夜雨聆风先说一个数字。
41.46%。
这是2026年6月，香港中文大学、深圳鹏城研究院、腾讯混元团队等多机构联合发布的GameCraft-Bench评测报告中，当前最强AI编程助手的得分。
测试方法是这样的：在Godot游戏引擎里，给AI一共140道题，让它在两小时内完成。题目涵盖15个游戏家族：平台跳跃、策略、经营模拟、开放世界、Roguelike、视觉小说、射击……
每一道题，AI都要交付一个完整可运行的游戏，而不是几段代码片段。
然后，用GPT-5.5当裁判，真实运行AI生成的游戏，逐帧打分。
结果：Claude Code配上Opus-4.7模型，得分41.46%。
也就是说，最强的AI，也只能完成不到一半的评分要点。
GameCraft-Bench是怎么测的
说一个评测方法，因为这个方法本身很有意思。
以前的AI游戏评测有三个致命缺陷：
评测环境和真实游戏引擎脱节、AI只需生成代码片段而非完整项目、只检查代码是否包含特定函数而不真正运行游戏。
GameCraft-Bench的解决办法是三重标准。
第一重：引擎接地。AI必须在真实的Godot游戏引擎里工作，而不是在玩具沙盘里。这意味着AI需要正确管理图片素材、音频文件、输入设置、场景配置，所有这些东西都要就位，游戏才能运行。
第二重：产物完整性。AI不能只写几段代码就交差。它必须交付一个完整可启动的项目。如果游戏无法启动，直接0分。
第三重：交互验证。裁判是GPT-5.5，它会真正"玩"AI生成的游戏，观察游戏是否实现了预期的功能，而不是检查代码里有没有某个函数。
这个评测框架的设计者，有12位有经验的游戏标注员参与。他们写的题目，风格类似真实的游戏策划文档，告诉AI要做一款什么感觉的游戏，但不告诉它具体怎么实现。
各游戏类型的得分
说一个最有意思的数据。
不同类型的游戏，AI表现差异悬殊。
平台跳跃类任务得分最高，平均约58%。这类游戏机制简单直接：左右移动、跳跃、碰撞检测。代码逻辑清晰，AI能够较好实现。
射击类、策略类、益智解谜类，处于中等水平，大概35%到45%。
视觉小说和Roguelike，得分继续下降，在25%到35%之间。
开放世界类任务得分最低，平均约22%。大尺度空间一致性、NPC行为编排、动态事件触发逻辑、长期状态管理，这些恰恰是当前AI的弱项。
这个分布说明什么？
说明AI擅长"规则清晰、反馈直接"的游戏。
而不擅长"内容丰富、状态复杂、需要长期一致性"的游戏。
五大系统性短板
说一个更深的分析。
41.46%这个分数，不是某一项能力不足导致的。GameCraft-Bench揭示了AI游戏生成的五个系统性短板。
第一，资产管理混乱。
AI能写代码，但难以正确管理图片、音频、字体等资产与代码的关联。资产路径错误、格式不匹配、资源未正确导入，这些问题频发。代码跑通了，但游戏跑不起来。
第二，状态一致性失效。
当游戏规模扩大，AI难以维护跨系统的状态一致性。比如"玩家收集钥匙后才能开门"这种跨系统的逻辑关联，AI经常遗漏或实现错误。
第三，视觉反馈缺失。
代码逻辑跑通了，但缺乏视觉反馈。玩家受伤没有屏幕泛红，攻击没有命中特效，道具获取没有拾取动画。AI倾向于实现功能而非打磨体验。
第四，内容丰富度不足。
评测权重最高的内容丰富度和美术呈现两项，AI得分最低。AI能实现一个"可以玩的游戏"，但难以实现一个"内容充实的游戏"。
第五，调试能力有限。
当游戏出现运行时错误，AI的自我修复能力有限，经常陷入"修复A引发B、B修复后A回归"的循环。
这五个短板加在一起，解释了为什么AI的游戏生成天花板停在了41.46%。
小编个人体验也是这样，当前这五个板块——实际上是人类用户使用AI进行游戏创作时，需要发挥能动性进行强化和体现创意的领域。
之前大量的时间用于管理资产（现在引入Harness和多Agent协作机制有所改善），体验反馈（要求AI加入各种符合预期的特效和UI反馈），在多层面丰富内容（另一方面不断淘汰不合格内容，并局部重构框架）。
这些工作短期内AI难以完全替代人类。
三条技术路线
