De Atari a EVE Online: quince años de investigación de IA en juegos

El 21 de agosto de 2026, Google DeepMind repasó quince años de investigación en inteligencia artificial aplicada a videojuegos y presentó nuevas líneas de trabajo junto a desarrolladores. La compañía considera que los mundos acotados, pero ricos, de los juegos han sido fundamentales para estudiar la inteligencia y conseguir avances que después han influido en otros ámbitos.

El recorrido comenzó con un equipo reducido que entrenó una red neuronal profunda para jugar a títulos de Atari 2600 a partir de los píxeles de la pantalla. El sistema Deep Q-Network (DQN) aprendió a jugar a 49 juegos, entre ellos Pong, Breakout y Space Invaders, sin ingeniería específica para cada título. El artículo publicado en Nature en 2015 contribuyó a impulsar la etapa moderna del aprendizaje por refuerzo profundo.

DeepMind amplió después el alcance de estos sistemas con juegos más complejos. AlphaGo derrotó en 2016 al campeón mundial de Go Lee Sae Dol, mientras que AlphaGo Zero superó a sus predecesores aprendiendo exclusivamente mediante partidas contra sí mismo y sin datos humanos. AlphaZero generalizó ese enfoque para dominar el ajedrez, el shogi y el Go con un único algoritmo, y MuZero aprendió a jugar sin conocer siquiera las reglas.

En 2019, AlphaStar alcanzó el nivel de Gran Maestro en StarCraft II, un entorno marcado por la complejidad en tiempo real y la información imperfecta. Según Google DeepMind, estos sistemas no solo mejoraron su rendimiento en los juegos, sino que también introdujeron nuevas posibilidades para los jugadores. La jugada 37 de AlphaGo, considerada inicialmente un error por comentaristas profesionales, impulsó nuevas estrategias en el Go. AlphaZero también inspiró líneas de juego inéditas en ajedrez.

Las técnicas desarrolladas en juegos tuvieron además consecuencias fuera de ellos. AlphaFold aplicó estos fundamentos al problema de la predicción de la estructura de las proteínas, un desafío científico de décadas cuyo avance fue reconocido con el Premio Nobel de Química de 2024.

La investigación pasó posteriormente de dominar juegos con objetivos y reglas claras a intentar comprenderlos e interactuar con ellos de una forma más parecida a la humana. Ese es el propósito de SIMA, siglas de Scalable Instructable Multiworld Agent. El agente observa lo que vería un jugador en pantalla, interpreta instrucciones en lenguaje natural y actúa mediante controles convencionales de teclado y ratón, sin acceder a APIs ni al código fuente de los juegos.

Impulsado por los modelos Gemini, SIMA 2 funciona como un compañero interactivo con capacidad de razonamiento y conversación en tiempo real. Google DeepMind afirma que puede jugar de forma similar a una persona en entornos tridimensionales de investigación y videojuegos como No Man's Sky, Valheim y Hydroneer.

Para los desarrolladores, un agente generalista de este tipo podría habilitar compañeros de IA capaces de comprender el mundo del juego y personajes no jugables que respondan y se adapten más allá de los sistemas programados mediante guiones. También podría utilizarse en pruebas de calidad durante el desarrollo, adaptándose a cambios del juego entre versiones, y después del lanzamiento, cuando aparecen contenidos nuevos o conductas imprevisibles de los jugadores.

La compañía está desarrollando estos agentes junto a estudios de videojuegos y ampliando su cartera de entornos para investigación. Su objetivo declarado es crear experiencias jugables que no serían posibles sin IA, mediante una colaboración centrada en construir prototipos y probar directamente qué propuestas resultan divertidas.

La colaboración más reciente mencionada por Google DeepMind es con Fenris Creations, el estudio independiente responsable del universo de EVE. EVE Online, lanzado en 2003, es una simulación espacial multijugador masiva en la que miles de jugadores comparten un universo persistente que ha evolucionado durante más de dos décadas. Su economía depende de la oferta y la demanda, con redes comerciales que atraviesan miles de sistemas estelares, mientras que alianzas, conflictos y diplomacia moldean el entorno mediante la interacción humana.

Para la investigación en IA, ese escenario plantea retos como el aprendizaje continuo sin olvidar habilidades previas, la acumulación y recuperación de memoria durante periodos prolongados, la planificación a largo plazo y la interacción entre múltiples agentes en contextos de cooperación, competencia, negociación, economía y comportamiento social emergente. Fenris Creations considera que esta colaboración puede ayudar a estudiar cómo los sistemas de IA aprenden, se adaptan y recuerdan en escalas temporales que ningún otro entorno de juego exige actualmente.

Fuente: Google DeepMind.