career

Google Gemini 최신 소식 — 제미나이 4 아르곤 에이전트 4개, 27시간 만에 마인크래프트 클리어 (2026.10.20)

📌 한줄 요약: 2026년 10월 15일, 구글 딥마인드 연구진(Maxence Faldor, Satinder Singh, Roberta Raileanu)이 “A team of Gemini 4 Argon agents beats Minecraft” 논문을 공개했습니다. 제미나이 4 아르곤 에이전트 4개가 무작위로 생성된 마인크래프트 생존 세계에서 사람의 개입 없이 엔더 드래곤을 잡았습니다. 걸린 시간은 27시간 14분, 에이전트들이 스스로 쓰고 디버깅한 프로그램은 2,783개, 그 사이 죽은 횟수는 605번입니다. 핵심은 게임 실력이 아니라 “하루가 넘는 시간 동안 계획을 유지하며 코드를 고쳐가며 일을 끝냈다”는 점입니다. 장기 과제 자동화를 고민하는 분들이라면 읽어볼 만한 결과입니다.

실험이 끝난 뒤 엔드 차원의 모습 — 드래곤을 치료하던 수정 기둥과 엔드 알 (출처: arXiv:2610.22319, CC BY 4.0, Google DeepMind 연구진) 엔더 드래곤을 잡은 직후의 엔드 차원. 논문에 실린 실제 실행 기록 화면입니다 (출처: arXiv:2610.22319, CC BY 4.0).

업무 자동화 쪽을 보는 분들이라면 한 번쯤 같은 벽에 부딪힙니다. 에이전트에게 “보고서 정리해서 올려줘” 정도는 잘합니다. 그런데 “이번 달 결산 끝까지 처리해줘”처럼 단계가 수십 개, 시간이 반나절 넘게 걸리는 일을 맡기면 중간에 흐름이 끊깁니다. 앞에서 한 일을 잊고, 같은 오류를 반복하고, 실패하면 처음부터 다시 시작합니다. 그래서 실무에서는 늘 “한 번에 30분짜리 일” 단위로 쪼개서 맡기는 게 정석이었습니다.

그런데 이번 실험은 정확히 그 “하루가 넘는 작업”을 겨눴습니다. 게임이라서 우습게 보일 수 있지만, 논문이 스스로 밝힌 실험 목적은 명확합니다. “수천 개의 프로그램과 수백 번의 실패를 지나며, 하루 넘게 하나의 목표를 유지할 수 있는가.” 게임을 잘하는지가 아니라 장기 과제를 견디는지를 본 겁니다.

솔직히 처음엔 “또 데모 하나 나왔네” 싶었습니다. 읽어보니 비용과 실패 횟수까지 그대로 공개한 부분이 예상 밖이었고, 한계를 논문에 먼저 적어둔 태도가 생각보다 인상적이었습니다.

🔎 무슨 일이 있었나 — 실험 개요

논문에 적힌 조건을 그대로 정리하면 이렇습니다.

항목 내용
모델 제미나이 4 아르곤(Gemini 4 Argon) × 4개 에이전트 + 관찰자(Observer) 1개
환경 마인크래프트 자바 에디션 1.20.4, 생존 모드, 난이도 Easy, 무작위 생성 세계
조작 방식 오픈소스 라이브러리 Mineflayer로 각자 캐릭터 1개 제어
지시문 “엔더 드래곤을 잡아라. 수단은 생존 규칙 안에서 자유, 역할 분담은 너희가 정해라” — 한 문단
사람 개입 없음. 연구진은 대시보드로 관찰만, 필요하면 중단 가능
결과 27시간 14분 만에 격파. 작성한 프로그램 2,783개, 사망 605회
비용(추산) 격파 시점까지 약 520달러(정가 1,040달러), 관찰자·이후 활동 포함 전체 세션 약 810달러(정가 1,620달러)

주의할 점은 “역할을 짜주지 않았다”는 부분입니다. 보통 이런 실험은 “채굴 담당, 건축 담당”처럼 역할을 사람이 나눠줍니다. 이번엔 그게 없었습니다. 그런데 시작 10분 만에 한 에이전트가 채팅으로 역할 분담을 제안했고, 다른 에이전트가 다른 계획을 역제안한 뒤 1분 안에 합의했습니다. 최종적으로는 식량·침대·부싯돌 담당 / 다이아몬드 담당 / 철 도구 담당 / 네더 포털 담당으로 갈라졌습니다.

bare hands에서 엔더 드래곤까지 13단계, 누가 먼저 도달했는지 색으로 표시한 타임라인 (출처: arXiv:2610.22319, CC BY 4.0) 맨손에서 엔더 드래곤까지 13단계. 각 단계를 누가 먼저 달성했는지 색으로 구분했습니다 (출처: arXiv:2610.22319, CC BY 4.0).

