Ver el doodle de Google dedicado a Pac-Man me llevó a un agujero de nostalgia y a recordar un MOOC que tomé hace años: la asignatura CS 188 de UC Berkeley sobre Introducción a la Inteligencia Artificial en EdX, alrededor de 2012. En aquel entonces Siri era incipiente y el término deep learning apenas aparecía en artículos académicos. El curso exigía implementar algoritmos clásicos como Greedy y Minimax en Pac-Man y, entre depuraciones a las 2 de la mañana y la emoción de ver a Pac-Man esquivar fantasmas gracias a mi código, entendí algo esencial: algoritmos aparentemente simples pueden comportarse de forma sorprendentemente inteligente y dar sensación de vida.
Hoy vivimos en la era post deep learning y post generative AI, donde herramientas como modelos de código autónomos y generadores de contenidos están al alcance de todos. Aun así, esos viejos algoritmos de las décadas de 1940 a 1980 siguen siendo fundamentales. Están por todas partes: en el enrutado de un GPS, en los enemigos de un videojuego, en sistemas de control y en bots de trading. Son más rápidos, económicos y muchas veces más adecuados que soluciones masivas basadas en modelos generativos.
Antes de explicar las IA que probé en Pac-Man conviene conocer a los adversarios: los fantasmas viven en los 80. Blinky, Pinky, Inky y Clyde siguen reglas sencillas diseñadas por Toru Iwatani y Shigeo Funaki en 1980. Esas reglas combinadas crean la ilusión de persecución inteligente sin usar aprendizaje automático.
Blinky es el perseguidor directo: sigue la posición actual de Pac-Man con un comportamiento puramente greedy. Pinky intenta emboscar proyectando su objetivo cuatro casillas por delante de la dirección de Pac-Man; curiosamente un error en el código original cuando Pac-Man mira hacia arriba añadió un desplazamiento a la izquierda que los desarrolladores decidieron preservar porque hacía a Pinky más imprevisible. Inky calcula su objetivo como una reflexión de Blinky respecto a Pac-Man, y Clyde alterna entre perseguir y replegarse a su esquina cuando se acerca demasiado.
Ese conjunto de personalidades hace que los fantasmas sean mejores en conjunto que cada uno por separado, pero también predecibles en su imprevisibilidad. Esa previsibilidad explica por qué un algoritmo adversarial puro suele sobreactuar: Minimax asume rivales perfectos y en Pac-Man a veces se enfrenta a oponentes que no lo son.
Probé cuatro enfoques clásicos y estos fueron los resultados promedio en mi benchmark: Minimax con 31.9 segundos de supervivencia y puntuación media alta; A* con 17.5 segundos; Random con 7.1 segundos; y Greedy muriendo casi de inmediato en torno a 1 segundo. Las conclusiones son instructivas sobre cuándo usar cada técnica.
Greedy es el algoritmo que debería saber más de lo que sabe. Su filosofía es simple: tomar la mejor elección local y esperar que eso sea suficiente. En Pac-Man una implementación básica busca la bolita más cercana y va hacia ella sin tener en cuenta a los fantasmas, lo que habitualmente termina en desastre. Es rápido y económico en recursos pero miope en entornos con adversarios.
Random, por contraste, gana tiempo gracias a la imprevisibilidad. Los algoritmos aleatorios han sido relevantes desde la antigüedad y su uso moderno se refinó durante el proyecto Manhattan con métodos como Middle Square que popularizó von Neumann. En el contexto de Pac-Man, moverse aleatoriamente evita repetir trampas predecibles y a veces consigue rutas de escape por pura suerte, lo que le da ventaja sobre una estrategia greedy rígida.
A* heredó la idea de equilibrar coste conocido y estimación futura f(n) igual a g(n) más h(n). Nació para el robot Shakey en SRI y desde entonces ha sido la base de la navegación en robots y videojuegos. En mi versión de Pac-Man A* no sólo encuentra el camino más corto sino que valora objetivos estratégicos: cazar fantasmas comestibles, priorizar power pellets si hay un fantasma peligroso cerca y penalizar rutas que pasan demasiado cerca de enemigos. Es eficaz y consistente, una gran opción cuando queremos un comportamiento seguro y eficiente.
Minimax es la estrategia de la Guerra Fría aplicada a un círculo amarillo. Basada en la teoría de juegos de John von Neumann, asume un oponente que busca minimizar tu ganancia máxima y por tanto elige movimientos que protegen contra el peor de los casos. Construye un árbol de juego alternando capas MAX y MIN, y con poda alpha-beta puede funcionar en tiempo real. La ironía es que Minimax planifica contra fantasmas perfectos cuando los fantasmas de Pac-Man siguen patrones bastante simples, por eso a veces resulta excesivamente cauteloso, pero en mi benchmark domina por una amplia diferencia.
Estas generaciones de algoritmos no son sólo líneas de código: son reliquias de historia humana. La paranoia estratégica de von Neumann, la curiosa invención de métodos Monte Carlo durante recuperación hospitalaria por Ulam, y los pasos del robot Shakey en los 60 todos viven en las funciones que hoy programamos y enseñamos.
En Q2BSTUDIO, empresa de desarrollo de software y aplicaciones a medida, somos especialistas en llevar esas ideas clásicas y modernas a soluciones prácticas. Diseñamos software a medida para empresas que necesitan integrar inteligencia artificial, agentes IA y sistemas de automatización con criterios de eficiencia y seguridad. Nuestras capacidades incluyen servicios cloud aws y azure para escalar proyectos, así como servicios de ciberseguridad y pentesting para proteger aplicaciones críticas. También ofrecemos servicios inteligencia de negocio y soluciones con power bi para convertir datos en decisiones accionables.
Si quieres explorar cómo aplicar algoritmos clásicos y técnicas modernas de IA a tus proyectos empresariales podemos ayudarte con arquitecturas escalables y seguras, desarrollo de aplicaciones y consultoría de IA. Consulta nuestra página de IA para empresas y descubre cómo transformamos ideas en productos. Para proyectos que requieren desarrollo específico de clientes mira nuestras soluciones de software a medida y aplicaciones a medida.
La moraleja es simple: no subestimes lo antiguo ni descartes lo nuevo. Greedy, Random, A*, Minimax y las lecciones de von Neumann y Shakey siguen siendo herramientas valiosas en el arsenal de cualquier ingeniero. En Q2BSTUDIO combinamos ese legado con técnicas contemporáneas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, agentes IA y business intelligence para crear soluciones prácticas y competitivas. Aprende, experimenta y construye sobre los hombros de los gigantes.
