구글 딥마인드, 마인크래프트에 자율 AI 에이전트 4개 투입해 엔더 드래곤 격파… 멀티에이전트 자율 협업 연구 공개

구글 딥마인드(Google DeepMind)가 2026년 10월 16일(현지 시각), Gemini 4 Argon 모델 기반의 자율 AI 에이전트 4개를 마인크래프트(Minecraft) 환경에 투입하여 사전 역할 지정 없이 최종 보스인 엔더 드래곤(Ender Dragon)을 처치하는 데 성공한 연구(arXiv 2610.22319)를 발표했습니다.

이미지 출처: How To Prompt (@HowToPrompt__) / Google DeepMind / arXiv

이번 연구는 복수의 AI 에이전트에게 사전 지시문이나 역할 배분 없이 오직 '엔더 드래곤 격파'라는 단일 최상위 목표만을 부여한 상태에서 진행되었습니다. 에이전트들은 오픈소스 라이브러리를 통해 각자의 캐릭터를 제어하고, 게임 내 채팅과 공유 메모리 시스템을 자체적으로 구축하여 협업 체계를 완성했습니다.

Gemini 4 Argon 기반 아바타 제어와 인게임 채팅·공유 메모리 구축

딥마인드 연구진에 따르면 각 에이전트는 Gemini 4 Argon 모델을 백엔드로 삼아 구동되었습니다. 시스템은 미리 짜인 규칙 스크립트나 역할별 프롬프트를 배정받지 않은 상태로 마인크래프트 서버에 배치되었습니다.

• 오픈소스 라이브러리 제어: 에이전트들은 게임 조작을 위해 오픈소스 라이브러리를 활용하여 각자의 아바타 행동을 직접 통제했습니다.
• 인게임 채팅을 통한 소통: 에이전트들은 게임 내 채팅(In-game chat) 기능을 활용해 실시간으로 대화를 나누며 작업을 분담했습니다.
• 자체 공유 메모리(Shared Memory) 구축: 네 에이전트 간의 관측 결과와 작업 진행 상황을 동기화하기 위한 공유 메모리 시스템을 유기적으로 구축했습니다.

이를 통해 에이전트들은 주변 지형 탐색 결과와 발견한 자원 위치를 실시간으로 공유하며 팀 단위의 협력 관계를 발전시켰습니다.

2,783개 자율 프로그램 작성과 605회 사망 극복: 구조 미션과 복구 루프

전체 공정에서 에이전트들은 단순히 게임 패드를 조작하듯 플레이하는 방식을 넘어, 생존과 작업 자동화를 위한 프로그램을 직접 기획하고 작성했습니다.

• 자율 코딩 및 디버깅: 자원 채굴, 생존 장비 제작, 도구 제작 등 다양한 하위 과제를 완수하기 위해 총 2,783개의 고유 프로그램을 자율적으로 기획·작성·디버깅했습니다.
• 605회 사망과 아이템 회수 구조 작업: 총 27시간 14분의 실행 과정 동안 에이전트들은 605회의 사망을 겪었습니다. 동료 에이전트가 사망하면 나머지 에이전트들이 사망 지점으로 이동해 떨어진 아이템을 회수하는 구조 미션(Rescue mission)을 조직적으로 수행했습니다.
• 무인 완수: 연구진은 라이브 대시보드를 통해 에이전트들의 상태와 진행 상황을 실시간으로 모니터링하며 필요 시 일시 중지하거나 개입할 수 있는 권한을 보유했으나, 단 한 차례의 외부 개입 없이 최종 엔더 드래곤 처치까지 도달했습니다.

샌드박스 검증의 의미와 실무 소프트웨어 엔지니어링 환경과의 차이

이번 실험은 대규모 프로젝트 환경에서 복수의 AI 에이전트가 사전 정의된 관리자 없이 팀을 구성하고 소프트웨어 도구를 자율 제작하며 실패 복구 루프를 유지할 수 있음을 보여준 실증 사례로 주목받고 있습니다. 그러나 실무 관점에서는 명확한 해석과 주의점 역시 함께 제기됩니다.

• 게임 환경과 실제 개발 환경의 격차: 마인크래프트는 '엔더 드래곤 격파'라는 명확한 승리 조건과 시스템 차원의 즉각적인 피드백 루프가 보장된 샌드박스 게임 환경입니다. 반면 실제 소프트웨어 엔지니어링은 목표 설정 자체가 모호하고 요구사항이 가변적이며, 결과물의 유효성을 판별하는 기준이 환경에 따라 달라지므로 이번 성과를 실무 엔지니어링에 직접 동일하게 대입하기에는 환경적 차이가 큽니다.
• 연산 자원 및 안정성 과제: 27시간 이상 연속으로 진행된 다중 에이전트 추론과 수천 개 프로그램 작성, 605회 사망에 이르는 과정에서 상당한 양의 컴퓨팅 연산 자원이 소모되었습니다.
• 학습 데이터 기반: 마인크래프트는 인터넷상에 수천만 시간 이상의 플레이 영상과 공략 데이터가 축적된 분야로, 기반 모델의 사전 지식 효과를 감안한 추가적인 학술적 검증이 필요하다는 지적도 커뮤니티에서 함께 제기되었습니다.

출처

• How To Prompt (@HowToPrompt__) X 포스트: Google DeepMind Minecraft Multi-Agent Run
• arXiv 연구 논문: arXiv 2610.22319