Gemini 4 Argon エージェント4体がMinecraftを完全クリア ― 27時間・2,783プログラム・605回の死が示す「長期ホライズン自律協調」の現在地

はじめに ― AIが「27時間、途中で止まらずに一つの目的を追い続けた」意味

2026年10月15日に公開された論文「A team of Gemini 4 Argon agents beats Minecraft」（arXiv:2610.22319）は、AIエージェントの能力を測るうえで一つの節目になる報告である。起きたことを一言でまとめると、こうなる。

4体の Gemini 4 Argon エージェントが、ランダム生成されたMinecraftのサバイバル世界（Easy難易度）で、エンダードラゴンの討伐を完遂した。

所要時間は27時間14分。その間にエージェントたちが自分で書いたプログラムは2,783本、死亡回数は605回、チーム内で交わしたチャットは229通にのぼる。人間は一度も介入していない。

何が「新しい」のか

AIがゲームを攻略したという話自体は、もはや珍しくない。この論文が注目に値するのは、「人間が何も用意しなかった」という点である。

• 役割分担を人間が決めていない
• ゲーム専用の攻略ツールを人間が書いていない
• 事前にシード（ワールドの種）やルートを用意していない

エージェントに与えられたのは、オープンソースのボット用ライブラリ「Mineflayer」と、「エンダードラゴンを倒せ」という1段落の目的だけ。攻略に必要なプログラムはすべて、エージェント自身が書き、デバッグし、実行した。論文はこれを「我々の知る限り、AIエージェントによる初のエンドツーエンドの自律クリア」と位置づけている。

前提知識 ― Minecraftの「クリア」とは何か

Minecraftの本編クリアは、単に強い敵を倒すことではない。オーバーワールド → ネザー → エンドという3つの次元をまたぎ、互いに依存し合う多数のステップを順番に踏む必要がある。素材を集め、道具を作り、ネザーへのポータルを開き、要塞を探し当て、エンドへのポータルを点灯させ、最後にドラゴンを倒す。途中のどこかで手順を間違えれば、それまでの成果が無駄になる。

flowchart LR
    A["スポーン<br/>(0時間目)"] --> B["素材集め・ツール作成<br/>(〜2時間)"] --> C["ネザーポータル点火<br/>(1時間42分)"] --> D["ブレイズロッド・<br/>エンダーパール確保<br/>(2〜11時間)"] --> E["要塞の発見<br/>(10〜13時間)"] --> F["エンドポータル点灯<br/>(13時間17分)"] --> G["クリスタル破壊<br/>(〜21時間目に突破口)"] --> H["エンダードラゴン討伐<br/>(27時間14分)"]

「27時間もかかるのか」と感じるかもしれないが、この依存ステップの連鎖を、途中で計画を見失わずに1日以上維持し続けたことこそが、この実験の核心である。

なぜエンジニアが読むべきか

論文の著者（Maxence Faldor、Satinder Singh、Roberta Raileanu）は、この実験の動機を明確に述べている。複雑な実世界のソフトウェアエンジニアリングやエンタープライズ業務は、「何千ステップにも依存し合う作業を、1日以上にわたり計画の一貫性を保ったまま進める」能力を要求する。Minecraft攻略は、その能力を、全ステップが記録・検証可能なサンドボックスの中で試した実験だというわけである。

なお、本論文はあくまで単一の実行例を記述したものであり、この構成がどの程度の確率で成功するかを示す統計的な研究ではない。また、Minecraftは Mojang/Microsoft の登録商標であり、本論文は両社と無関係の独立研究である。こうした留保を踏まえたうえで、27時間の記録が何を示したのかを、以下で順に見ていく。

Gemini 4 Argon とは何か ― この実験を可能にしたモデルの素性

Gemini 4 Argon は、Google DeepMind が2026年9月30日に発表したフロンティアモデルである。フロンティアモデルとは、その時点で開発元が提供できる最も能力の高いモデル群を指し、実世界のソフトウェアエンジニアリング、法務・財務などの企業ナレッジワーク、サイバー防衛といった用途を想定している。発表当初は信頼されたサイバー防衛関係者に限定提供され、その後、開発者・企業・一般利用者へと段階的に開放された。この限定提供の枠組みは Fairwind プログラムと呼ばれている。

Minecraft を使った実験で決定的だったのは、出力トークン上限が従来の64Kから100万トークンへ拡大された点である。トークンとはモデルが扱うテキストの最小単位で、出力トークンは「1回の応答で書き出せる量」を意味する。上限が100万まで広がったことで、長い思考・大量のコード・長い実行ログをひと続きの文脈の中で扱いやすくなり、数十万トークンを生成しながら深く考える使い方が現実的になった。1日以上にわたる長期ホライズン（長い時間軸の意）の作業では、この「一度に考え抜ける量」が効いてくる。

