Lo que los agentes de IA perdieron al reconstruir el experimento más creativo de internet

A principios de los años 2000, un sitio web llamado Picbreeder permitía a los usuarios hacer evolucionar imágenes de forma colaborativa sin ningún objetivo explícito. La gente simplemente elegía imágenes que encontraba interesantes y, a lo largo de muchas generaciones y muchas manos, rostros, animales, vehículos y calaveras surgieron de lo que era esencialmente una deriva compartida a través del espacio visual. El sitio finalmente dejó de funcionar, pero la pregunta que planteaba no desapareció: ¿qué hace que la exploración abierta funcione, y pueden las máquinas hacerlo?

Sakana AI, junto con investigadores del MIT y la NYU, reconstruyó Picbreeder desde cero utilizando agentes de modelos de lenguaje y visión y publicó los resultados en un artículo de GECCO 2026 titulado "In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models", que ha sido nominado al premio al mejor artículo. La configuración fue un trasplante directo del diseño original: un archivo compartido de imágenes, agentes que eligen cuáles ramificar, hacen evolucionar nuevos candidatos, publican favoritos y califican el trabajo de los demás. Sin imagen objetivo, sin definición de progreso, solo una comunidad de agentes decidiendo qué valía la pena conservar.

El experimento fue diseñado para probar si los VLM pueden reproducir el tipo de descubrimiento abierto que Kenneth Stanley y otros han argumentado que es central para la creatividad humana. La respuesta corta es que pueden acercarse en ciertas condiciones controladas, pero llegan a un techo que los humanos no alcanzan.

La tiranía de lo familiar

En comparación con los humanos, los agentes VLM tendían a regresar a los mismos tipos de imágenes y conceptos. Seleccionaban repetidamente padres similares, daban saltos conceptuales más pequeños y, a menudo, refinaban una idea existente en lugar de abandonarla en busca de algo genuinamente inesperado. El artículo describe cómo los agentes notaban un patrón interesante y luego se aferraban a él, optimizando gradualmente un motivo visual hasta que se convertía en un callejón sin salida de refinamiento incremental.

Este comportamiento es importante porque la magia original de Picbreeder era lo opuesto: los usuarios humanos trataban cada imagen interesante como un trampolín. Un usuario podía hacer evolucionar un rostro y luego, sin ningún plan, otro usuario tomaba ese rostro en una dirección completamente diferente. El proceso dependía de que los usuarios estuvieran dispuestos a abandonar una línea de exploración prometedora. Los agentes VLM, por el contrario, parecían no estar dispuestos a abandonar lo que ya habían encontrado prometedor.

Las personalidades mejoran la exploración

La introducción de una población diversa de personalidades de agentes mejoró los resultados sustancialmente. Cuando a los agentes se les dieron diferentes prioridades de comportamiento, algunos más exploratorios, otros más conservadores, la diversidad semántica del sistema aumentó. En algunas ejecuciones, estas poblaciones diversas se acercaron o igualaron el archivo humano en medidas de cobertura semántica, y produjeron árboles evolutivos más equilibrados. La implicación es que, a nivel colectivo, la diversidad de gustos puede compensar la tendencia del agente individual a fijarse.

El artículo también informa que las representaciones evolucionadas eran más robustas que las producidas por optimización directa basada en gradientes. Una calavera evolucionada por los agentes cambiaba suavemente cuando se perturbaba su representación neuronal subyacente, menos fracturada que una calavera optimizada directamente con descenso de gradiente. Pero aún así quedó por detrás de la suavidad de las representaciones evolucionadas por humanos, lo que sugiere que la colaboración humana introduce una forma de regularización que la IA actual no replica.

La brecha que persiste

Quizás el resultado más interesante no es lo que hicieron los agentes, sino dónde se detuvieron. Los humanos parecen ser mejores para convertir accidentes afortunados en descubrimientos creativos sostenidos: reconocer cuándo algo inesperado vale la pena perseguirlo, refinarlo y luego dar un salto conceptual más grande. Los agentes de IA a menudo también notaban patrones interesantes, pero era más probable que quedaran atrapados en ellos. El artículo plantea esto como una pregunta abierta para el campo.

"Todavía no entendemos completamente qué permite a los humanos navegar la búsqueda abierta de esta manera, o qué ingrediente(s) le faltan a los sistemas de IA actuales", escriben los autores. "Por ahora, los resultados sugieren que sigue habiendo algo importante sobre la creatividad humana que los agentes de IA aún no han aprendido a reproducir."

El trabajo complementa la investigación en curso en Sakana AI sobre inteligencia colectiva en otros dominios, como ladrillos robóticos modulares que se autorreconocen su forma y el sistema de orquestación multiagente Fugu. En ambos casos, la lección es que la coordinación entre muchos agentes simples puede producir resultados sofisticados, pero el experimento de Picbreeder añade un giro: la coordinación por sí sola puede no ser suficiente para la creatividad. Puede haber un ingrediente faltante que no tiene nada que ver con la escala del modelo o la arquitectura y todo que ver con la voluntad de descartar una idea funcional en favor de una incierta.