Creatividad auténtica, pero de la IA: Google DeepMind enseña a una red neuronal a crear problemas de ajedrez mejores que los humanos

Investigadores de Google DeepMind, junto con la Universidad de Oxford y el instituto Mila de Montreal, presentaron el trabajo «Generative Chess Puzzles», en el que la inteligencia artificial demostró por primera vez la capacidad de componer de forma autónoma problemas de ajedrez tan ingeniosos como los creados por humanos.

Los modelos se entrenaron con 4,4 millones de posiciones de la base Lichess, correspondientes a partidas jugadas por usuarios hasta diciembre de 2024. Cada posición se codificaba en notación FEN, y la red —un transformador autorregresivo con 200 millones de parámetros— aprendió a predecir la siguiente pieza según el contexto. Tras el entrenamiento básico, la IA «inventaba» nuevas posiciones, comenzando por el primer carácter FEN y completando paso a paso la disposición completa de las piezas.

Para evitar combinaciones mecánicas, se integró aprendizaje por refuerzo en el modelo. La recompensa se otorgaba por dos aspectos:

• unicidad — en el tablero debe existir exactamente una jugada ganadora;
• contrintuitividad — el problema debe desconcertar a un motor débil, pero ser resuelto por uno fuerte (por ejemplo, Stockfish 15 en configuraciones «completa» y «reducida»).

Inicialmente el modelo de aprendizaje por refuerzo sufrió el problema de «colapso de entropía»: convergía rápidamente a patrones repetitivos. Para corregirlo, los desarrolladores añadieron filtros de diversidad basados en la «distancia entre tableros» y en variaciones de jugadas. Como resultado, la versión final generó 10 veces más problemas contrintuitivos que la entrenada solo con Lichess: 2,5 % frente a 0,22 %.

En el informe se muestran ejemplos concretos en FEN. Por ejemplo, una de las mejores posiciones tiene el aspecto
8/3p2k1/1Rb5/2P4P/5K2/2n5/8/8 b - - 0 1,
donde la única jugada que conduce a la victoria es el inesperado traslado de la torre a b8, mientras que todas las continuaciones «naturales» llevan al empate.

Para evaluar el valor estético, el equipo introdujo un catálogo de más de 30 «temas» de la estética clásica del ajedrez: desde «sacrificio por tablas», «jaque doble» y «mate árabe» hasta el «movimiento de retorno» (switchback). Resultó que las posiciones generadas por la IA reproducen de forma natural la mayoría de los motivos de los compendios de ajedrez, aunque algunos raros, como el «mate de Anastasia» o el «mate de gancho», aparecen con menos frecuencia.

Una fase independiente de los experimentos incluyó búsqueda evolutiva: adición y eliminación aleatoria de piezas en el tablero con selección de las mejores mutaciones. Esas posiciones parecían obras de surrealismo: poco convencionales, pero lógicas.

A continuación se realizó una prueba con la participación de ocho expertos de Lichess (rating 2000–2400). Se les mostraron 40 posiciones procedentes de cuatro fuentes: colecciones humanas, Lichess, el modelo de aprendizaje por refuerzo y el folleto final. Según las puntuaciones medias (tabla 4), los mejores resultados en «creatividad» y «placer al resolver» los obtuvo precisamente el folleto generado por la IA (2,48 y 2,56 puntos sobre 3), superando incluso a las composiciones clásicas.

La revisión final la realizaron maestros internacionales y grandes maestros — Amatsiya Avni, Jonathan Levitt y Matthew Sadler. Calificaron la selección como «un nuevo paso en la coautoría entre humanos y máquinas» y «un ejemplo poco frecuente de creatividad auténtica dentro de reglas formales».

Los autores subrayan que el enfoque basado en refuerzo y en la evaluación de la contrintuitividad hace que la generación de problemas de ajedrez sea escalable y automejorable — a diferencia de la selección manual de Lichess, que depende de partidas humanas y de recursos computacionales limitados.