Los rompecabezas y juegos han sido fundamentales en la evolución de la inteligencia artificial (IA) desde sus inicios, desempeñando un papel crucial tanto en la evaluación de su progreso como en la revelación de sus limitaciones. Al igual que los humanos, que disfrutan desafiándose a sí mismos con acertijos, los desarrolladores de IA utilizan estos juegos para medir la efectividad de sus modelos. Desde la célebre invención de los algoritmos que permiten a las máquinas jugar a damas, hasta los complejos problemas del ajedrez y el juego de Go, los rompecabezas han servido como campo de pruebas decisivas en el desarrollo de IA. Sin embargo, a pesar de los avances significativos, la IA aún se enfrenta a desafíos que demuestran que su capacidad para razonar y adaptarse no siempre alcanza el nivel humano.
A medida que los modelos de IA se vuelven más sofisticados, también se hacen más evidentes sus limitaciones. Por ejemplo, en 2024, un equipo de científicos de la Universidad de Columbia reveló que los mejores modelos de IA solo podían resolver un escaso 18% de los rompecabezas del juego _Connections_ del _New York Times_. Este bajo rendimiento destaca que aunque la IA ha mejorado en la resolución de problemas, aún queda un largo camino por recorrer. La incapacidad de los modelos para comprender matices sutiles en problemas lógicos o adaptarse a variaciones inesperadas de preguntas conocidas pone de manifiesto las diferencias fundamentales entre el razonamiento humano y el algorítmico.
El razonamiento espacial es otra área donde los humanos parecen tener una ventaja significativa sobre la IA. Aunque los modelos contemporáneos pueden procesar información visual, su rendimiento en rompecabezas de rotación mental ha sido históricamente deficiente. Las pruebas de rotación mental requieren que los individuos visualicen y manipulen objetos tridimensionales en su mente, una tarea que aún resulta desalentadora para las IA. Esto pone de relieve que, aunque las máquinas pueden analizar datos de manera eficaz, entender y razonar sobre el espacio físico sigue siendo un gran desafío, limitando su capacidad para competir con la intuición y la percepción humana.
Asimismo, la memoria y la adaptabilidad son dos características que juegan un papel crucial en las diferencias entre humanos y modelos de IA. Los LLM (modelos de lenguaje de gran escala) pueden recordar y recitar una gran cantidad de información. Sin embargo, esta capacidad de memorizar también puede ser un obstáculo en la resolución de rompecabezas que introducen ligeras variaciones a problemas que estos modelos han encontrado anteriormente. Los humanos son capaces de identificar patrones y aplicar su conocimiento de manera flexible, mientras que los modelos pueden quedar atrapados en sus memorias, lo que les lleva a cometer errores cuando se presentan variaciones de un problema conocido.
Finalmente, es interesante observar que las capacidades de los LLM se ven afectadas por la complejidad de los problemas que enfrentan. Investigaciones recientes han demostrado que si bien los modelos pueden salir airosos en versiones simples de rompecabezas complejos, como la Torre de Hanoi o problemas de cruce de ríos, su desempeño tiende a decaer a medida que aumenta la dificultad. Esta tendencia sugiere no solo que las IA aún deben evolucionar para abordar situaciones que requieren razonamiento profundo y compresión compleja, sino que también enfatiza la importancia de la capacidad humana para navegar por problemas intrincados mediante la intuición y la experiencia.