🧩 상세 분석 — 숫자 뒤에 뭐가 있나

1. 진짜 성과는 ‘27시간’이 아니라 ‘2,783개’다

헤드라인은 “27시간 만에 클리어”를 강조합니다. 그런데 실무자에게 중요한 숫자는 2,783입니다. 이건 에이전트들이 스스로 작성하고 실행한 프로그램의 개수입니다. 다시 말해 이들은 27시간 동안 계속 코드를 쓰고, 실행하고, 실패하고, 고쳤다는 뜻입니다.

논문에는 이렇게 적혀 있습니다. “에이전트들은 계획을 세우고, 프로그램을 직접 작성하고, 스스로 디버깅했다. 게임 로직을 대신 짜준 사람은 없었다.” 여기에 더해 프로그램 사이에 살아남은 상태와 코드가 146개, 그중 재사용 도우미 함수가 42개였습니다. 물속에서 캐릭터가 가라앉지 않게 유지하는 백그라운드 루프, 시간 제한으로 끊긴 프로그램의 잔여 코드를 스스로 멈추게 하는 카운터 같은 것들입니다.

특히 인상적인 건 19분 시점의 학습 공유입니다. 한 에이전트가 Mineflayer 조합(crafting) 기능의 이상 동작을 발견하고 팀에 경고했고, 그 수정 코드가 네 에이전트가 쓴 655개 프로그램에 등장합니다. 사람 팀에서 “이거 이렇게 하면 안 되더라”가 위키에 남는 것과 같은 일이 자동으로 일어난 겁니다.

2. 실패를 숨기지 않았다 — 605번의 죽음, 22%의 오류

이 논문이 신뢰가는 이유는 실패 로그를 그대로 붙였다는 점입니다.

  • 사망 605회 (대부분 몬스터에 의한 것)
  • 프로그램의 22%가 오류로 종료
  • 엔드 차원 전투만 거의 14시간 소요
  • 실행 중 월드 서버가 6번 재시작되어 게임이 끊김
  • 단 1회의 실행만 공개 (반복 실험 없음)

27시간 중 상당 부분이 헤매고 죽고 다시 오르는 시간이었다는 뜻입니다. “한 번에 척척”이 아니라 끈질기게 복구하는 능력이 이 결과를 만들었습니다.

여기에 자기 정정 사례도 있습니다. 한 에이전트의 프로그램이 실제로 일어나지 않은 성공을 채팅에 알렸는데, 2분 뒤 스스로 “방금 채팅은 검증 없는 스크립트 분기였다”고 정정했습니다. 다른 에이전트가 불가능한 보고(죽은 직후 12개 블레이즈 파우더를 들고 돌아왔다)를 3분 안에 지적한 장면도 기록돼 있습니다.

3. ‘관찰자 에이전트’를 따로 둔 이유

다섯 번째 에이전트인 Observer는 게임을 하지 않습니다. 오직 증인 역할입니다. 지시문은 이렇습니다.

  • 플레이어의 주장을 기록과 대조해서 확인할 것
  • 평가를 교묘히 악용한 행동(specification gaming) 과 결과 조작을 보고할 것
  • 게임 상태는 건드리지 말 것
  • 개입은 도구 고장·할당량 초과 같은 환경 장애에만, 전략에는 절대 개입하지 말 것

결론은 “평가 악용 신호 없음, 안전 사고 없음”이었습니다. 자동화를 운영하는 입장에서 이 설계는 참고할 만합니다. 일하는 에이전트와 검증하는 에이전트를 분리하는 구조 말입니다.

