Jev เอาชนะ Pokémon Red ได้อย่างไรในเวลาไม่ถึงหนึ่งสัปดาห์
Andrew Boyd นักพัฒนาจาก TypeSafe AI ทีมที่นำโดย Diogo Almeida อดีตวิศวกรของ OpenAI ประกาศโปรเจกต์โมเดลตัดสินใจชื่อ Jev เมื่อวันที่ 17 กันยายน 2026 และแจ้งว่า Jev เล่น Pokémon Red จนจบเกมได้สำเร็จในวันที่ 23 กันยายน 2026 รวมเวลาไม่ถึงหนึ่งสัปดาห์ ซึ่งเร็วกว่าที่แชทบอทตระกูล LLM หลายตัวเคยทำได้ เพราะโมเดลเหล่านั้นมักติดอยู่ในเกมนี้นานหลายสัปดาห์ถึงหลายเดือน
จุดที่ทำให้เรื่องนี้น่าสนใจไม่ใช่แค่ผลลัพธ์ปลายทาง แต่คือวิธีที่ Jev ไปถึงจุดนั้น เพราะเบื้องหลังชัยชนะนี้ไม่ได้มาจากโมเดลตัวเดียวทำงานโดดๆ ตั้งแต่ต้นจนจบ
Jev ไม่ใช่แชทบอท แล้วมันคืออะไรกันแน่
Jev ถูกจัดเป็น “System One model” ออกแบบมาให้ตัดสินใจแบบรวดเร็วภายในขอบเขตจำกัด ต่างจาก LLM ทั่วไปที่เน้นสร้างข้อความยาวๆ ตามบริบท Jev อ่านหน้าจอเกมไม่ได้และไม่สร้างข้อความอิสระ มันทำหน้าที่รับสถานะเกมกับตัวเลือกที่เตรียมไว้ให้ แล้วตอบกลับมาเป็นคำตอบพร้อมค่าความมั่นใจ (confidence score) ว่าตัวเลือกไหนน่าจะดีที่สุด
ตามข้อมูลที่ TypeSafe AI เปิดเผย เวลาตอบสนองต่อการตัดสินใจแต่ละครั้งอยู่ที่ประมาณ 70-500 มิลลิวินาที ซึ่งเร็วกว่าโมเดลภาษาชั้นนำอย่าง GPT-6 Astra ราว 40-200 เท่า เมื่อเทียบต่อการตัดสินใจหนึ่งครั้ง นี่คือเหตุผลที่ Jev เดินเกมได้ต่อเนื่องโดยไม่ต้องรอประมวลผลนาน แม้จะต้องตัดสินใจนับหมื่นครั้งกว่าจะจบเกม
เบื้องหลังชัยชนะ: ทำไมต้องมี Claude Opus 5 คอยประกบ
ส่วนที่บทความต้นทางเน้นย้ำมากที่สุดคือ Jev ไม่ได้เล่นเกมนี้ตามลำพัง เพราะมันอ่านภาพหน้าจอไม่ได้และตอบได้แค่จากลิสต์ตัวเลือกที่มีคนป้อนให้ ทีมงานจึงให้ Claude Opus 5 ทำหน้าที่คอยตรวจสอบล็อกการเล่นแบบต่อเนื่อง แล้วเขียนตัวเลือกและคำอธิบายสถานการณ์ใหม่ให้ Jev ทุกครั้งที่มันเริ่มติดอยู่กับที่
ตัวอย่างที่เป็นรูปธรรมคือ Claude Opus 5 ลดปริมาณข้อความที่ป้อนให้ Jev ลงราวสองในสาม เพื่อไม่ให้ตัวเลือกรกเกินไป และเมื่อ Jev วนซ้ำอยู่กับปัญหาเดิม ระบบจะปรับความถี่การขอคำตัดสินใจจากทุกหนึ่งวินาทีเป็นทุกหกวินาที เพื่อให้มีเวลาแทรกบริบทใหม่เข้าไปช่วย พูดให้ตรงคือ Jev เป็นคนตัดสินใจเลือกปุ่มกด แต่ Claude Opus 5 เป็นคนออกแบบว่าตัวเลือกตรงหน้า Jev ควรมีหน้าตาแบบไหน ระบบนี้จึงเป็นระบบลูกผสมระหว่างสองโมเดล ไม่ใช่ชัยชนะของ AI ตัวเดียวอย่างที่พาดหัวอาจทำให้เข้าใจไปก่อนล่ะครับ
เส้นทางที่ไม่ได้ราบรื่นตลอดสาย
ข้อมูลที่เปิดเผยระบุว่าการเล่นครั้งนี้มีบันทึกการปรับแก้ระหว่างทางถึง 474 ครั้ง ตัวอย่างที่ถูกพูดถึงบ่อยคือ Jev เดินชนประตูที่ปิดอยู่ซ้ำกัน 53 ครั้งติด และวนเดินข้ามจุดบันไดจุดเดียวกัน 124 ครั้งภายในสิบนาที ก่อนที่ Claude Opus 5 จะเข้าไปปรับตัวเลือกให้มันหลุดออกจากวงจรนั้นได้
