Andrej Karpathy publicó en YouTube un breve video en el que aborda el puzzle de los 64 cubos de azúcar, un problema de problem-solving visual que requiere imaginar y combinar objetos en el espacio. La discusión en Hacker News fue más allá de la anécdota, con intervenciones serias sobre lo que los puzzles visuales dicen de las capacidades de razonamiento y planificación de los modelos.

Los modelos de lenguaje se han vuelto buenos razonando sobre texto y código, pero el razonamiento espacial y visual sigue siendo un territorio menos explorado. Un puzzle que una persona resuelve mirando y manipulando objetos físicos es una buena prueba para entender dónde la IA llega por sí sola y dónde necesita representaciones externas, retroalimentación iterativa o herramientas complementarias.

La pregunta que atraviesa la discusión en HN es la misma que surge en cada proyecto con agentes: entender si el modelo sabe planificar una secuencia de pasos hacia un objetivo o si se pierde a mitad del camino. Es la diferencia entre pedir a un asistente que resuelva una ecuación y pedirle que organice un espacio físico teniendo en cuenta restricciones geométricas.

En detalle

El razonamiento de los modelos frontier ha sido puesto a prueba principalmente sobre texto y matemática. GPT-5.6 Sol demostró conjeturas matemáticas abiertas desde hace décadas, y la discusión pública se ha centrado en cuánto saben “pensar” los modelos en símbolos. El puzzle de los cubos de azúcar desplaza la atención hacia un tipo diferente de razonamiento: el espacial y visual, donde el problema debe resolverse imaginando o manipulando objetos en un espacio tridimensional.

Qué hace interesante este caso.

Karpathy no es un observador cualquiera. Exdirector de IA en Tesla y uno de los investigadores más escuchados en deep learning, tiene la rara capacidad de elegir ejemplos que aíslan un problema conceptual. El hecho de que haya elegido un puzzle visual sugiere que lo considera una prueba de una capacidad que los modelos actuales aún no dominan.

Qué sucede en el razonamiento espacial.

El razonamiento espacial requiere que el modelo construya y mantenga una representación del espacio: dónde están los objetos, cómo se combinan, qué configuración alcanza el objetivo. Y que actualice esta representación en cada paso. En los modelos de lenguaje este mapa es implícito y debe reconstruirse desde el texto, no desde la observación directa. Es la razón por la que un modelo puede resolver una ecuación pero tropezar con un problema que un niño resuelve simplemente mirando.

Qué significa para quienes usan IA.

Si construyes agentes o flujos de trabajo que requieren razonamiento sobre espacio, layout o configuraciones físicas, el punto es práctico: el modelo solo podría no ser suficiente. Necesitas darle una representación externa del problema o retroalimentación iterativa, como lo harías con un colega que razona mejor con un dibujo delante. El principio es el mismo que tres papers convergentes demostraron para el razonamiento textual: las herramientas y el contexto que le das al agente importan más que la potencia del modelo.

Las limitaciones.

El video es breve y no es un estudio formal. No hay números, comparaciones entre modelos o metodologías repetibles. La discusión en Hacker News sigue siendo una conversación, no un benchmark. El puzzle plantea de todos modos una pregunta legítima y verificable: medir cuánto vale el razonamiento espacial de los modelos actuales y dónde conviene integrarlos con herramientas que les ayuden a operar sobre el espacio en lugar de imaginarlo desde el texto.