4. 비용 — “하루 종일 일하는 AI”의 현실적인 가격표

토큰 회계는 이렇게 나옵니다. 격파 시점까지 입력 약 13억 5천만 토큰(91%는 컨텍스트 캐시에서 처리), 출력 약 1,600만 토큰(사고 토큰 400만 포함), 모델 호출 약 2만 4천 회.

돈으로 환산하면 아르곤 공개 API 도입가 기준 약 520달러, 정가 기준 1,040달러입니다. 관찰자와 격파 이후 하루치 활동까지 포함한 전체 세션은 약 810달러(정가 1,620달러). 논문은 이 금액이 “정가 추정치이며 모델 서빙 원가가 아니다”라고 못 박습니다.

비싸 보이지만, 캐시 적중률 91%가 결정적입니다. 같은 맥락을 반복해서 다시 읽히지 않게 만든 구조 덕분에 24,000번의 호출을 견딜 수 있었습니다. 장기 과제 자동화의 원가를 좌우하는 건 모델 지능만이 아니라 컨텍스트 캐시 설계라는 걸 보여주는 대목입니다.

5. 비교 대상 — “완전히 처음부터”였다는 조건

논문은 선행 사례를 정직하게 나열합니다. 마인크래프트는 오래전부터 에이전트 연구의 시험장이었습니다(MineRL, Video PreTraining, DreamerV3, Voyager, SIMA 2 등). 그리고 최근 커뮤니티에서 엔더 드래곤 격파를 보고한 사례가 두 건 있었다고 밝힙니다. 하나는 Claude Opus 5 단일 에이전트가 고수준 마인크래프트 도구 37개를 호출한 경우(Normal 난이도), 다른 하나는 미리 정해진 스피드런 시드에서 플래너 + 행동 선택 모델 조합(Peaceful 난이도)입니다.

이번 실험의 차이는 주어진 것입니다. 일반 목적 코딩 에이전트 4개, 공개된 표준 Mineflayer 라이브러리, 한 문단짜리 목표, 그게 전부입니다. 게임 전용 커리큘럼도, 스킬 라이브러리도, 사람이 짠 도구도, 미리 탐색한 시드도 없었습니다.

👎 한계 — 논문이 먼저 인정한 것들

칭찬할 부분은 논문이 스스로 한계를 먼저 적었다는 점입니다. 그대로 옮기면 이렇습니다.

  1. 픽셀이 아니라 코드로 본다. Mineflayer는 주변 블록과 몬스터, 심지어 돌벽 뒤의 블록과 드래곤의 내부 상태까지 알려줍니다. 사람은 볼 수 없거나 눈으로 해석해야 하는 정보입니다. 길찾기도 플러그인이 대신 합니다. 즉 이건 “화면을 보고 게임하는 능력”의 증명이 아닙니다. 픽셀과 키보드·마우스로 플레이하는 SIMA 2 방식은 여전히 훨씬 어렵습니다.
  2. 난이도가 Easy다. 몬스터가 덜 아프고, 배고픔으로 죽지 않습니다.
  3. 사전 지식이 있다. 아르곤은 학습 데이터로 마인크래프트와 Mineflayer를 이미 많이 알고 있습니다. 이 실험은 “처음 보는 게임을 잘하는가”가 아니라 “아는 지식을 하루짜리 실행으로 바꿀 수 있는가”를 본 것입니다.
  4. 실패가 많다. 605회 사망, 22% 프로그램 오류, 엔드 전투 14시간.
  5. 인프라가 흔들렸다. 실행 중 월드 서버가 6번 재시작됐습니다.
  6. 단 1회 실행이다. 첫 시도였다는 점은 대단하지만, 성공률은 알 수 없습니다.

이 6번이 가장 중요합니다. 한 번 잘된 것과 매번 잘되는 것은 완전히 다른 문제입니다. 업무 자동화에 도입할 때 필요한 건 후자입니다.

