Google DeepMind เผยผลวิจัยกลุ่มเอเจนต์ Gemini 4 Argon เล่นจบเกม Minecraft แบบอัตโนมัติในเวลา 27 ชั่วโมง

ความสำเร็จครั้งใหม่ในการพิชิต Minecraft แบบอัตโนมัติตลอด 27 ชั่วโมง

ทีมนักวิจัยจาก Google DeepMind นำโดย Maxence Faldor, Satinder Singh และ Roberta Raileanu ได้เปิดเผยรายงานวิจัยฉบับก่อนตีพิมพ์ (Preprint หมายเลข arXiv:2610.22319) บันทึกความสำเร็จในการควบคุมกลุ่มเอเจนต์ปัญญาประดิษฐ์เพื่อเอาชนะเกม Minecraft โหมดเอาชีวิตรอด (Survival) ได้อย่างสมบูรณ์แบบอัตโนมัติเป็นครั้งแรก โดยไม่ต้องพึ่งพาการแทรกแซงหรือการชี้นำคำสั่งจากมนุษย์

การทดลองดังกล่าวจัดขึ้นในโลกของเกมที่ถูกสุ่มขึ้นมาใหม่ทั้งหมด (Random Seed) ภายใต้ระดับความยากระดับง่าย (Easy Difficulty) และปิดการใช้งานคำสั่งโกง (Cheats Disabled) กลุ่มโมเดล Gemini 4 Argon จำนวน 4 ตัว พร้อมด้วยบ็อตสังเกตการณ์อีก 1 ตัว ถูกปล่อยเข้าสู่สภาพแวดล้อมโดยไม่มีการกำหนดบทบาทล่วงหน้า ไม่มีการสำรวจพิกัดโลก และไม่มีการระบุลำดับขั้นตอนเฉพาะเจาะจง

ระบบเอเจนต์ใช้เวลาทั้งหมด 27 ชั่วโมงกับอีก 14 นาที นับตั้งแต่เริ่มสร้างโลกจนกระทั่งสังหาร Ender Dragon ซึ่งเป็นภารกิจสุดท้ายของเกมได้สำเร็จ การทดลองนี้แสดงให้เห็นว่าโมเดลระดับแนวหน้าสามารถประคองการทำงานในภารกิจที่มีขอบเขตเวลายาวนาน (Long-horizon tasks) และเชื่อมโยงเป้าหมายย่อยนับร้อยขั้นตอนได้อย่างต่อเนื่อง

สถาปัตยกรรมเชิงโปรแกรม ปริมาณการคำนวณ และการแบ่งงานร่วมกัน

แทนที่จะใช้การประมวลผลผ่านพิกเซลภาพดิบ (Computer Vision) เอเจนต์ชุดนี้เชื่อมต่อกับตัวเกมผ่านไลบรารี JavaScript แบบโอเพนซอร์สชื่อ Mineflayer พร้อมปลั๊กอินค้นหาเส้นทาง (Pathfinding Plugins) โดยเอเจนต์จะเขียนโค้ด JavaScript ขนาดสั้นเพื่อควบคุมตัวละครและสั่งประมวลผลทีละขั้นตอน ตลอดทั้งกระบวนการ เอเจนต์ได้ร่วมกันเขียนโปรแกรมเฉพาะกิจขึ้นมาทั้งหมด 2,783 ชุด โดยมีอัตราข้อผิดพลาดขณะทำงาน (Runtime Error Rate) อยู่ที่ร้อยละ 22

ความทนทานต่อความล้มเหลวถือเป็นหัวใจสำคัญของการทดลอง ตัวละครเอเจนต์ตายภายในเกมไปทั้งสิ้น 605 ครั้ง ซึ่งเกิดขึ้นในระหว่างการต่อสู้กับบอส Ender Dragon ถึง 69 ครั้ง แต่ระบบสามารถประคองสถานะ ฟื้นตัวหลังเกิดใหม่ และออกเดินทางไปเก็บไอเทมที่ตกอยู่ก่อนที่จะหมดเวลา (Despawn) ได้อย่างมีประสิทธิภาพ

ในแง่ของทรัพยากรประมวลผล การทดลอง 27 ชั่วโมงนี้ใช้ Input Tokens ไปทั้งสิ้น 1.35 พันล้านโทเค็น และ Output Tokens อีก 16 ล้านโทเค็น คิดเป็นค่าบริการ API ประมาณ 520 ดอลลาร์สหรัฐในอัตราโปรโมชันของ Google (หรือประมาณ 1,620 ดอลลาร์สหรัฐหากคิดตามอัตรามาตรฐาน)