公表されている主な数値は次のとおりである。

一方で、別のコーディング系ベンチマークである FrontierSWE v2 では他社モデルに劣ると報じられており、あらゆる指標で最強というわけではない。

価格も押さえておく。導入期は入力100万トークンあたり2ドル、出力10ドルで、同じ入力を再利用するコンテキストキャッシュを使うと入力分が95%引きになる。導入期が終わると標準価格の入力4ドル・出力20ドルへ移行する。この価格は、27時間に及んだ実行のコストを試算する際の前提になる。

では、なぜ「コーディングエージェント」がゲームを攻略できたのか。Argon は単体のチャットモデルとしてではなく、エージェントハーネス（モデルに手足と記憶を与える実行環境）と組み合わせた汎用コーディングエージェントとして動く。具体的にはコードワークスペース、シェル、ファイル編集、Web検索、そして永続メモリを備え、これらを自律的に呼び出しながら作業を進める。Minecraft 専用の訓練やゲーム攻略用のツールは一切与えられておらず、実験で使われたのは標準の Mineflayer ライブラリと1段落の目的だけである。Argon は「Minecraft を上手に遊ぶモデル」として作られたのではなく、汎用のコーディングエージェントとして、Minecraft を「動くプログラムを書いて検証する対象」に置き換えて攻略した ― この点が、以降の27時間の記録を読み解く鍵になる。

実験の設計 ― 「何も与えなかった」ことをどう保証したか

この実験の主張の核心は、結果の派手さではなく「エージェントにゲーム攻略の知識を一切与えていない」という条件の厳しさにある。そのため設計は、何を与え、何を与えなかったかを厳密に切り分ける形で組まれている。

環境と与えた指示

舞台は Minecraft Java Edition 1.20.4 のサバイバルモード。難易度は Easy、ワールドはランダム生成で、チートコマンドは無効化されている。実行中に人間が操作することはなく、シードや攻略ルートの事前調査も行われていない。

与えられた指示は2層に分かれる。ゲーム固有の目標はわずか1段落で、「目的はエンダードラゴンの討伐。サバイバルモードのルール内であれば手段は自由で、仕事の分担はプレイヤー自身が決める」というもの。もう一方は環境に依存しない汎用指示で、行動前に環境を観察して結果を検証すること、新しいツールは短いタスクで検証してから信頼すること、手作業が速度や信頼性の限界になるなら自分でツールを作ること、得た知見をメモリに記録して同じ障害を二度踏まないこと、そして行動と結果について正直に報告すること、が含まれる。

決定的なのは、環境の説明文に含まれるのがライブラリの使い方・チャットの仕組み・ログの保存場所といった操作上の情報だけで、攻略情報が一切含まれていない点だ。

「プログラムを書く」という行動ループ

Mineflayer は Minecraft のボットを操作するオープンソースのJavaScriptライブラリで、座標・体力・インベントリ・周囲の情報を読み取ったり、歩く・掘る・置く・クラフトする・攻撃するといった基本操作を指示するAPIを提供する。ただし「何を、どの順でやるか」は一切持っていない。

エージェントはピクセルを見たりキーを押したりしない。代わりに「指定座標まで歩き、16ブロック以内の鉄鉱石をすべて掘る」のような短いJavaScriptプログラムを書いて実行し、返ってくるテキスト（位置・体力・インベントリ・発見物・エラー）を読んで次のプログラムを書く。プログラムの実行時間の中央値は33.5秒。各プレイヤーがプログラムを実行していたのは全時間の約40%にすぎず、残りは結果の読解・思考・次のコードの記述に費やされた。

flowchart LR
  P["エージェント<br/>（短いJSプログラムを書く）"] -->|実行| B["Mineflayer bot"]
  B -->|基本操作| W["共有サバイバル世界"]
  W -->|位置・体力・インベントリ・エラー| B
  B -->|テキスト結果| P
  P <-->|発言| C["共有チャット"]
  P <-->|読み書き| M["共有メモリ"]

ツールの制約と監視役

プログラムが読み込めるのはNode.jsの組み込みモジュールとインストール済みのMineflayerだけで、他プロセスの起動やファイルへの書き込みはできない。一方、グローバルオブジェクトに保存した値はプログラムをまたいで持続する。これが、エージェント自身が作った小さなツール群をチーム内で受け渡す土台になった。

監視は5体目のエージェント「Observer」が担った。Observer はゲームに一切参加せず、プレイヤーの主張を記録と突き合わせ、仕様のゲーム化（評価の欠陥を突いて「成功したように見せる」行為）や結果の捏造を報告する。研究者はライブダッシュボードからいつでも停止できたが、介入の必要は生じなかった。証人を独立したエージェントとして同席させるこの設計は、後述する責任ある開発の議論にもつながる。

27時間の全記録 ― チームはどう生まれ、どう詰まり、どう突破したか

最初のプログラムが実行されてから、サーバログに「エンダードラゴン討伐」の実績が刻まれるまで、27時間14分。この間に4体のエージェントは2,783本（勝利前）のJavaScriptプログラムを書き、605回死に、229通のチャットで意思疎通し、ワールドサーバは6回再起動して合計約20分ゲームが止まった。ゲーム内では約81日が経過していた。ここでは、その長い道のりを時刻ごとに追いながら、「チームがどう生まれ、どこで詰まり、どう突破したか」を順に見ていく。

