Ramen Merilis Aura Autopilot sebagai Sumber Terbuka untuk Menghadirkan Pengujian Game Berbasis AI di Unreal, Unity, dan Godot

Sebuah game bisa dikompilasi tanpa masalah, tetapi lompatan karakternya tetap bisa bermasalah, objektifnya mungkin tidak dapat dicapai, atau menunya tidak pernah tertutup. Ramen berupaya mengatasi kesenjangan ini dengan Aura Autopilot, agen yang memainkan game dan diumumkan sebagai proyek sumber terbuka pada 30 Oktober untuk Unreal Engine, Unity, dan Godot. Alat ini dirancang untuk mempelajari game sambil memainkannya, mengejar objektif jangka panjang, dan memungkinkan pengembang mengarahkan perhatiannya ke sistem tertentu.

Pengumuman ini memperluas Aura, asisten pengembangan multiagen Ramen yang sudah ada untuk Unreal dan Unity. Alur kerja yang diusulkan menggabungkan dua aktivitas yang sering kali terpisah: satu agen membangun fitur gameplay, sementara agen lain masuk ke dalam game untuk menguji apakah fitur tersebut benar-benar berfungsi. Bagi studio, manfaatnya terletak pada pemangkasan siklus umpan balik tanpa mengharuskan pengembang mengulangi sendiri setiap interaksi dasar setelah tiap perubahan.

Mengapa Memainkan Game Memberikan Hal yang Tidak Bisa Diperiksa oleh Kode

Kompilasi memastikan bahwa kode memenuhi aturan suatu bahasa pemrograman. Namun, kompilasi tidak memastikan bahwa pemain bisa menyelesaikan misi atau bilah stamina terkuras dengan laju yang diinginkan. Hasil tersebut bergantung pada interaksi antarsistem dari waktu ke waktu: input, fisika, animasi, status game, elemen antarmuka, dan terkadang beberapa pemain yang terhubung.

Dokumentasi Ramen tentang Agen Verifikasi yang sudah ada di Aura memperjelas perbedaan tersebut. Di Unreal, agen ini menjalankan Play-In-Editor, memeriksa informasi saat game berjalan seperti aktor yang muncul, atribut kemampuan, dan visibilitas antarmuka, serta dapat menyertakan rekaman video sebagai bukti. Agen ini dapat mencoba memperbaiki masalah, lalu menjalankan verifikasi kembali. Implementasi Unity yang didokumentasikan lebih sederhana: agen mengompilasi game, masuk ke mode Play, dan memeriksa tangkapan layar, tanpa fitur bukti video canggih yang sama.

Autopilot adalah agen pengujian game yang baru diumumkan, sehingga kemampuan yang sudah ada tersebut memberikan konteks, bukan bukti bahwa setiap mesin game memiliki fungsi yang sama. Ramen menyatakan bahwa Autopilot dapat memainkan berbagai genre, termasuk game tembak-menembak, RPG aksi, game seluler, game survival dan crafting, JRPG berbasis giliran, serta game strategi waktu nyata. Pernyataan itu menggambarkan cakupan demonstrasi awalnya, bukan bukti bahwa agen ini dapat bekerja tanpa penyesuaian pada setiap game komersial atau skema kontrol yang tidak biasa.

Pengujian yang Dapat Diarahkan Lebih Penting daripada AI yang Menang dalam Demo

Bagi tim pengembangan, agen yang memainkan game harus mampu melakukan lebih dari sekadar bertahan melewati satu level. Agen itu perlu menyelidiki perilaku yang ingin diperiksa pengembang. Ramen menggambarkan Autopilot sebagai agen yang dapat diarahkan, sehingga tim bisa memfokuskannya pada sistem tertentu sembari agen tersebut menyusun rencana untuk mencapai tujuan jangka panjang.

Bayangkan perubahan pada sistem inventaris. Pengujian yang bermakna mungkin mengharuskan agen menemukan sebuah item, mengambilnya, membuka inventaris, melengkapinya, lalu memeriksa apakah perilaku karakter berubah. Rangkaian tindakan itu memberikan informasi lebih banyak daripada sekadar melihat jendela inventaris terbuka. Rangkaian tersebut juga menghadirkan beberapa kemungkinan kegagalan yang mungkin luput dari pemeriksaan skrip yang cakupannya sempit.

Implikasi praktisnya, pengembang perlu menulis tujuan dan kriteria penerimaan yang jelas. Perintah “uji inventaris” masih membuka banyak ruang untuk penafsiran. Sebaliknya, “ambil item ini, lengkapi, dan pastikan nilai kerusakan berubah” memberi agen hasil yang dapat diamati. Tim tetap memerlukan bukti tentang apa yang dicoba dan apa yang terjadi; pesan keberhasilan yang terdengar meyakinkan saja tidak cukup.

Apa yang Dibuktikan oleh “Peningkatan Diri”—dan Apa yang Masih Belum Jelas

“Aura Autopilot memainkan game apa pun secara waktu nyata dan belajar sambil berjalan, sehingga kinerjanya semakin baik seiring semakin sering memainkannya,” kata Andy Tsen, CEO dan salah satu pendiri Ramen, dalam pengumuman tersebut. “Ini membuka babak baru bagi QA game, dan kami merilisnya sebagai sumber terbuka agar pengembang dan peneliti dapat mengembangkannya lebih jauh.”