รายละเอียดเหล่านี้สำคัญ เพราะมันแปลว่าเส้นทางสู่ชัยชนะไม่ได้ราบเรียบแบบที่หัวข้อข่าวสื่อ Jev ยังคงหลงทางและทำพลาดซ้ำๆ ได้เหมือน AI ทั่วไป เพียงแต่มีระบบคอยจับสัญญาณความผิดพลาดแล้วแก้ไขให้เร็วกว่าที่จะปล่อยให้มันติดอยู่แบบนั้นตลอดไป
จากระบบรุ่นก่อนถึง Jev: อะไรทำให้การเล่นเปลี่ยนไป
| Factor | ระบบรุ่นก่อน | Jev |
|---|---|---|
| วิธีตัดสินใจ | ทำนายข้อความหรือการกระทำถัดไปจากรูปแบบ | เลือกจากลิสต์ตัวเลือกพร้อมค่าความมั่นใจ |
| การอ่านสถานการณ์ | อ่าน/ตีความหน้าจอหรือข้อความยาว | รับสถานะที่สรุปมาให้แล้วเท่านั้น |
| ความเร็วต่อการตัดสินใจ | ขึ้นกับขนาดโมเดล มักช้ากว่า | ราว 70-500 มิลลิวินาทีต่อครั้ง |
| การรับมือทางตัน | ต้องพึ่งตัวเองล้วนๆ | มี Claude Opus 5 ปรับตัวเลือกให้เมื่อวนซ้ำ |
จุดเปลี่ยนสำคัญจึงไม่ใช่แค่ Jev ฉลาดขึ้นกว่าระบบเดิม แต่คือการแบ่งงานให้ชัดระหว่างโมเดลที่ตัดสินใจเร็วกับโมเดลที่คอยดูแลบริบทให้ ทำให้ทั้งคู่ทำงานร่วมกันได้ดีกว่าต่างคนต่างทำ
สิ่งที่ระบบต้องจัดการตลอดการเดินทางในเกม
- จำสถานะทีม ไอเทม และภารกิจที่ทำค้างไว้ เพื่อกลับมาทำต่อได้หลังเปลี่ยนพื้นที่หรือเข้าศูนย์ฟื้นฟู
- เตรียมทีมและท่าต่อสู้ให้เหมาะกับยิมหรือศึกสำคัญ โดยดูจุดแข็งจุดอ่อนของโปเกมอนแต่ละตัว
- จัดสรรไอเทมให้พอใช้ในจังหวะสำคัญ แทนที่จะใช้หมดเร็วเกินไปตั้งแต่ต้นเกม
- เมื่อแพ้หรือติดอยู่ในพื้นที่เดิมซ้ำๆ ต้องได้รับตัวเลือกใหม่จาก Claude Opus 5 เพื่อเปลี่ยนเส้นทางหรือกลยุทธ์
Jev เทียบกับวิธีอื่นในการเล่นเกมระยะยาว
| Factor | Jev + Claude Opus 5 | เอเจนต์กฎตายตัว | LLM ควบคุมตรง | ระบบค้นหาเส้นทาง |
|---|---|---|---|---|
| ความเร็วต่อการตัดสินใจ | สูงมาก (หลักร้อยมิลลิวินาที) | สูง | ต่ำกว่า Jev หลายเท่า | สูง |
| ความยืดหยุ่นเมื่อเจอทางตัน | ปรับตัวเลือกใหม่ได้ผ่านโมเดลคู่ | จำกัดตามกฎที่ตั้งไว้ | ยืดหยุ่นแต่ผลลัพธ์แกว่ง | จำกัดตามข้อมูลแผนที่ |
| ต้องพึ่งมนุษย์/โมเดลอื่นช่วย | ต้องมี Claude Opus 5 คอยเขียนตัวเลือกใหม่ | แทบไม่ต้องพึ่งระหว่างรัน | ไม่ต้องพึ่งระบบอื่น | ไม่ต้องพึ่งระบบอื่น |
| อธิบายเหตุผลการตัดสินใจ | อธิบายจากค่าความมั่นใจของแต่ละตัวเลือก | ตรวจจากกฎได้ง่าย | อธิบายเป็นภาษาได้ | อธิบายตามเส้นทางได้ |
ตารางนี้ชี้ให้เห็นข้อเท็จจริงที่มักถูกมองข้าม คือ Jev ไม่ได้ชนะเพราะฉลาดกว่าทุกวิธีในทุกมิติ แต่ชนะเพราะจับคู่จุดแข็งสองอย่างเข้าด้วยกัน ได้แก่ความเร็วในการตัดสินใจของโมเดลเฉพาะทาง กับความสามารถในการอ่านบริบทกว้างของ Claude Opus 5 ที่คอยรีเซ็ตตัวเลือกให้เมื่อมันหลงทาง