👥 영향 — 누구에게 무엇이 달라지나

👨‍💻 개발자·자동화 운영자

  • “하루짜리 작업”을 설계할 근거가 생겼습니다. 지금까지는 30분 단위로 잘게 쪼개는 게 안전했습니다. 이제는 중간 상태를 공유 메모리에 남기고, 실패한 단계만 재시도하는 구조라면 반나절 단위 작업도 시도할 수 있습니다.
  • 공유 메모리와 재사용 도구가 핵심입니다. 이번 실행에서 성과를 만든 건 모델의 머리보다 남겨둔 146개의 상태와 42개의 도우미 함수였습니다. 에이전트 시스템을 만든다면 “다음 실행에서도 쓸 코드를 남기게 하는 지시”를 기본값으로 넣으세요.
  • 관찰자를 분리하세요. 일하는 에이전트의 자기 보고는 틀릴 수 있습니다. 이번 실험에서도 없는 성공을 보고한 사례가 실제로 나왔고, 다른 에이전트가 잡아냈습니다. 로그 대조 전용 에이전트나 검증 단계는 사치가 아닙니다.
  • 캐시 설계가 원가를 바꿉니다. 입력 토큰의 91%를 캐시로 처리한 것과 못 한 것의 차이는 비용에서 몇 배로 벌어집니다.

🏢 기업·운영 조직

  • 파일럿 단위를 바꿔볼 시점입니다. “문서 한 건 요약”이 아니라 “하루 동안 이어지는 정산·리서치·모니터링”을 소규모로 시험할 수 있습니다. 단, 반복 실행 성공률을 반드시 측정하세요.
  • 비용 기준선이 생겼습니다. 하루 종일 돌아가는 에이전트 1개 세션에 50만~100만 원대가 들 수 있다는 감각을 갖고 시작해야 합니다. 사람 인건비와 단순 비교하기 전에 재시도 횟수를 먼저 보세요.
  • 감사 로그가 전제입니다. 논문이 승리를 증명한 방식은 화려한 요약이 아니라 서버 로그 한 줄이었습니다. 사내 자동화도 “무엇을 했는지”가 아니라 “어디에 기록이 남는지”로 설계해야 합니다.

🙋 개인 사용자·1인 운영자

  • 기대치를 조정하세요. 이건 “제미나이가 게임을 잘한다”가 아니라 “에이전트에게 긴 일을 맡길 수 있는 시대가 열리는 중”이라는 신호입니다. 당장 개인 플랜에서 같은 일을 시키면 중간에 흐름이 끊길 가능성이 큽니다.
  • 대신 ‘이어하기’ 습관은 지금도 유효합니다. 작업을 단계로 나누고, 중간 결과를 파일로 남기고, 다음 세션에서 그 파일부터 읽히는 방식입니다. 모델이 좋아질수록 이 습관의 수익률이 올라갑니다.

🌐 AI 업계

  • 경쟁 축이 ‘한 번의 정답’에서 ‘하루의 지구력’으로 이동합니다. 벤치마크 한 줄로는 설명되지 않는 영역입니다.
  • 같은 주에 연구 성과가 겹쳤습니다. 구글 딥마인드는 별도로 자사 에이전트가 플라즈마 물리(스텔러레이터 자기장) 문제의 반례 탐색을 도왔다고 밝혔습니다. 다만 이 사안은 보도마다 주체가 갈립니다. 1967년 그라드(Grad) 추측을 깬 반례는 인간 수학자들의 논문에서 나왔고(한쪽은 GPT-6 Astra와 협업), 딥마인드는 자사 에이전트가 추가 반례를 찾는 데 기여했다고 주장하는 수준입니다. 즉 “AI가 증명했다”로 읽으면 과장입니다. 이 구분은 기사마다 생략되니 원문을 확인하는 편이 안전합니다.

👍 이 실험이 실무에 주는 쓸 만한 교훈

  1. 재사용 가능한 도구를 남기게 하라. 매 실행이 일회용 코드로 끝나면 장기 과제는 불가능합니다.
  2. 공유 메모리에 좌표를 남겨라. 무엇을 어디에 두었는지, 어떤 함정을 만났는지가 다음 단계의 생존을 결정합니다.
  3. 실패 복구를 설계에 넣어라. 이번 성과의 절반은 “죽고도 다시 오는 능력”이었습니다. 재시도·아이템 회수·부분 재실행이 기본값이어야 합니다.
  4. 자기 보고를 믿지 말고 로그와 대조하라. 관찰자 역할을 별도로 두거나, 최소한 검증 스텝을 넣으세요.
  5. 반복 실행으로 성공률을 재라. 1회 성공은 데모이고, 10회 중 8회 성공이 도입 근거입니다.