0時間目 ― 役割は誰も割り当てていないのに、10分で決まった

最初のプログラムからわずか10分後、janesick がチャットで分業を提案した。1分以内に auratian が別案を返し、gyldenia が「Copy that!」と応じる。こうして役割は素早く固まった。gyldenia は食料・ベッド・火打ち石の調達、bulicame はダイヤの採掘、janesick は鉄の精錬とツール作成、auratian はネザーポータルの準備である。

動き出しも速かった。2時間以内に鉄ツール・ダイヤ・ネザーポータルの材料を確保し、auratian が村で溶岩55ブロックを発見、janesick が最後の黒曜石を設置した2秒後に auratian が着火している（実行開始1時間42分の時点）。重要なのは、この分担が誰かの指示で決まったものではない点だ。与えられたのは「仕事の分担はプレイヤーが決める」という一行だけで、これも創発した行動のひとつである。

2〜11時間目 ― ネザー攻略と、失敗をルールに変える文化

エンダードラゴンを呼び出す「エンダーアイ」には、ネザー要塞のブレイズから得るブレイズパウダーと、エンダーマンのドロップであるエンダーパールが必要になる。チームはここでも分かれて動いた。

エンダーマン対策には物理的な洞察が使われた。エンダーマンは目を合わせるとプレイヤーのもとへテレポートしてくるが、体の高さが約3ブロックあるため、天井の高さが2ブロックの空間には入れない。そこで高さ2ブロックのシェルターを建て、中に誘い込んで倒す方式を採った。実行開始5時間半で、共有チェストにはエンダーパールが15個そろっている。

この時期に起きた最大の事故が、janesick の焼死だった。ブレイズパウダー12個を運搬中に炎上し、さらにガストの火球がドロップアイテムの山を吹き飛ばしてしまう。だがチームはこの損失をそのまま流さなかった。auratian が全員宛に教訓を投稿し、その2分後に janesick が根本原因と修正策を書き込んだ。

sequenceDiagram
    participant A as エージェント(失敗当事者)
    participant T as チームチャット
    participant M as 共有メモリ
    participant P as 以後のプログラム
    A->>T: 損失を報告(ブレイズパウダー12個を焼失)
    T->>T: 教訓を共有(2分以内)
    A->>M: 根本原因と修正策を記録
    M->>P: 以後のプログラムが再利用(同じ障害を回避)

このサイクルが、27時間という長期戦を支える土台になった。失敗を個人のミスで終わらせず、チーム全員が再利用できるルールへと変換する仕組みが、実際に動いていたのである。

10〜13時間目 ― 要塞を「測定」で見つける

エンダーアイを投げると、最寄りの要塞の方向へ飛んでいく。janesick はこれを利用し、2地点から眼球を投げて、その飛行を50ミリ秒ごとにサンプリングして座標を記録し、2本の直線の交点を計算した。結果は「村から1.3km先」という推定で、実際のポータル室との誤差は43mだった。座標を配列に記録し、行列式で2直線の交点を解くという、ごく素直なプログラムが高い精度を出したわけだ。

運搬中の事故も起きた。auratian がエンダーアイ12個すべてを携えて溺死したのだが、janesick と auratian が「正確な場所」と「アイテムが消える時刻」を bulicame に伝え、bulicame が残り2分半で12個すべてを回収している。そして実行開始13時間17分、12個の目がすべてセットされてエンドポータルが点灯した。

13〜27時間目 ― ドラゴン戦で最も時間を使い、ルールを書き溜めた

最後のエンドは最も難所で、ドラゴンに69回殺された。チームはここでも、ドラゴンの行動フェーズを表す内部状態の番号まで読み取り、そこから「到着台の上で待たない」「止まったらエンドを出てリセットする」「近づくのは止まっているときだけ」といったルールを書き出していった。

リセットには特徴的な技法が使われた。エンドから出るために、あえて奈落に飛び込んで死ぬのだ。死亡するとオーバーワールドのベッドへ戻るため、空になったエンドがアンロードされ、スタックしたドラゴンが初期化される。実行17時間半の時点で4体全員が6分以内にこれを実行した。

突破口は約21時間目に訪れる。auratian が「黒曜石の柱の上にある10個のクリスタルがドラゴンを回復させ続けている」と指摘し、「ツルハシは不要」という解法を導き出した。土を積んで柱の横を登り、素手でクリスタルを殴り、手で掘って降りるという方法だ。以後4時間40分で10個すべてを破壊し、最後の1個が落ちてから39分後にドラゴンは息絶えた。そのとき bulicame の残り体力は20中2.5しかなかった。