说一个全景视角。
当前AI游戏生成，正在形成三条并行的技术路线。
第一条：代码生成类。
以Claude Code、Cursor、GitHub Copilot为代表。这是当前最成熟的路线。Claude Code配上Opus-4.7，在140道题里拿了41.46%的最高分。Cursor的优势是日常编码加速，Tab补全准确率业界领先。Copilot背靠微软生态，用户最广，但在技术深度上已被前两者超越。
第二条：资产生成类。
以Meshy.ai、Tripo3D、Suno、ElevenLabs为代表。Meshy能在10到60秒内生成一个带纹理和动画的3D模型。Tripo3D速度更快，约5到30秒出一套角色。Suno能生成完整音乐，30秒一首。ElevenLabs能生成各种游戏音效。这些工具已经相当成熟，是游戏美术资产的重要来源。
第三条：全流程生成类。
以SOON、Summer Engine、GameNGen、Marble为代表。这一类从文字或视频直接生成完整可玩游戏或游戏资产。GameNGen能在20fps实时生成DOOM画面。Marble能生成可导出的3D世界。SOON平台能根据视频在20分钟内生成可运行的游戏框架。
这三条路线，成熟度不同，应用场景不同。代码生成适合专业开发，资产生成适合美术制作，全流程生成适合快速原型验证。
三条路线的真实能力
说一个务实的评估。
代码生成类工具，当前最强的Claude Code配上Opus-4.7，能处理复杂的游戏系统：状态机实现、AI行为树、存档系统、网络同步。100万token的上下文窗口，让它能同时处理跨数十个文件的重构任务。但它的局限在于：需要人类给出清晰指令，不能从模糊需求自动推导完整方案。
资产生成类工具，3D建模已经可以在10到60秒生成基础网格，AI动画绑定支持500多种预设，能直接导出Unity、Unreal、Godot兼容格式。但Meshy生成的网格不等于游戏资产，资产需要正确配置碰撞体、材质、LOD才能在引擎里正常工作。2D图像生成，Midjourney、Stable Diffusion已经能产出高质量概念图和UI素材。音乐和音效，Suno生成30秒一首完整曲目，ElevenLabs生成各种游戏音效，都已相当成熟。
全流程生成类工具，GameNGen能实时生成DOOM画面，但只能复现已有关游戏，不能创造新游戏。Marble能生成可导航的3D世界，导出后在Unity或Unreal使用，但游戏逻辑和角色仍需人工添加。SOON平台能根据视频在20分钟内生成游戏框架，但生成质量仍在Demo级，距离商业化还有距离。
AI和人类各自的分工
说一个基于实测的结论。
GameCraft-Bench的41.46%，揭示了AI和人类在游戏开发中的核心优势和能力局限。
AI擅长：功能逻辑清晰、状态空间有限、反馈机制直接的工作。跳跃、射击、碰撞这类有明确输入输出的机制，AI表现较好。代码脚手架搭建、重复性编码、批量修改，这些AI效率极高。
人类擅长：内容填充、视觉打磨、整体一致性判断。游戏的核心创意、美术风格把控、玩家体验设计……这些是AI无法替代的。
一个有效的人机协作模式是：AI负责脚手架搭建和重复性编码，人类负责核心玩法设计、视觉风格和品质验收。
这个分工，能让开发效率提升5到10倍。
但"游戏是否好玩"这个核心判断，始终在人类手里。
为什么开放世界是AI最难做的类型
说一个评测里最值得注意的数据。
开放世界游戏，得分最低，平均约22%。
这不是偶然。
开放世界对当前训练模式下的大模型提出了几个结构性挑战。
第一，大尺度空间一致性。AI生成的大地图，可能出现"传送门逻辑"——从一个地方到另一个地方，突然场景就变了，没有过渡。玩家感受到的是割裂，不是探索。
第二，NPC行为编排。开放世界有大量NPC，每个NPC有自己的行为逻辑。AI能写一个巡逻的NPC，但很难维持几十个NPC之间行为的协调性和自然感。
第三，动态事件系统。开放世界的乐趣之一，是玩家可以随时触发各种事件。AI能实现一个事件，但很难实现事件之间的逻辑关联——玩家做了A，会影响B的概率，B发生之后，C才可能出现。
