल, बिना संकेतों, बिना मानवीय मार्गदर्शन और बिना पहले से तय भूमिकाओं के, सिर्फ एक बेयर प्रोग्रामिंग इंटरफ़ेस के ज़रिए खुद को व्यवस्थित करके एक रैंडम सर्वाइवल वर्ल्ड में शून्य से शुरू करते हुए Ender Dragon को हरा सकती है?

कोलैबोरेटिव कोडिंग को काम करते देखना

एजेंट्स ने न तो कोई पिक्सेल देखा और न ही कोई की दबाई। हर एजेंट ने एक छोटा प्रोग्राम लिखकर काम किया, जैसे "इन कोऑर्डिनेट्स तक चलो और 16 ब्लॉक के भीतर मौजूद हर आयरन ओर को खोदो"। उन्होंने प्रोग्राम के चलने से उत्पन्न आउटपुट भी पढ़ा, जिसमें एजेंट की अपडेट हुई पोज़िशन, हेल्थ और इन्वेंट्री, या उत्पन्न हुआ एरर शामिल था। पिछले कम्युनिटी प्रयासों के विपरीत, उन्होंने Easy डिफ़िकल्टी वाले रैंडम वर्ल्ड से शुरुआत की, जहाँ खतरनाक राक्षस थे, और उन्होंने स्टैंडर्ड Mineflayer लाइब्रेरी का उपयोग ठीक वैसे ही किया जैसे वह पब्लिश की गई थी — हमने उसके ऊपर कुछ भी नहीं बनाया। Mineflayer किसी प्रोग्राम को प्लेयर की पोज़िशन, हेल्थ, इन्वेंट्री और आसपास का माहौल पढ़ने और किसी बिंदु तक चलने, ब्लॉक खोदने या रखने, कोई आइटम बनाने या हमला करने जैसे बुनियादी कामों का आदेश देने की सुविधा देता है। Mineflayer एजेंट को यह नहीं बताता कि कैसे खेलना है: क्या करना है और किस क्रम में, यह पूरी तरह एजेंट्स पर निर्भर था।

दस मिनट के भीतर, एजेंट्स ने चैट में काम बाँट लिया था: एक ने टूल्स बनाए, एक ने खाना इकट्ठा किया, एक ने हीरे खोदे और एक ने गेम के दूसरे आयाम (dimension) का पोर्टल बनाया। छिपे हुए किले को खोजने के लिए, एक एजेंट ने दो अलग-अलग जगहों से उसकी दिशा में दो आइटम फेंके, कोड में हर उड़ान को ट्रैक किया और गणना की कि दोनों रास्ते कहाँ मिलते हैं। उसका अनुमान किले से 43 मीटर दूर रहा, जबकि किला 1.3 किलोमीटर दूर था।

आइटम आइकन ओपन-सोर्स Pixel Perfection टेक्सचर पैक (XSSheep और Nova_Wostra, CC BY-SA 4.0) से हैं, Minecraft के टेक्सचर नहीं।

ड्रैगन को हराना गेम की सबसे कठिन और सबसे ज़्यादा समय लेने वाली चुनौती थी, जिसके कारण एजेंट्स को 69 बार दोबारा स्पॉन होना पड़ा। प्रयासों के बीच, उन्होंने अगली कोशिश के लिए सबक लिखे। आखिरकार, एक एजेंट ने ध्यान दिया कि क्रिस्टल ड्रैगन को हील कर रहे हैं, और उसने समझ लिया कि उन तक पहुँचने के लिए किसी कुदाल (pickaxe) की ज़रूरत नहीं है: हर टावर के बगल में मिट्टी जमाओ, क्रिस्टल को मारो, और वापस नीचे खोदो। आखिरी क्रिस्टल गिरने के उनतीस मिनट बाद, ड्रैगन हार गया। आखिरी वार उस प्लेयर ने किया जिसकी 20 में से सिर्फ 2.5 हेल्थ पॉइंट बची थी।

इस दौरान, टीम ने कोऑर्डिनेट्स और सीख के साझा नोट्स बनाए रखे, ऐसे हेल्पर फ़ंक्शन लिखे जिनका चारों ने फिर से इस्तेमाल किया (एक फ़ंक्शन 655 प्रोग्राम में दिखता है), दोबारा स्पॉन होने के बाद एक-दूसरे के आइटम वापस लिए, और अपनी गलतियों को खुद चिह्नित किया। जब किसी प्रोग्राम ने ऐसी सफलता की घोषणा की जो हुई ही नहीं थी, तो उसे लिखने वाले एजेंट ने दो मिनट बाद लिखा, “मेरी पिछली चैट एक अनगार्डेड स्क्रिप्ट ब्रांच थी”।

सैंडबॉक्स से परे

Minecraft सैंडबॉक्स है; कौशल सामान्य हैं। एक दिन से ज़्यादा समय तक किसी लक्ष्य का पीछा करना, हज़ारों प्रोग्राम लिखना और डीबग करना, असफलता से उबरना, और एक टीम के रूप में तालमेल बिठाना — यही वह सब है जिसकी माँग लंबी अवधि वाले सॉफ़्टवेयर प्रोजेक्ट्स और रिसर्च करते हैं। यही वह भी है जो हम एक अच्छे सहयोगी से उम्मीद करते हैं: एक ऐसा एजेंट जो काम बाँटे, साझा नोट्स रखे और अपनी गलतियाँ सुधारे, वह ऐसा है जिस पर इंजीनियर असली काम के लिए भरोसा कर सकते हैं।