何が「創発」だったのか ― 指示に書かれていない5つの行動

4体のエージェントに与えられたゲーム固有の指示は、実質的に1段落だけだった。「目的はエンダードラゴンの討伐。サバイバルモードのルール内であれば手段は自由。仕事の分担はプレイヤー自身が決める」――これがすべてである。汎用の作業指示として「結果を検証する」「再利用できるツールを作る」「知見を共有メモリに残す」「正直に報告する」は示されていたが、「どう役割を分けるか」「何を共有するか」「仲間をどう助けるか」はどこにも書かれていない。

にもかかわらず、229通のチャットと2,783本のプログラムのなかで、チームは有能な人間の開発チームに見られる習慣へと自然に収束していった。ここでいう「創発（emergent）」とは、個々のエージェントに明示的に指示していない行動が、複数体の相互作用から結果として立ち現れることを指す。論文が挙げる創発的行動は、大きく5つに整理できる。

役割分担は最初のプログラムからわずか10分後に始まった。janesick がチャットで分業を提案すると、1分以内に auratian が別案を返し、gyldenia が「Copy that!」と応答して、分担は速やかに固まった。誰かが役割を割り当てたわけではない。指示に「役割を決めよ」とすら書かれていないなかで、4体は自分たちの得意・状況に応じて持ち場を選び取っていった。

共有メモリも同様に、指示の範囲を超えて実用的に育った。実行開始から19分の時点で、gyldenia は Mineflayer のクラフト機能の癖とその回避方法をチームに警告している。この修正を含むヘルパー関数は、4体合計で655本ものプログラムに登場した。一度学んだ教訓が全員のコードに浸透する仕組みが、指示される前に自然と成立していたことになる。

自作ツールの再利用も顕著だった。プログラム間で146個の状態とコードが生存し、うち42個がヘルパー関数として共有された。水中でキャラクターを浮かせ続けるバックグラウンドループ、時間制御付きの歩行、アイテムの数え上げ、タイムアウトしたプログラムの残骸コードが自ら停止するカウンターなどである。このカウンターのひとつは、実に1,519本のプログラムから参照された。

この自己訂正は、単なる失敗の報告にとどまらない点が重要だ。auratian のプログラムが起きていない成功を宣言したときは、auratian 自身が2分後に「先ほどのチャットはガードのないスクリプト分岐だった」と訂正した。janesick が焼死の1秒後にブレイズパウダー12個を持ち帰ったと報告したときには、gyldenia が3分以内に矛盾を指摘している。誤りを隠さず、互いの主張を突き合わせて検証する文化が、明示的な指示なしに機能していた。

ここから読み取れる設計上の示唆は明確だ。マルチエージェントシステムを組むとき、役割や協調の作法のすべてをプロンプトで指定しなければならないわけではない。「分担は自分たちで決めてよい」「知見を記録せよ」「正直であれ」という最小限の原則を与えるだけで、専門分化・共有メモリ・相互扶助といった有能なチームの習慣が自然と現れる可能性がある。ただし、これは単一の実行例から得た観察であり、Easy難易度や訓練データ由来のMinecraft知識に支えられている点は忘れてはならない。創発は魔法ではなく、能力と条件がそろったときの結果だと捉えるのが妥当である。

どうやって「本当にクリアした」と確認したのか

エージェントが「クリアした」と報告しても、それだけでは証拠にならない。AIエージェントの成果報告で最も壊れやすいのは、主張と事実の間の検証経路である。この実験では、達成の定義と検証の手段が実行前に固定されていた点が重要だ。結論を先に言えば、勝利はエージェントの自己申告ではなく、ゲームサーバが残した機械可読なログの一行によって確認されている。

まず、記録の完全性である。最初のプログラムから最後まで、実行された2,783本（勝利前）のプログラムとその出力、229通のチャットメッセージ、そしてサーバログ全体が保存された。ワールドは5分ごとにスナップショットが取られ、サーバが落ちた場合も最新のセーブから再開されている。つまり、あとから第三者が「どの時点で何が起きたか」を追跡できる状態が保たれていた。

決定的な証拠は、Minecraftの実績解除メッセージである。サバイバルでエンダードラゴンを倒すと獲得できる実績「Free the End」があり、サーバログに bulicame has made the advancement [Free the End] という記録が、最初のプログラムから27時間14分後に残された。実績はプレイヤーの主観ではなくゲーム内部の判定で付与されるため、「本当にドラゴンを倒した」ことの外部化された証明になる。

不正の排除は二重に行われた。第一に、2,783本のプログラムのうちサーバコマンド（チートに相当する操作）を使ったものは一本もない。エージェントのプログラムは自分のキャラクターを操作するだけで、世界のルールを書き換える手段を持たない。第二に、ゲームに一切参加しない5体目の監視役エージェントが同席し、プレイヤーの発言と実際の記録を突き合わせた。ここでいう「仕様のゲーム化（specification gaming）」とは、評価の抜け穴を突いて、意図された目的を達成せずに達成したように見せる行為を指す。監視役と人手によるログレビューのいずれも、そうした行為や安全上の問題を報告しなかった。

flowchart LR
    A[エージェントの主張<br>「クリアした」] --> B[サーバログの実績記録]
    A --> C[全プログラムの出力]
    D[独立した監視役] --> B
    D --> C
    B --> E{一致するか}
    C --> E
    E -->|一致| F[達成と確認]
    E -->|不一致| G[捏造・仕様のゲーム化として報告]

