La IA reconstruyó un juego romano perdido

La inteligencia artificial suele aparecer asociada a chatbots, imágenes, programación o automatización de oficinas. Pero uno de sus usos más interesantes está ocurriendo en un lugar menos obvio: la arqueología. Un equipo de investigadores usó simulaciones con IA para reconstruir las reglas probables de un juego romano perdido, conocido como Ludus Coriovalli.

El caso es importante porque muestra una función distinta de la IA. No se usó para escribir una respuesta bonita ni para inventar una escena del pasado. Se usó para probar posibilidades. Los investigadores tenían una piedra con líneas grabadas, marcas de desgaste y una sospecha: podía ser un tablero de juego. Lo que no tenían eran las reglas. Ahí entró la inteligencia artificial.

El sistema simuló partidas con distintas reglas, posiciones iniciales y formas de movimiento. Después comparó los recorridos más usados por los jugadores virtuales con las marcas reales que quedaron sobre la piedra. El objetivo era simple: encontrar qué tipo de juego podía producir un desgaste parecido al del objeto original.

El problema que la IA ayudó a resolver

El objeto estudiado es una pieza de piedra caliza hallada en Heerlen, en los Países Bajos, donde existió la ciudad romana de Coriovallum. La superficie tenía líneas grabadas que parecían formar un tablero, pero no coincidían con juegos romanos ya conocidos. Durante mucho tiempo, eso dejaba abierta una pregunta: ¿era realmente un juego o solo un objeto con marcas difíciles de interpretar?

La arqueología trabaja muchas veces con fragmentos. Una pieza puede estar incompleta, fuera de contexto o sin texto que explique su uso. En esos casos, el investigador debe comparar materiales, formas, desgaste, objetos similares y contexto histórico. La IA aporta algo nuevo: puede convertir una hipótesis en una simulación y ver si esa hipótesis produce señales parecidas a las del objeto real.

La clave estaba en el desgaste. Si una piedra se usa como tablero, algunas zonas se tocan más que otras. Las piezas se deslizan, se apoyan o se mueven por ciertos caminos. Con el tiempo, esas zonas dejan marcas. El análisis físico mostró que el desgaste no era parejo. Algunas líneas parecían haber recibido más uso.

Cómo funciona el método

El método puede explicarse sin tecnicismos. Primero, los investigadores observaron la piedra y detectaron qué partes estaban más desgastadas. Después, cargaron en un sistema de juego distintas reglas posibles inspiradas en juegos históricos. Luego hicieron que agentes artificiales jugaran muchas partidas. Finalmente, compararon los caminos usados por esos agentes con las marcas reales del tablero.

Si una regla produce mucho movimiento por una línea que en la piedra casi no está gastada, esa regla pierde fuerza. Si otra regla concentra movimientos en las mismas zonas donde la piedra muestra desgaste, esa regla gana fuerza. La IA funciona como un laboratorio de prueba: permite ensayar muchas versiones de un juego que ya no tiene instrucciones escritas.

Este punto es decisivo. La IA no encuentra “la verdad” por sí sola. Lo que hace es reducir el campo de posibilidades. Donde antes había una interpretación abierta, ahora hay una comparación más concreta entre reglas, movimientos y evidencia material.

Por qué esto sí es una noticia de inteligencia artificial

El descubrimiento no importa solo porque recupera un juego antiguo. Importa porque muestra una forma práctica de usar IA en investigación histórica. El sistema no produce una respuesta final desde la nada. Trabaja con restricciones. Toma un objeto real, reglas posibles, movimientos permitidos y datos de desgaste. Después busca qué combinación explica mejor lo observado.

Ese enfoque es muy distinto del uso más común de IA generativa. No se trata de pedirle a un modelo que imagine cómo jugaban los romanos. Eso sería débil. Se trata de usar IA para simular, medir y comparar. Es una diferencia enorme: menos fantasía, más prueba.

Uso débil de IA	Uso fuerte de IA	En este caso
Inventar una explicación plausible.	Probar hipótesis contra evidencia física.	Se compararon reglas simuladas con desgaste real.
Generar una escena histórica sin control.	Modelar acciones posibles dentro de un sistema de reglas.	Agentes artificiales jugaron partidas bajo restricciones.
Reemplazar el trabajo experto.	Ampliar la capacidad de análisis del investigador.	La interpretación depende de arqueología, juegos históricos y simulación.

Por eso el caso es útil para entender qué puede aportar la IA a las ciencias humanas. Muchas preguntas históricas no tienen una respuesta directa. No hay video, no hay manual, no hay testigo. Pero sí hay huellas. La IA puede ayudar a probar qué procesos podrían haber producido esas huellas.

El papel de Ludii

El sistema usado en la investigación se apoya en Ludii, una plataforma de inteligencia artificial para juegos. Ludii permite describir reglas de juegos de mesa, ejecutarlas y hacer que agentes artificiales jueguen. Esa capacidad es clave porque un juego no es solo un tablero. Es un conjunto de reglas: qué piezas hay, dónde empiezan, cómo se mueven, cuándo termina la partida y qué cuenta como victoria.