第四，长期状态管理。开放世界需要正确保存和恢复玩家状态。AI经常出现：玩家返回之前的地点，发现状态没有正确保留。
这四个问题，不是既有AI能力不足导致的，因为他们原本并不是以生产开放世界为目的训练的，这就带来了本质上的尴尬。或许，正在紧锣密鼓研发中的世界模型可以帮助解决这个问题。
当游戏的规模变大、时间跨度变长、状态空间变得复杂，AI的错误会被放大。这就是为什么平台跳跃是AI表现最好的类型：空间小、状态简单、反馈直接。
Gameslop和AI的质量危机
说一个2025年出现的问题。
2025年，Steam上出现了超过7000款披露使用AI的游戏，约占全年发行量的三分之一。
其中相当比例，是低质量的"AI堆砌游戏"——主要素材由AI生成，缺乏人工筛选或创意投入。
业界给这种现象起了一个名字：Gameslop。
(游戏垃圾， 指的是那些重数量轻体验的游戏。例如：程序生成的无聊： 人工智能生成的庞大世界，却让人感觉空洞乏味、重复单调。)
Gameslop的本质，不是AI能做什么，而是AI不能做什么。
AI能生成"可运行的游戏"，但"可运行"不等于"好玩"，不等于"值得玩"。
大量低质量AI游戏的涌入，稀释了用心制作的游戏可见度，损害了整个独立游戏生态的声誉。
GameCraft-Bench的41.46%天花板，恰恰说明了这个问题。
AI能帮你通过50%的关卡，但那50%，可能是最不重要的50%。
剩下那50%，才是让游戏变得"值得玩"的部分——而那部分，AI帮不了你。
对AI游戏开发工具的展望
说一个未来的预测。
GameCraft-Bench的预测的分数，是现在的天花板。但天花板不是封顶，它只是一个当前的测量。
即将到来的未来，正在突破的五个方向。
第一，多模态资产理解与整合。AI现在能生成代码，能生成资产，但不懂它们之间的关系。未来可能出现跨模态对齐的模型，让AI能理解"这张图应该对应那个代码里的Sprite引用"。刚被封禁的Claude Fable5似乎已经表现出了一些类似的能力。
第二，长程状态一致性。引入显式世界模型，让AI不仅生成代码，还维护一个"游戏世界的内部表示"，确保跨系统逻辑一致。
第三，视觉反馈自动生成。训练专门的"游戏UI和UX生成模型"，基于游戏类型和当前状态自动建议合适的视觉反馈方案。
第四，人类意图的精准理解。改进提示词工程，让AI能通过追问澄清模糊需求，而不是盲目执行。
第五，端到端生成质量的提升。随着模型能力进步和用户数据积累，生成质量有望从"Demo级"提升到"独立游戏商业级"。
意味着什么
说一个给所有开发者的结论。
GameCraft-Bench的41.46%，是一个清醒的数字。
这告诉你，当前最强的AI，也只能帮你完成不到一半的评分要点。大家可能关心的原测评报告中各模型的实际表现对比的表格，我直接放在文末（如果关心其中技术细节也可以走文末通道或直接搜索，值得一提的是其中测评的游戏都是可以直接玩的）。学挖掘机哪家最强并不是我们讨论的重点，重点是如何和挖掘机协同高效工作。
从这篇报告中真实领悟到的是：AI能做很多事，但在"做完整、做精美、做独特"这三个维度，仍有漫长的路要走。
它还告诉你，当前的技术条件下，AI还无法真实完美的帮你做好游戏，但AI会帮你更快地把你的意图变成可运行的代码和资产。
最终那个"要做什么游戏、为什么做这个游戏、想让玩家感受什么"的决定，仍然是你自己做的。
这不是悲观。这是事实。
41.46%的天花板，既是当前AI游戏生成能力的精确刻画，也是未来突破的起点。
而在这个起点上，人类和AI的分工，才刚刚开始清晰。
那么您对这个问题是怎么看的呢？欢迎在评论区留言。
献给所有对AI游戏生成能力有清醒期待的开发者。
主编：珊珊 & 小玫
参考来源：
GameCraft-Bench评测报告，arXiv:2606.17861，2026年6月 GameCraft-Bench GitHub，140道题目及完整评测数据 各AI工具官方定价页面，2026年6月
源文引述-附表