เอเจนต์ทั้งสี่ประสานงานกันเองโดยอาศัยข้อความสนทนาในเกม (In-game Chat) ทั้งหมด 229 ข้อความ ควบคู่กับการจดบันทึกบนหน่วยความจำแบบ Key-Value ส่วนกลางเพื่อแบ่งหน้าที่ ทั้งการทำเหมืองหาแร่ การทำฟาร์มอาหาร การคำนวณตำแหน่งฐานที่มั่น (Stronghold) ผ่านสมการพีชคณิตเชิงเส้น (Linear Algebra) จากทิศทางการโยน Eye of Ender และการเปิดใช้งานประตูมิติ

เสียงสะท้อนจากนักพัฒนา: พัฒนาการระยะยาวหรือการลองผิดลองถูกด้วยต้นทุนสูง

การเปิดเผยรายงานดังกล่าวได้รับความสนใจอย่างกว้างขวางจากชุมชนนักวิจัยและวิศวกรปัญญาประดิษฐ์ โดยมุมมองของนักพัฒนาถูกแบ่งออกเป็นสองทิศทางอย่างชัดเจน ฝั่งหนึ่งยกย่องเสถียรภาพของการประสานงานแบบหลายเอเจนต์ โดยเฉพาะการกู้คืนสถานะหลังความล้มเหลวและการใช้คณิตศาสตร์เพื่อหาตำแหน่งโครงสร้างใต้ดิน ซึ่งสะท้อนว่าสถาปัตยกรรมเอเจนต์เริ่มควบคุมเวิร์กโฟลว์ที่ซับซ้อนเกินกว่าหนึ่งวันได้จริง

อย่างไรก็ตาม นักพัฒนาและนักวิจัยอีกกลุ่มหนึ่งแสดงความกังขาต่อความสามารถในการใช้เหตุผลทั่วไป โดยชี้ว่าอัตราการตายถึง 605 ครั้ง และการเกิดข้อผิดพลาดในการรันโปรแกรมกว่าร้อยละ 22 บ่งชี้ว่าระบบยังต้องพึ่งพาการลองผิดลองถูกอย่างหนักหน่วง (Brute-force iteration) มากกว่าความเข้าใจสถานการณ์ตามสามัญสำนึก นอกจากนี้ ข้อเท็จจริงที่ว่าโมเดลภาษาขนาดใหญ่ได้รับข้อมูลโครงสร้างเกมและสูตรผสมไอเทม (Recipes) มาอย่างละเอียดในชุดข้อมูลก่อนการฝึกฝน (Pre-training data) ทำให้ภารกิจนี้ไม่ได้เริ่มจากศูนย์อย่างแท้จริง

ขณะเดียวกัน ทีมวิจัยของ DeepMind เองก็ยอมรับข้อจำกัดสำคัญในรายงานว่า การพึ่งพา Mineflayer ช่วยข้ามอุปสรรคใหญ่ด้านการรับรู้ภาพไปอย่างสิ้นเชิง และในการทดลองนี้ยังไม่ได้จัดทำผลเปรียบเทียบแบบตัดตัวแปร (Ablation study) เทียบกับระบบที่ใช้เอเจนต์เดี่ยวทำงานเพียงตัวเดียว

นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย

สำหรับผู้นำเทคโนโลยีและผู้บริหารฝ่ายสารสนเทศในประเทศไทย การทดลองนี้ไม่ได้เป็นเพียงความสำเร็จในวงการเกม แต่เป็นตัวบ่งชี้ถึงทิศทางของระบบอัตโนมัติในระดับองค์กร (Enterprise Agentic Workflows) ที่กำลังเปลี่ยนผ่านจากการออกคำสั่งทีละขั้นตอน มาเป็นการสั่งการระดับเป้าหมาย (Goal-oriented orchestration)

การที่เอเจนต์สามารถสังเคราะห์โค้ด JavaScript สั้นๆ เพื่อแก้ปัญหาเฉพาะหน้าและมีกระบวนการตรวจสอบข้อผิดพลาดในตัวเอง (Self-healing code) สะท้อนรูปแบบการนำไปใช้ในงานปรับปรุงข้อมูล การรวมระบบ API ภายนอก และการประมวลผลเอกสารข้ามแพลตฟอร์มของธุรกิจไทย อย่างไรก็ดี ต้นทุนการประมวลผลโทเค็นหลักหลายร้อยดอลลาร์ต่อภารกิจเตือนให้องค์กรต้องคำนึงถึงความคุ้มค่าของการลงทุน (ROI)

ภาคธุรกิจไทยที่กำลังศึกษาการนำเอเจนต์มาใช้ควรตระหนักว่า สภาพแวดล้อมทางธุรกิจจริงมีความคลุมเครือและไม่มีคำตอบตายตัวเหมือนเกม การนำระบบเอเจนต์ไปใช้จึงจำเป็นต้องมีกรอบป้องกันความปลอดภัย (Safety Guardrails) และระบบการบันทึกสถานะที่รัดกุม เพื่อป้องกันความเสียหายจากข้อผิดพลาดที่อาจเกิดขึ้นในระหว่างที่ระบบพยายามลองผิดลองถูกอย่างต่อเนื่อง