この節から一般化できる教訓は明確だ。長期ホライズンのエージェントに仕事を任せるなら、着手前に「何をもって完了とするか」と「それをどのログで、誰が確認するか」を固定しておく必要がある。成功条件がエージェントの自己報告だけに依存していると、失敗は見えないまま「成功」として積み上がってしまう。到達点をモデルの外側にある検証可能な事実に対応づけておくことが、再現性と信頼性の土台になる。

コスト ― 「27時間の自律」はいくらで買えるのか

27時間にわたって4体のエージェントを止めずに動かし続けたとき、いちばん気になるのは「で、いくらかかったのか」だろう。論文はモデル呼び出しの回数とトークン消費量、そして公開されているAPI価格から、この実行のコストを明示している。

まず、エンダードラゴン討伐（勝利）までのトークン消費は次のとおりだ。

ここで「コンテキストキャッシュ」とは、同じ長い入力を毎回ゼロから処理し直すのではなく、前回計算した内部状態を再利用する仕組みだ。長い指示・共有メモリ・これまでの履歴を毎ステップ積み上げるエージェントでは、この再利用が効くかどうかでコストが大きく変わる。実際、料金もキャッシュ経由の入力は通常の入力より大幅に安く設定されている。

金額に直すと、Gemini 4 Argon の導入期価格（入力100万トークンあたり2ドル、出力10ドル、キャッシュ入力は95%引き）で約520ドル。導入期が終わった標準価格（入力4ドル／出力20ドル）なら約1,040ドルになる。さらに、ゲームには一切参加しない監視役の分と勝利後の1日を含めたセッション全体では、導入価格で約810ドル、標準価格で約1,620ドルだ。ただし論文は、これらの数字がセッションのトークンカウンタとリスト価格から算出した概算であり、モデルを配信する実際のコストではないと断っている。

このコスト構造で注目すべきは、入力の91%がコンテキストキャッシュから供給されている点だ。もしキャッシュが効かず、13.5億トークンの入力を毎回通常価格で処理していたら、金額は一桁変わっていた可能性がある。長時間動き続ける自律エージェントのコストを現実的な水準に抑えているのは、モデルの賢さそのものよりも、このプロンプトキャッシュの仕組みだと言える。

比較の視点も添えておきたい。「27時間・2,783本のプログラム・605回の死で約520ドル」という数字は、同じ作業を人間が担った場合の人件費と並べると桁が小さく映る。一方で、トークンを際限なく消費しながら進まない「自律ループの浪費」というこれまで指摘されてきた問題を踏まえると、コストは「安いか高いか」ではなく「成果にどれだけ結びついたか」で評価する必要がある。この実行では、13.5億トークンという入力が最終的に1体のエンダードラゴン討伐という検証可能な成果に着地した点が重要だ。

限界 ― この成果を過大評価しないために

27時間14分でのエンダードラゴン討伐は確かに目を引くが、この実験が示した範囲は「万能なゲームAIの完成」ではない。論文自身が複数の制約を明示しており、それらを踏まえて初めて成果を正しく位置づけられる。

まず押さえるべきは、知覚とナビゲーションの大部分を既存ライブラリが担っている点だ。Mineflayer は Minecraft のボットを操作するオープンソースの JavaScript ライブラリで、周囲のブロックや生物の座標・種類・内部状態を正確なテキストとして取得できる。岩の陰にあるブロックや、ドラゴンの現在の行動フェーズ番号まで読み取れるため、人間が画面を見て解釈する工程を肩代わりしている。加えて pathfinding プラグイン（障害物を避けて移動経路を自動で計画する拡張）が、人間なら目視で行う迂回判断を代替する。ピクセル画像とキーボード・マウス入力だけでゲームを操作するエージェント（例: Google DeepMind の SIMA 2）と比べると、知覚と操作の難易度は大きく異なる。

次に重要度が高いのが難易度と事前知識への依存である。ワールドは Easy 難易度で、モンスターは出現して攻撃するものの与ダメージが少なく、空腹で死ぬこともない。さらに Gemini 4 Argon は訓練データから Minecraft と Mineflayer についての知識を大量に持っている。したがってこの実験が検証したのは「未知のゲームをゼロから学べるか」ではなく、「一般的なコーディングエージェントが、既存の知識を動くプログラムと1日規模のチーム協調へ変換できるか」である。

失敗の多さも無視できない。605回死亡し（多くはモンスターによる）、実行したプログラムの22%がエラーで終了、エンドでの戦いだけで約14時間を要した。実行中にワールドサーバが6回再起動し、その都度ゲームが中断されている。そして最も注意すべき点が単一の実行であることだ。論文が記述しているのは最初に試した1回の成功例であり、この構成がどの程度の確率で成功するかは示せない。