Cuando esas reglas se escriben en un sistema computacional, la IA puede probarlas muchas veces. Puede ver qué líneas se usan más, qué posiciones aparecen con frecuencia y qué caminos son importantes para ganar o bloquear al rival. Esa información puede compararse con la evidencia arqueológica.

La ventaja no está en que la computadora “sepa historia”. La ventaja está en que puede jugar muchas partidas bajo reglas distintas y producir datos comparables. Después, la interpretación sigue siendo humana: qué reglas son históricamente razonables, qué desgaste es relevante, qué explicación encaja mejor y qué dudas permanecen.

Qué reconstruyó la IA

La hipótesis más fuerte es que Ludus Coriovalli era un juego de bloqueo. En ese tipo de juego, el objetivo principal no es capturar piezas, sino impedir que el rival pueda moverse. Según la reconstrucción, un jugador tendría cuatro piezas y el otro dos. El jugador con más piezas intentaría encerrar al rival; el jugador con menos piezas intentaría escapar o resistir el bloqueo.

Este resultado salió de comparar reglas simuladas con el desgaste del tablero. Las reglas de bloqueo generaban patrones más parecidos a los observados en la piedra. En especial, ayudaban a explicar por qué ciertas líneas parecían haber sido usadas más que otras.

La reconstrucción no significa que todos los detalles estén cerrados. Puede haber variantes. Las reglas exactas podrían haber cambiado según el lugar o los jugadores. Pero el método permite afirmar algo más fuerte que antes: entre las opciones probadas, el juego de bloqueo explica mejor las marcas materiales.

Una nueva forma de estudiar objetos antiguos

El valor del caso va más allá de este juego. Muchas piezas arqueológicas tienen marcas que podrían ser tableros, herramientas, moldes, planos o simples grabados. Sin texto que explique su uso, la interpretación puede quedar suspendida durante años. La IA permite agregar una capa nueva: simular acciones posibles y comparar sus efectos con las huellas reales.

Eso puede ser útil en juegos, pero también en otros objetos donde importa el movimiento repetido. Por ejemplo, superficies de trabajo, herramientas, sistemas de conteo, instrumentos o espacios donde distintas acciones dejan patrones físicos. La idea general es la misma: usar computación para probar qué actividad pudo producir una marca.

Antes	Con IA de simulación	Qué cambia
Se miraba la forma del objeto y se buscaban parecidos.	Se modelan reglas y acciones posibles.	La comparación deja de ser solo visual.
El desgaste se describía como evidencia física.	El desgaste se compara con patrones generados por simulación.	La evidencia puede evaluarse de manera más precisa.
Muchas hipótesis quedaban abiertas.	Algunas hipótesis pueden descartarse por no encajar con los datos.	El margen de incertidumbre se reduce.

Por qué este uso de IA es importante

El caso de Ludus Coriovalli muestra una versión más seria y útil de la inteligencia artificial aplicada a historia. No se trata de colorear estatuas, imaginar rostros o generar escenas antiguas para redes sociales. Se trata de analizar un problema real con datos incompletos y muchas posibilidades abiertas.

La IA sirve porque los juegos tienen estructura. Una regla produce movimientos. Los movimientos producen uso. El uso puede dejar marcas. Si esas marcas existen, la simulación puede compararse con ellas. Esta cadena permite pasar de una suposición a una prueba razonada.

Este tipo de IA no impresiona por hablar como una persona. Impresiona por otra razón: puede trabajar con un espacio grande de posibilidades y ordenarlo. Para una disciplina que muchas veces trabaja con fragmentos, esa capacidad es valiosa.

El pasado como problema de simulación

La arqueología no puede repetir el pasado. Pero puede construir modelos sobre cómo pudo haber ocurrido algo. Hasta ahora, muchos de esos modelos dependían de comparación visual, experiencia experta y contexto histórico. Con IA, aparece una herramienta adicional: simular acciones pasadas y ver si sus huellas se parecen a las huellas conservadas.

Eso no vuelve automática la investigación. Al contrario, exige mejores preguntas. La IA necesita reglas, restricciones y datos. Si se le dan hipótesis pobres, devuelve resultados pobres. Si se combina con buen análisis material, puede ayudar a resolver problemas que antes quedaban demasiado abiertos.

Ludus Coriovalli importa porque muestra esa posibilidad en un caso concreto. Una piedra con líneas dejó de ser solo una rareza arqueológica. Se convirtió en un problema de simulación: qué reglas, qué piezas y qué movimientos podían haber producido ese desgaste.

La respuesta no vino de una intuición aislada. Vino de comparar muchas partidas posibles contra una superficie real. Ese es el aporte fuerte de la inteligencia artificial en este caso: no imaginar el pasado, sino poner a prueba versiones posibles del pasado.