Minecraft एजेंट क्षमताओं का अध्ययन करने के लिए एक सुरक्षित जगह भी है। एजेंट्स के इन-गेम प्रोग्राम सिर्फ उनके अपने प्लेयर को कंट्रोल कर सकते थे: वे न तो कोई प्रोसेस शुरू कर सकते थे और न ही फाइलें लिख सकते थे, और किसी ने भी सर्वर कमांड का इस्तेमाल नहीं किया। एक पाँचवाँ एजेंट, Observer, धोखाधड़ी या स्पेसिफिकेशन गेमिंग पर नज़र रखने के लिए एक स्वतंत्र गवाह के रूप में सेशन का अनुसरण करता रहा; न तो Observer को और न ही लॉग्स के एक नमूने की हमारी मैनुअल समीक्षा को कुछ भी ऐसा मिला। हर प्रोग्राम, संदेश और गेम इवेंट को एक लाइव डैशबोर्ड पर रिकॉर्ड किया गया जहाँ शोधकर्ता किसी भी समय रन को पॉज़ या रोक सकते थे, और एजेंट्स ने सादे टेक्स्ट और कोड में तालमेल बिठाया जिसे कोई भी लाइन-दर-लाइन पढ़ सकता था। सैंडबॉक्स्ड वातावरण में एजेंट टीमों को तालमेल बिठाते हुए देखना, जहाँ हर कदम दिखाई देता है, ऐसे सिस्टम्स को वास्तविक दुनिया के कामों पर भरोसा करने से पहले समझने का एक तरीका है।

इस अध्ययन की सीमाओं का उल्लेख करना भी ज़रूरी है। एजेंट्स ने दुनिया को एक API के ज़रिए पढ़ा, जो उन्हें ठीक-ठीक बताता है कि उनके आसपास कौन से ब्लॉक और प्राणी हैं, और एक पाथफाइंडिंग प्लगइन बाधाओं के आसपास उनके रास्ते तय करता है। उन्होंने Easy पर खेला। और वे बार-बार असफल भी हुए: 605 बार दोबारा स्पॉन हुए, और 22% प्रोग्राम एरर के साथ समाप्त हुए।

परिणामों की पुष्टि

हमने रन की हर चीज़ रिकॉर्ड की: सभी 2,783 प्रोग्राम और उनके आउटपुट, सभी 229 चैट संदेश, दुनिया के आवधिक स्नैपशॉट, और पूरा सर्वर लॉग, जहाँ पहले प्रोग्राम के 27 घंटे 14 मिनट बाद जीत दर्ज है। सर्वर पर चीट कमांड बंद थे, किसी भी प्रोग्राम ने सर्वर कमांड या नेटवर्क रिक्वेस्ट जारी नहीं की, और स्वतंत्र Observer एजेंट तथा लॉग्स के हमारे मैनुअल ऑडिट दोनों ने पुष्टि की कि टीम ने विशुद्ध रूप से मानक सर्वाइवल गेमप्ले के ज़रिए जीत हासिल की।

अगला मोर्चा

यह अध्ययन AI टीमों के सहयोग का मूल्यांकन करने के लिए Minecraft जैसे सैंडबॉक्स वातावरण के उपयोग की सतह को अभी बस खुरचना शुरू करता है। आगे के सवालों में शामिल हैं: क्या होता है जब एजेंट सीधे इंसानों की तरह पिक्सेल से देखकर वर्चुअल कीबोर्ड और माउस का उपयोग करके खेलते हैं? जब हम टीम का आकार बढ़ाते हैं तो तालमेल कैसे बदलता है? और जब इन एजेंट्स का लक्ष्य तय न होकर Minecraft की तरह ओपन-एंडेड हो, तो वे क्या बनाएँगे?

हम इस हार्नेस और इस प्रयोग से मिली सीख का उपयोग जटिल वास्तविक दुनिया की चुनौतियों से निपटने के लिए भी करने की योजना बना रहे हैं, ताकि सॉफ़्टवेयर इंजीनियरिंग, वैज्ञानिक अनुसंधान, डिज़ाइन और रोबोटिक्स में सहयोगात्मक, दीर्घकालिक बुद्धिमत्ता लाई जा सके। ड्रैगन गिर चुका है, लेकिन भरोसेमंद AI साथी बनाने का असली काम अभी शुरू हुआ है।

इस काम के बारे में हमारी तकनीकी रिपोर्ट में और पढ़ें: http://arxiv.org/abs/2610.22319

यह एक स्वतंत्र शोध प्रयोग है। यह कोई आधिकारिक Minecraft मील का पत्थर नहीं है, और इसे Mojang या Microsoft द्वारा अनुमोदित नहीं किया गया है और न ही इसका उनसे कोई संबंध है। गेम की छवियों में XSSheep और Nova_Wostra द्वारा बनाया गया Pixel Perfection टेक्सचर पैक इस्तेमाल किया गया है, जो CC BY-SA 4.0 के तहत लाइसेंस प्राप्त है, न कि Minecraft के अपने टेक्सचर।