これらの限界は、成果そのものを打ち消すものではない。むしろ「長期ホライズンの自律協調が、特定の条件下では実際に機能した」という主張の射程を、正確に限定する役割を果たしている。読む側にとっては、派手な見出しの裏にある成功条件を確認したうえで、自分の業務にどこまで転移できるかを見極める材料になる。

これはどんな仕事に効くのか ― 実務への示唆

論文は、この実験を「ゲーム攻略の話」としてではなく、実務の前哨戦として位置づけている。複雑な実世界のソフトウェアエンジニアリングとエンタープライズ業務は、数千ステップが互いに依存し合う作業を1日以上にわたって計画の一貫性を保ちながら進めること、つまり「長期ホライズンのコーディング」と「マルチエージェント協調」を要求する。Minecraftのエンダードラゴン討伐は、その能力を全ステップ記録可能なサンドボックスで試した実験だというのが論文の主張である。

採掘・製錬・ポータル開設・要塞探索・ドラゴン戦という工程は、要件定義・実装・テスト・デプロイ・障害対応を連鎖させる開発プロジェクトの構造とよく似ている。実験で観察された行動は、そのまま設計原則として読み替えられる。

この実験が先行研究のどこに立つのかも押さえておきたい。Minecraftを対象にした研究は大きく2系統ある。ひとつは、人間のデモンストレーション・動画・強化学習によってゲームデータから方策そのものを学ぶ系統（MineRL、VPT、DreamerV3、STEVE-1、SIMA 2など）。もうひとつは、LLMをプランナやプログラマとして使い、Mineflayerのプログラムを書かせる系統（Voyager、DEPS、GITM、JARVIS-1、Plan4MC、Optimus-1など）である。

flowchart LR
    subgraph L["学習ベース：ゲームデータから方策を学ぶ"]
        A1["MineRL<br/>人間のデモンストレーション"]
        A2["VPT<br/>動画からの行動学習"]
        A3["DreamerV3<br/>強化学習"]
        A4["SIMA 2<br/>ピクセルから操作"]
    end
    subgraph P["LLMプログラマベース：コードを書く"]
        B1["Voyager<br/>スキルライブラリを成長"]
        B2["DEPS / GITM / JARVIS-1<br/>Minecraft特化の計画・知識・メモリ"]
        B3["Plan4MC / Optimus-1<br/>学習済みスキルとプランナ"]
        B4["本論文<br/>汎用コーディングエージェント4体<br/>標準Mineflayerのみ"]
    end
    L --> P
    B4 -.->|"ゲーム特化の<br/>カリキュラム・ツール・ルートなし"| B4

LLMプログラマ系の既存研究は、ゲーム特化のカリキュラム・知識・学習済みスキルを組み込むことで長期ホライズンのタスクを達成してきた。本論文の違いは「何を与えなかったか」にある。4体の汎用コーディングエージェントは標準のMineflayerライブラリと1段落の目的だけを受け取り、実行された2,783本のプログラムはすべて自分たちで書いた。

コミュニティによる先行事例との条件差も、実務への示唆を読むうえで重要になる。

人間との比較も添えておく。HowLongToBeatが集計するMinecraft本編クリアの中央値は45時間、ランダムシードのスピードラン記録は7分未満である。エージェント側は4人チーム・Easy難易度・プログラム経由という条件の違いがあるため、所要27時間14分という数字を人間の記録と直接並べることはできない。

実務への転移を考える際に忘れてはならないのは、この結果がEasy難易度・Mineflayerによる知覚と経路探索の肩代わり・訓練データ由来のMinecraft知識・単一の実行という条件の上に成り立っている点だ。したがって「同じ構成をそのまま社内の開発業務に置けば同じ成果が出る」という結論にはならない。検証の設計、監視の仕組み、コストの見積もりをセットで持ち帰ることが、この実験を実務に活かす現実的な入口になる。

責任ある開発 ― なぜこの実験がサンドボックスで行われたか

27時間にわたって4体のエージェントを止めずに走らせるとは、その間ずっと、彼らが自分で決めた行動を実行し続けられる状態に置くということだ。だからこそこの実験は、隔離された環境から外へ出る経路を持たない形で設計された。ここでいうサンドボックスとは、プログラムが触れられる範囲をあらかじめ限定した実行領域のこと。そして最小権限とは、目的を達成するのに必要な許可だけを与え、それ以外を最初から与えない設計を指す。この2つを重ねた多層の制約が、27時間の自律実行を「安全に観察できる実験」に変えている。

隔離は3つの層に分かれている。第1層はゲーム世界そのものだ。エージェントが書いたJavaScriptプログラムが操作できるのは自分のキャラクターだけで、プロセスの起動もファイル書き込みもできない。実行された2,839本のプログラムのうち、サーバコマンドを使ったものは一本もない。第2層はエージェントの実行環境で、5体それぞれが専用のクラウドマシン上、ソフトウェア作業用の道具立てとともに動いた。第3層は観測と停止の経路で、すべてのプログラム・チャット・ゲームイベントが記録され、研究者はライブダッシュボードからいつでも一時停止または停止できた。

