Estudio con Earthborne Rangers de Andrew Fischer & Brooks Flugaur-Leavitt & Andrew Navaro & Adam Sadle & Brady Sadler.

Sabemos que existen modelos de Inteligencia Artificial que muestran altos niveles al jugar a juegos de mesa (Ajedrez, Go, etc.) mediante aprendizaje por refuerzo (Reinforcement Learning). ¿Pero cómo juegan y progresan las IAs de uso común basadas en preentrenamiento con grandes volúmenes de datos (LLM)?

Se ha publicado un estudio en Epoch AI: AI doesn't get better at this board game with practice (1 julio 2026 - Benjamin Ou & Greg Burnham)

El juego de mesa que han usado como referencia es Earthborne Rangers (EPR) de Andrew Fischer & Brooks Flugaur-Leavitt & Andrew Navaro & Adam Sadle & Brady Sadler.

Sus conclusiones:

(...) Los principales sistemas de IA no se desenvuelven muy bien en un juego de mesa (...) complejo, ni siquiera cuando se les permite jugar muchas partidas seguidas. Este es un dato útil que conviene tener en cuenta para comprender de forma más amplia las capacidades de la IA.
Por un lado, sugiere que el aumento de la potencia de cálculo para la inferencia no compensa todas las deficiencias de capacidad. Los beneficios de jugar repetidamente a un juego (...) parecen mínimos. Incluso cuando existe una métrica concreta —como el número de objetivos completados en EBR—, parece que los sistemas de IA no siempre pueden optimizar su estrategia para alcanzarla.
También se ha vuelto más difícil comprender los límites de las distribuciones de entrenamiento, ya que las empresas de IA invierten miles de millones de dólares en datos para alimentarlas. Pero, dado que parece plausible que un entrenamiento específico pudiera mejorar el rendimiento en EBR y juegos similares, es probable que las empresas de IA simplemente no hayan dado prioridad a hacerlo. Por lo tanto, interpretamos nuestros hallazgos como una prueba de que los sistemas de IA siguen estando bastante limitados por sus distribuciones de entrenamiento.
Seguiremos evaluando nuevos modelos con nuestro marco de referencia EBR para ver si esta situación cambia.

El resultado no es sorprendente y constata algo esperado, por ahora. Las actuales IAs generativas de uso público común se basan en predicciones (sacadas estadísticamente de un potente análisis de datos e Internet) pero no mejoran con la práctica o aprenden de su propia experiencia, como sí hacen modelos especializados (AlphaGo y otros) que han mostrado importantes avances al jugar a diversos juegos complejos.

La tecnología de Inteligencia Artificial avanza a una gran velocidad y veremos mejorar los modelos, sin duda.

¡Nos jugamos!