🔭 전망

  1. 단기 — ‘픽셀에서 플레이’와의 격차가 다음 관전 포인트입니다. 이번 결과는 코드 인터페이스 덕을 크게 봤습니다. 화면 인식 기반으로 같은 일이 가능해지면 난이도가 완전히 달라집니다.
  2. 단기 — 성공률 데이터가 나올지. 단일 실행이라는 한계를 스스로 밝혔으니, 후속 연구는 반복 실험과 성공률로 갈 가능성이 큽니다.
  3. 중기 — 장기 과제 벤치마크가 정착합니다. “30분 안에 되는 일”이 아니라 “8시간·24시간 과제”를 재는 평가가 업계 표준으로 자리 잡을 겁니다.
  4. 중기 — 비용 구조가 캐시 중심으로 재편됩니다. 장기 실행에서 원가를 결정하는 건 모델 단가보다 캐시 적중률과 컨텍스트 관리입니다.
  5. 중기 — 감독 에이전트 시장. 일하는 에이전트 옆에서 로그를 검증하는 감시·감사 전용 에이전트가 별도 제품군으로 자리 잡을 수 있습니다.
  6. 장기 — ‘자동화 단위’의 변화. 업무를 30분 단위로 쪼개던 관행이, 중간 상태를 남기는 반나절 단위 작업으로 옮겨갈 가능성이 있습니다.

💡 마무리 — 지금 챙겨야 할 것

게임 뉴스로 보이지만, 실무적으로 읽으면 “장기 자동화의 조건”에 대한 보고서입니다. 정리하면 이렇습니다.

  • 에이전트를 도입하려는 분들이라면: 성공 사례 수치보다 실패 로그(605회 사망, 22% 오류) 를 먼저 보세요. 자동화의 실제 난이도는 그쪽에 있습니다.
  • 시스템을 만드는 분들이라면: 공유 메모리, 재사용 도구, 부분 재시도, 로그 대조 — 이 네 가지를 기본 골격으로 잡으세요. 모델이 좋아져도 이 골격이 없으면 하루짜리 작업은 무너집니다.
  • 비용을 보는 분들이라면: “하루 종일 도는 에이전트”의 가격표는 세션당 수십만~백만 원대로 잡아두는 게 현실적입니다. 캐시 적중률을 먼저 올리고, 그다음 모델을 바꾸세요.
  • 뉴스를 읽는 분들이라면: “AI가 마인크래프트를 깼다”와 “AI가 업무를 끝낸다” 사이에는 난이도 Easy, 코드 인터페이스, 사전 지식, 단 1회 실행이라는 조건이 숨어 있습니다. 그 조건을 빼고 인용하면 판단을 그르칩니다.

솔직히, 이번 결과에서 가장 실용적인 문장은 승리 기록이 아니라 논문의 이 대목입니다. “복잡한 실제 소프트웨어 공학과 기업 과제도 같은 장기 코딩·멀티에이전트 협업을 요구한다.” 방향은 맞습니다. 다만 아직은 한 번의 성공이고, 우리가 필요한 건 반복되는 성공입니다. 가성비 좋은 자동화를 찾는 분들이라면, 판단 기준은 “모델이 똑똑한가”보다 “실패했을 때 스스로 복구하는가” 쪽에 두는 게 낫습니다.

참고: Google DeepMind 연구진의 논문 “A team of Gemini 4 Argon agents beats Minecraft”(arXiv:2610.22319v1, 2026-10-15, CC BY 4.0)와 본문에 인용된 선행 연구(MineRL, Video PreTraining, Voyager, SIMA 2 등), 그리고 10월 18~20일 주요 매체 보도를 바탕으로 정리했습니다. 본문 수치(2,783개 프로그램, 605회 사망, 27시간 14분, 토큰·비용 추산)는 모두 해당 논문에 기재된 값이며, 비용은 공개 API 정가 기준 추정치로 실제 서빙 원가와 다릅니다. 단일 실행 결과이므로 반복 성공률은 아직 검증되지 않았습니다. 플라즈마 물리 관련 서술은 보도별 주체 구분이 달라, 논문·원 보도 확인이 필요합니다.