GAMESLASHAI เขียนเกมเสร็จแล้ว แต่ชนหนามไม่เสีย HP? SWE-Game ทดสอบเกมที่ AI ทำจริง
โดย GameSlash
งานวิจัย SWE-Game ทดลองให้ AI ทำเกมจาก 247 โจทย์ แล้วทดสอบว่าเล่นตรงตามคำสั่งหรือไม่ พร้อมวิธีเช็กเกมที่คนทำ Vibe Coding นำไปใช้ได้
ให้ AI เขียนเกมเสร็จ กดเปิดได้ ภาพก็ดูดี แต่พอเล่นจริงกลับเดินชนหนามแล้วไม่เสีย HP หรือเข้าประตูจบฉากไม่ได้? การรันเกมผ่านไม่ได้แปลว่ากลไกเกมถูกต้อง งานวิจัย SWE-Game จึงตั้งโจทย์ทดสอบว่า AI สร้างเกมที่เล่นได้ตรงตามคำสั่งจริงแค่ไหน
SWE-Game เผยแพร่ครั้งแรก 27 กันยายน 2569 และปรับปรุงฉบับที่สาม 7 ตุลาคม 2569 ทีมวิจัยนำเกม Godot ที่เล่นได้จริง 41 เกม ครอบคลุมรูปแบบการเล่น 13 ประเภท มาทำโจทย์ทดสอบ 247 งาน ครอบคลุมการให้ AI สร้างเกมจากบรีฟสั้น ๆ สร้างจากเอกสารออกแบบ เติมเกมที่ยังไม่เสร็จ แก้บั๊ก และย้ายเกมจาก Godot ไป Unity
เกมดูถูกต้อง ไม่เท่ากับเล่นถูกต้อง
แทนที่จะให้ AI ดูภาพหรือวิดีโอแล้วตัดสินว่าสวยหรือไม่ ระบบจะเปิดเกม ส่งคำสั่งควบคุมจริง ตรวจข้อมูลในเกม เช่น HP ตำแหน่ง และสถานะการชนะ แล้วเปรียบเทียบกับพฤติกรรมที่ควรเกิดขึ้น วิธีนี้จับปัญหาที่รูปหน้าจอบอกไม่ได้ เช่น ตัวละครเดินผ่านหนามโดยไม่เสียพลังชีวิต
บทความวิจัยฉบับที่สามรายงานคะแนนสูงสุดของงานสร้างเกมจากบรีฟสั้นที่ 50.38 จาก 100 และคะแนนสูงสุดของงานสร้างหรือเติมเกมทั้งสามประเภทต่ำกว่า 60 ส่วนการตรวจพฤติกรรม 1,200 ข้อจากเกมที่เอเจนต์สร้าง 100 เกม พบว่าการตรวจขณะรันเกมให้ Balanced Accuracy 92.59% เทียบกับ 78.41% เมื่อใช้ AI ตัดสินจากวิดีโอ ค่าความแม่นยำนี้วัดว่าระบบทดสอบตัดสินพฤติกรรมได้ตรงกับคนเพียงใด ไม่ใช่สัดส่วนเกมที่ AI สร้างสำเร็จ
คนทำเกมด้วย AI เอาไปใช้ได้อย่างไร
ถ้าทำเกมแบบ Vibe Coding ลองสั่งให้ AI สร้างเกมวงจรสั้น ๆ ก่อน แล้วกำหนดการทดสอบเป็นข้อ ๆ เช่น เดินชนหนามต้องเสีย HP เก็บเหรียญแล้วตัวเลขเพิ่ม หรือเข้าประตูแล้วชนะด่าน จากนั้นเปิดเล่นจริงหรือใช้เครื่องมือทดสอบกดคำสั่งให้เห็นผล ถ้าพังให้บอกขั้นตอนที่ทำให้เกิดบั๊ก ไม่ต้องสั่งสร้างเกมใหม่ทั้งหมด
ข้อจำกัดที่ต้องรู้
SWE-Game เป็นชุดประเมินผลในสภาพแวดล้อมที่กำหนด ไม่ใช่ AI สำหรับพิมพ์คำสั่งแล้วสร้างเกมเองทันที คะแนนในงานวิจัยไม่ควรใช้ตัดสินว่าเครื่องมือหนึ่งดีสุดเสมอไป แต่ข้อคิดสำคัญคืออย่าหยุด QA ที่แค่เห็นภาพสวยหรือเกมเปิดได้ ต้องลองระบบการเล่นให้ครบ
อ่านงานวิจัย SWE-Game · ดูภาพและวิธีทดสอบ · สิทธิ์ภาพ CC BY 4.0
หากจะทำการทดลองซ้ำ ต้องแยกรุ่นให้ชัด: ชุดเผยแพร่ v1.0.0 มี 246 โจทย์ แต่บทความวิจัยฉบับที่สามรายงาน 247 โจทย์ จึงไม่ควรนำจำนวนโจทย์หรือคะแนนคนละรุ่นมาปนกัน เอกสารชุดเผยแพร่