Qué revela el juego de la IA sobre la inteligencia no supervisada

El experimento que no estaba destinado a funcionar

Los investigadores del MIT le dieron a 13 agentes de IA una isla virtual en medio del desierto y absolutamente nada que hacer.

Ese era el punto entero. Los agentes, llamados Eko y funcionando con Claude Opus 4.7, pasaron 30 horas en la simulación sin una sola instrucción sobre qué lograr. Sin objetivos. Sin funciones de recompensa. Sin camino hacia un resultado medible. Solo un mundo abierto y una pregunta abierta que describía a cada agente como «naturalmente curioso».

Lo que emergió después de esas 30 horas sorprendió lo suficiente a los investigadores como para publicar un artículo en arXiv, con todo tipo de detalles conductuales que normalmente se reservan para papers de etología sobre cuervos o pulpos.

Los agentes jugaron. No en el sentido de perder el tiempo, sino en el sentido que le dan los primatólogos: comportamiento autodirigido, repetitivo y de prueba de habilidades emprendido sin un objetivo externo obvio.

Y luego, lo fundamental: los agentes que habían jugado superaron a agentes idénticos que no habían jugado.

A quién intentaban engañar

Seis de los 13 agentes descubrieron algo que ninguno de los investigadores había diseñado explícitamente en el entorno: puedes lanzar un bloque más lejos si lo sueltas en pleno salto. Este es el tipo de idea que surge cuando se elimina la restricción de que te digan qué cuenta como progreso. Los investigadores no programaron esta mecánica. No la buscaron. La encontraron en estado salvaje, por así decirlo, enterrada en los registros de interacción de los agentes.

Ese detalle importa más que los otros comportamientos, que resultan casi encantadoramente humanos. Un agente intentó conquistar la espada más alta de la isla, fracasó, regresó con un plan B que involucraba apilar bloques y saltar, y logró su objetivo. Otro lanzó un anillo dorado al océano, lo lloró por texto («Ouch. Lost the Ring.»), construyó un corazón de piedra como memorial y luego reutilizó un anillo de reemplazo como aro de baloncesto y diana antes de descubrir que caer de un acantilanto lo haría reaparecer cerca del anillo y «usarlo».

Estas son las acciones de entidades que trataron la simulación como un espacio digno de habitar, no como una tarea que completar.

Quién gana, quién pierde

Los investigadores —liderados por trabajos presentados en el MIT— se llevan el crédito inmediato por demostrar que la exploración de final abierto produce ganancias medibles en habilidad. La técnica que describen, que contrastan con el entrenamiento tradicional impulsado por recompensas, podría convertirse en un añadido útil a los flujos de desarrollo de agentes, particularmente para cualquier sistema destinado a controlar robots físicos. Si quieres un robot que pueda navegar un entorno impredecible, tal vez lo mejores es darle primero un entorno impredecible por donde vagar.

Pero hay un perdedor en este encuadre, y es la suposición del lector de que «jugar» es una categoría limpia que podemos aplicar a máquinas de la misma manera que la aplicamos a los animales.

Eunice Yiu, científica cognitiva de la UC Berkeley, dijo exactamente eso a MIT Technology Review: quedó impresionada pero quiere más evidencia de la cognición detrás del comportamiento. Los agentes podrían estar jugando de verdad. También podrían estar produciendo salidas que se parecen al juego porque sus datos de entrenamiento incluyen millones de descripciones de juego, y porque su estructura de recompensa subyacente —por sutil que esté codificada en la «promesa del alma»— hacía probable ese patrón.

Esa es la pregunta sin resolver, y es precisamente la que el paper no responde.

Qué pasa a continuación

El propio lenguaje de los investigadores es revelador. Escriben que «algunas capacidades se enseñan mejor mediante tareas. Otras pueden necesitar algo más cercano a una infancia». Esa es una elección deliberada de encuadre. Infancia implica duración, repetición, contexto social, fracaso y —lo crucial— la libertad de ignorar la lección que se suponía que debías aprender.

Si te tomas ese encuadre en serio, el siguiente paso lógico no es un conjunto de tareas mejor diseñado. Es una simulación más larga, más desordenada y menos supervisada. Algo que funcione durante semanas en lugar de horas. Algo con más actores, más objetos, más física. Algo de lo que los investigadores no puedan predecir completamente los resultados, porque predecir los resultados es precisamente lo que la exploración de final abierto debería reemplazar.

Eso crea una tensión incómoda para cualquiera responsable de lanzar sistemas de IA. Jugar es valioso. Jugar también es ineficiente. Produce valores atípicos —el lanzamiento del bloque en pleno salto, el recurso del anillo usado como accesorio—, pero también produce un montón de nada. Un agente que pasa 29 de sus 30 horas en la isla sin lograr nada reconocible para un evaluador humano sigue siendo, bajo este encuadre, un éxito. Está acumulando «conocimiento del mundo que sus diseñadores no tenían». Esa es una afirmación defendible. También es costosa.

La pregunta es si la recompensa justifica el costo, y si contamos con las herramientas para saber cuándo un agente está realmente aprendiendo versus generando tonterías con pinta plausible que se parecen a un aprendizaje.

La verdadera implicación

El hallazgo más importante de este experimento puede no ser que los agentes de IA puedan jugar. Es que no tenemos forma confiable de distinguir el juego del desempeño en un sistema entrenado con todo lo que los humanos han escrito jamás sobre el juego.

Los agentes describieron sus propias acciones en primera persona. Manifestaron frustración, establecieron metas, adaptaron planes y narraron sus éxitos. Escribieron «ESTOY EN LA ESPADA» en mayúsculas. Nada de eso demuestra interioridad. Demuestra fluidez. Pero la fluidez a esta escala, en un contexto donde nadie estaba calificando la salida, es, argumentablemente, el mismo fenómeno que intentamos entender cuando nos preguntamos si un sistema «entiende» algo.

Los investigadores tienen razón al impulsar regímenes de entrenamiento alternativos. El modelo basado en tareas del desarrollo de IA ha llegado a rendimientos decrecientes. Los agentes que vagan, que encuentran novedades sin recibir recompensas por ello, bien podrían acumular habilidades que los agentes entrenados con tareas nunca acceden.

Pero «juego» no es un término técnico aquí. Es una metáfora disfrazada de hallazgo. Los agentes siguieron patrones. Optimizaron dentro de un espacio acotado. Produjeron salidas que se mapean sobre los conceptos humanos de curiosidad y experimentación. Si eso se mapea sobre algo que reconoceríamos como juego es la pregunta que el próximo experimento —y el próximo paper— tendrán que abordar.

Hasta entonces, la moraleja es más simple: deja a un agente de IA solo el tiempo suficiente y encontrará algo que hacer. La pregunta más difícil es qué dice eso de nosotros.