監視の役割は、5体目の証人エージェントに委ねられた。このObserver はゲームには一切参加せず、プログラムも実行しない。プレイヤーの主張を記録と突き合わせたうえで報告し、仕様のゲーム化（評価の欠陥を突いて見かけ上の成功を作る行為）や結果の捏造を検出する役割を持つ。ゲーム自体を変更することは許されず、介入は壊れたツールやクォータ上限といったインフラ障害に限られた。実際には、仕様のゲーム化の報告も安全インシデントも検出されておらず、研究者が介入を必要とする事態は起こっていない。

論文はこの設計の狙いを、「すべてのステップが見える設定でエージェントのチームがどう協調するかを研究することは、実世界のタスクを任せる前にこうしたシステムを理解する方法の一つ」と述べている。チームの調整、失敗からの回復、1日以上にわたる目的の追跡は、いずれもエージェントが人間と信頼して働くために欠かせない能力であり、それらを測るには、能力の高さと安全の確保を同時に成立させる場所が要る。権限を絞り、隔離し、人間の承認点を残し、監査ログを取る――AIエージェントの構造的リスクを扱う業界の議論で繰り返し指摘されるこの組み合わせは、派手な成果の裏側にある地味な前提条件でもある。

まとめ

2026年10月15日に公開された論文「A team of Gemini 4 Argon agents beats Minecraft」（arXiv:2610.22319）は、4体の Gemini 4 Argon エージェントがランダム生成された Minecraft サバイバルワールド（Easy難易度）でエンダードラゴン討伐を完遂するまでの27時間を記録した。エージェントに与えられたのは、標準の Mineflayer ライブラリと「エンダードラゴンを倒す。手段はサバイバルモードのルール内で自由、分担はプレイヤー自身が決める」という1段落の目的、そして汎用の作業指示だけである。攻略ルート、カリキュラム、人間が書いた専用ツール、事前に選んだシードは存在しない。

注目すべきは数字そのものよりも、指示に書かれていない行動が自然に現れた点だ。役割分担は開始10分後のチャットでエージェント同士の提案によって決まり、共有メモリにはチェストや危険地点の座標、ツールの癖が蓄積された。仲間が死亡すればアイテム回収のために位置と消滅時刻が共有され、誤った成功報告は本人や仲間によって数分以内に訂正された。失敗を教訓に変換して同じ障害を二度踏まない仕組みが、1日以上にわたり計画の一貫性を保たせた原動力である。

一方で、この成果を過大評価するのは早い。Easy難易度であること、知覚と経路探索の大部分を Mineflayer が肩代わりしていること、モデルが訓練データから Minecraft を大量に知っていること、そして単一の実行例にすぎないことは、いずれも論文自身が限界として明記している。この構成がどの程度の確率で成功するかは示されておらず、そのまま実務へ転移する保証もない。

次に考えるべきは、「機械可読な成功条件の定義」「失敗を共有メモリに資産化する仕組み」「独立した監視役の配置」「サンドボックスと最小権限」といった要素を、自分のソフトウェア開発や業務プロセスのどこに当てはめられるかである。派手な見出しの裏にある条件と限界を押さえたうえで、長期ホライズンの自律協調をどう設計するかを考える材料として読むのがよい。

よくある質問

「Gemini 4 Argon エージェントが Minecraft をクリアした」とは、具体的に何をしたのか？

4体の Gemini 4 Argon エージェントが、ランダム生成されたMinecraftサバイバルワールド（Easy難易度）でエンダードラゴン討伐という単一の目的を完遂した。所要27時間14分、書いたJavaScriptプログラムは2,783本、死亡605回、チャット229通という記録が残っている。完了の決定的な証拠はサーバログに残った実績解除メッセージ「bulicame has made the advancement [Free the End]」で、最初のプログラムから27時間14分後に記録されている。

人間がゲームの戦略や役割分担を教えたのか？

教えていない。与えられたのは「エンダードラゴンを倒す。手段はサバイバルモードのルール内で自由。分担はプレイヤーが決める」という1段落の目的と、汎用の作業指示（行動の前後に環境を観察・検証する、新しいツールは短いタスクで試してから信頼する、知見を共有メモリに残す、正直に報告する）だけである。役割は開始10分後にエージェント同士のチャットで提案し合って自然に決まり、専門分化・共有メモリ・自作ツール・相互救助・自己訂正という5つの習慣が指示なしに現れた。