Jev แค่จำรูปแบบเกม หรือเข้าใจกติกาจริง
คำถามที่ยังตอบไม่ได้เต็มปากคือ ชัยชนะครั้งนี้มาจาก Jev เข้าใจเป้าหมายและกติกาของเกมจริงๆ หรือเป็นเพราะ Claude Opus 5 คอยประกบจนพามันข้ามทุกจุดที่เคยติดกันแน่ เพราะทั้ง 474 ครั้งที่ต้องปรับตัวเลือกใหม่ ล้วนเป็นจังหวะที่มนุษย์หรือโมเดลอีกตัวเข้ามาแทรกแซง ไม่ใช่ Jev หาทางออกได้เองล้วนๆ
ข้อดี
- +ตัดสินใจเร็วมาก (70-500 มิลลิวินาทีต่อครั้ง) เหมาะกับงานที่ต้องตอบสนองต่อเนื่องจำนวนมาก
- +แบ่งงานกับ Claude Opus 5 ได้ชัดเจน ทำให้แก้ปัญหาทางตันได้เร็วกว่าปล่อยให้โมเดลเดียวงมเอง
ข้อเสีย
- −ยังต้องพึ่งการแทรกแซงจากภายนอกบ่อยมาก (474 ครั้งตลอดการเล่น) จึงยังไม่ใช่ระบบอัตโนมัติเต็มรูปแบบ
- −ยังไม่มีข้อมูลว่าจะย้ายไปเล่นเกมอื่นหรือรับมือสถานการณ์ที่ไม่เคยเจอได้ดีแค่ไหน
ชัยชนะครั้งนี้ใช้ทรัพยากรเท่าไร
TypeSafe AI ยืนยันว่าใช้วิธีลดปริมาณโทเคนด้วยการแทนตัวเลขด้วยคำอธิบายสั้นๆ แทน เพื่อควบคุมต้นทุนการประมวลผลระหว่างรัน และเปิดเผยความเร็วต่อการตัดสินใจไว้ชัดเจนที่ 70-500 มิลลิวินาที แต่ยังไม่มีตัวเลขค่าใช้จ่ายรวมเป็นเงินหรือจำนวนครั้งที่เรียกโมเดลทั้งหมดออกมาอย่างเป็นทางการจากทีมนี้
ส่วนการตรวจสอบโดยมนุษย์ก็ยังไม่มีรายละเอียดว่าใครตรวจ ตรวจขั้นตอนไหน และใช้เวลานานเท่าไร หลักฐานที่มีบอกได้แค่ว่าโมเดลตอบสนองเร็วและปรับตัวได้ไว แต่ยังสรุปไม่ได้ว่าการเล่นจบเกมครั้งนี้คุ้มต้นทุนแค่ไหนเมื่อเทียบกับงานจริงที่ต้องรันซ้ำต่อเนื่อง
การชนะ Pokémon Red บอกอะไรเกี่ยวกับ AI ในโลกจริง
การชนะเกมนี้แสดงให้เห็นว่าการแบ่งงานระหว่างโมเดลตัดสินใจเร็วกับโมเดลที่เข้าใจบริบทกว้างเป็นแนวทางที่ใช้ได้จริง ไม่ใช่แค่ทฤษฎี ทักษะแบบนี้มีส่วนคล้ายงานควบคุมหุ่นยนต์หรือระบบที่ต้องตัดสินใจต่อเนื่องจำนวนมากในเวลาสั้นๆ
แต่เกมมีขอบเขต กติกา และเป้าหมายชัดเจนกว่างานจริงมาก โลกจริงมีข้อมูลไม่ครบ ความผิดพลาดอาจกระทบคนหรือทรัพย์สิน และไม่มี Claude Opus 5 มาคอยเขียนตัวเลือกใหม่ให้ทุกครั้งที่ติดขัดเสมอไป ชนะเกมจึงเป็นหลักฐานว่าแนวทางนี้น่าสนใจ ยังไม่ใช่คำยืนยันว่าระบบพร้อมใช้งานจริงในสภาพแวดล้อมที่ไม่มีใครมาคอยช่วยครับ
คำถามที่ควรถามต่อจากการทดลองนี้
การทดลองครั้งต่อไปควรวัดว่า Jev รับมือกับเกมหรือสถานการณ์ที่ไม่เคยเห็นมาก่อนได้ดีแค่ไหนโดยไม่ต้องพึ่ง Claude Opus 5 มากเท่าครั้งนี้ รวมถึงเปิดเผยตัวเลขต้นทุนรวมและจำนวนครั้งที่ต้องมีคนหรือโมเดลอื่นเข้าไปแทรกแซงจริง เพราะนั่นคือตัวชี้วัดที่จะบอกได้ว่าระบบลูกผสมแบบนี้พร้อมนำไปใช้กับงานที่ซับซ้อนกว่าการเล่นเกมหรือยัง