Ramen menggambarkan agen ini sebagai sistem yang terus meningkatkan dirinya secara rekursif dan menyatakan bahwa agen tersebut memberikan hasil lebih cepat seiring bertambahnya pengalaman dengan suatu game. Rilis ini tidak menjelaskan apakah peningkatan tersebut berasal dari memori persisten, strategi yang diperbarui, alat yang dihasilkan, pelatihan model, atau kombinasi beberapa faktor. Mekanisme tersebut memiliki implikasi yang berbeda terhadap kemampuan untuk mereproduksi hasil, biaya, dan sejauh mana pelajaran yang didapat tetap berlaku setelah pembaruan besar pada game.

Sistem pengujian yang mampu beradaptasi dapat berguna ketika tujuan dan lingkungan berubah, tetapi adaptasi juga mempersulit perbandingan antarrangkaian pengujian. Studio yang mengevaluasi alat ini sebaiknya menyimpan versi game, konfigurasi model, tujuan, dan kondisi awal beserta hasil pengujian. Dengan begitu, mereka lebih mudah membedakan bug yang menetap dari perbedaan rute yang ditempuh dalam level.

Sumber Terbuka Memisahkan Lapisan Pengujian dari Satu Penyedia Model

Ramen menyatakan bahwa Autopilot mandiri dapat digunakan dengan langganan Claude Code dan Codex yang sudah ada atau dengan kunci API milik pengembang sendiri. Autopilot juga sedang diintegrasikan ke dalam langganan Aura. Proyek GitHub yang diumumkan ini memberi studio dan peneliti tempat untuk memeriksa serta mengembangkan lapisan pengujian, alih-alih mengharuskan setiap tim membangun sendiri infrastruktur tersebut.

Fleksibilitas itu dapat membantu studio membandingkan model dengan gim mereka sendiri dan memilih keseimbangan antara latensi, keandalan, dan biaya. Model yang cepat mungkin mampu menangani interaksi sederhana dengan baik, tetapi kesulitan mencapai tujuan yang mengharuskannya mengingat beberapa keputusan sebelumnya. Model yang lebih mumpuni mungkin meningkatkan tingkat keberhasilan, tetapi juga menambah biaya setiap kali pengujian diulang. Ketersediaan sumber terbuka tidak menghapus biaya penggunaan model ataupun kebutuhan komputasi untuk menjalankan gim.

Perbedaan antara Autopilot dan produk Aura secara keseluruhan juga penting. Pengumuman tersebut mencantumkan Unreal, Unity, dan Godot sebagai platform untuk agen pengujian, sementara asisten pengembangan Aura yang lebih luas tetap berfokus pada Unreal dan Unity. Dukungan Godot untuk Autopilot bukan berarti semua alat kreasi Aura kini tersedia di Godot.

Memahami Klaim Performa dalam Konteksnya

Ramen menyatakan bahwa Autopilot berjalan tiga kali lebih cepat daripada Verification Agent versi sebelumnya dengan biaya lebih rendah, serta mengklaim hasil pengujian gimnya lebih baik daripada Bezi, NeoStack, Claude Code, dan Codex. Perusahaan berencana menerbitkan makalah pendamping yang membahas arsitektur dan tolok ukur.

Angka-angka tersebut berasal dari laporan perusahaan. Materi awal yang diberikan untuk artikel ini tidak mencakup metodologi tolok ukur secara lengkap, rangkaian tugas, versi model, kriteria kegagalan, ataupun perhitungan biaya. Karena itu, hasil tersebut tidak membuktikan adanya keunggulan menyeluruh untuk alur kerja setiap studio. Evaluasi produksi yang bermanfaat akan membandingkan keberhasilan penyelesaian pengujian, cacat yang terlewat, alarm palsu, waktu proses, dan total biaya model pada versi gim yang sama.

Iterasi Lebih Cepat Tetap Membutuhkan Pengujian oleh Manusia

Pengujian gim otomatis dapat memudahkan tim kecil melakukan pemeriksaan berulang dan memberi studio yang lebih besar cara lain untuk menguji versi gim yang terus berubah. Pendekatan ini sangat menarik ketika urutan yang sama harus diulang setelah banyak perubahan kecil. Namun, pendekatan ini kurang cocok untuk menilai apakah pertarungan terasa memuaskan, tutorial terasa ramah bagi pemain, atau suatu momen cerita mampu menggugah emosi.

Ramen memperluas alat kreasi bersamaan dengan pengujian: pengumuman tersebut mencakup integrasi Figma dan Blender, animasi karakter berbasis perintah, serta agen desain level yang telah diperbarui untuk membuat rancangan awal area yang lebih besar. Pembuatan konten yang lebih cepat membuat pemeriksaan terhadap interaksi yang dihasilkan semakin penting. Manfaat alur kerja pembuatan dan pengujian bukan sekadar menghasilkan lebih banyak aset, melainkan menemukan kesalahan sebelum aset dan sistem tersebut semakin sulit diurai.

Latar belakang Ramen membantu menjelaskan fokus tersebut. Studio VR yang sebelumnya membuat Zenith sebelum beralih ke alat pengembang itu menyatakan bahwa akuisisi Coplay pada 2026 memperkuat kemampuan Aura untuk Unity. Autopilot memperjelas strategi tersebut: AI yang dapat membantu membuat gim juga membutuhkan cara andal untuk memeriksa gim yang dibuatnya. Bagi para pemain, manfaat akhirnya adalah lebih sedikit interaksi yang rusak dalam gim yang dirilis—bukan pengganti bagi orang-orang yang menilai apakah gim itu layak dimainkan.