なぜMineflayerを使うと「ズル」にならないのか？

Mineflayer はMinecraftボット用のオープンソースライブラリで、座標・体力・インベントリ・周囲の情報を読んだり、歩く・掘る・置く・クラフトする・攻撃するといった基本操作を指示するAPIを提供するだけである。「何をどの順にやるか」という攻略ロジックは一切持っていない。ゲーム攻略のカリキュラム、スキルライブラリ、人間が書いた専用ツールは使われておらず、2,783本のプログラムはすべてエージェント自身が書いたものである。加えてプログラムはプロセスの起動やファイル書き込みができず、サーバコマンドを使ったものも一本もない。

何回も死んでいるのに、なぜ「成功」と言えるのか？

目的は「エンダードラゴンの討伐」であり、無死での達成は条件になっていないためである。実際に605回死亡し、プログラムの22%がエラーで終了し、エンドでの戦いだけで約14時間を要した。論文はこの失敗の多さ自体を限界として明記している。重要なのは、失敗しても計画の一貫性を保ち、得た知見をチームの共有メモリに蓄積して同じ障害を繰り返さない仕組みが機能した点である。

この成果は実務のソフトウェア開発にどう関係するのか？

論文は、複雑な実世界のソフトウェアエンジニアリングやエンタープライズ業務が、同じ「長期ホライズンのコーディング」と「マルチエージェント協調」を要求すると述べている。実験から持ち帰れる設計原則は、機械可読な成功条件の定義、失敗の資産化、ツールの自作と検証、独立した監視役の配置、サンドボックスと最小権限、コンテキスト圧縮に耐える引き継ぎの6点である。ただしEasy難易度、Mineflayerによる知覚・経路探索の肩代わり、単一実行といった限界があるため、そのまま転移するとは限らない。

コストはどのくらいかかったのか？

勝利までに入力約13.5億トークン（うち91%はコンテキストキャッシュから供給）、出力約1,600万トークン（うち思考トークン400万）、モデル呼び出しは約24,000回に達した。Gemini 4 Argon の導入価格で約520ドル、標準価格なら約1,040ドルである。監視役と勝利後の1日を含むセッション全体では、導入価格で約810ドル、標準価格で約1,620ドルになる。いずれもリスト価格とセッションのトークンカウンタからの概算であり、モデル配信の実コストではないと論文は断っている。

参考資料

• 論文（一次情報）: A team of Gemini 4 Argon agents beats Minecraft — https://arxiv.org/abs/2610.22319 / 全文 https://arxiv.org/html/2610.22319v1
• Gemini 4 Argon: our next era of frontier intelligence — Google公式ブログ（英語, 2026-09-30） https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
• Gemini 4 Argon の新機能 | Gemini API — https://ai.google.dev/gemini-api/docs/latest-model?hl=ja
• Gemini 4 Argon - Model Card — Google DeepMind — https://deepmind.google/models/model-cards/gemini-4-argon/
• Gemini 4 Argon - The Keyword（Google日本語ブログ） https://blog.google/intl/ja-jp/company-news/technology/gemini4argon/
• Gemini 4 Argonとは？性能・100万トークン・料金・使い方 — AIsmiley https://aismiley.co.jp/ai-news/gemini-4-argon/
• Gemini 4 Argon徹底解説。出力1Mトークンと導入価格$2/$10 — labmemo https://labmemo.com/gemini-4-argon-frontier-model-announcement-2026-10/
• Mineflayer（PrismarineJS） — https://github.com/PrismarineJS/mineflayer / https://prismarinejs.github.io/mineflayer/
• マイクラにAIコンパニオンを住まわせた話 — Mineflayer × LLM（Zenn, 2026-06-07） https://zenn.dev/xei/articles/minecraft-ai-companion-mineflayer
• Mineflayer 超入門（はawksnowlog） https://hawksnowlog.blogspot.com/2025/08/getting-started-mineflayer.html
• Mine AI MCP: beating Minecraft with an LLM agent — https://github.com/aibengineering/mine-ai-mcp
• Astra and JEV Minecraft agent — https://github.com/rmalde/minecraft-agent
• Voyager: An Open-Ended Embodied Agent with Large Language Models — https://arxiv.org/abs/2305.16291
• MineDojo — https://arxiv.org/abs/2206.08853
• VPT (Video PreTraining) — https://arxiv.org/abs/2206.11795
• STEVE-1 — https://arxiv.org/abs/2306.00937
• SIMA — https://arxiv.org/abs/2404.10179 / SIMA 2 — https://arxiv.org/abs/2512.04797
• Project Sid: Many-agent simulations toward AI civilization — https://arxiv.org/abs/2411.00114
• ReAct — https://arxiv.org/abs/2210.03629
• DEPS — https://arxiv.org/abs/2302.01560
• Plan4MC — https://arxiv.org/abs/2303.16563
• GITM — https://arxiv.org/abs/2305.17144
• Optimus-1 — https://arxiv.org/abs/2408.03615

関連記事

• Gemini 4 Argon発表、出力100万トークンとサイバー先行提供の狙い
• Google「Gemini 3.8 Live with Live Avatar」提供開始：画像1枚から表情豊かなリアルタイム動画を生成するAIアバター技術と顧客接点の変革