Un robot en un laberinto se adentra en un callejón sin salida. Un minuto después, encuentra la salida antes que nadie. Esta maniobra ilógica no es un error, sino exploración. Así es como un cartógrafo rodea una montaña para ver sus laderas.

Los algoritmos evolutivos llevan tiempo imitando la selección y las mutaciones para buscar las mejores soluciones. Pero en paisajes engañosos, la persecución voraz conduce a un callejón sin salida. El viajero escala la colina más cercana... y detrás hay un abismo. Surgió entonces la búsqueda de novedad: esta evalúa no la calidad, sino cuán diferente es un comportamiento de lo ya conocido. El objetivo es reunir un archivo de soluciones (un almacén de variantes únicas), y no solo la mejor. Los autores del método MFEA-CoD lanzan varias de estas búsquedas a la vez y les enseñan a no estorbarse. Como cartógrafos que se reparten un continente en sectores, los algoritmos dividen el espacio de genotipos (descripciones codificadas de las soluciones, como el ADN) para trazar más rápido un mapa completo de los fenotipos (características observables, como las coordenadas del robot).

La base es un operador de repulsión: este aleja las trayectorias de búsqueda de distintas tareas, como polos magnéticos del mismo signo, obligándolas a explorar regiones diferentes. El segundo mecanismo es la transferencia adaptativa de soluciones: si una tarea topa con una zona prometedora, las demás pueden aprovecharlo, pero solo cuando realmente conviene. Surge así una danza de exploradores: se dispersan hacia sus propios montículos y se agrupan en torno a un hallazgo común. La novedad se mide como la distancia media a los K puntos más cercanos en el espacio de comportamiento del archivo A: \(\rho(x, A) = \frac{1}{K} \sum_{k=1}^{K} \mathrm{dist}(\phi(x), \mu_k)\). Y el algoritmo equilibra calidad y novedad: \(F_{\text{nov-aug}}(x) = w \cdot f(x) + (1-w) \cdot \rho(x, A)\), donde el coeficiente w regula cuánto beneficio inmediato se puede ceder por seguir explorando.

Las pruebas confirmaron que la búsqueda coordinada aumentaba el archivo final de soluciones entre un 15 y un 35%. En los laberintos, los robots encontraron la salida con un 100% de éxito en cinco de los seis escenarios, y la primera ruta funcional aparecía entre 1,5 y 2 veces más rápido que en los métodos individuales. En el simulador MuJoCo, los robots caminantes Hopper y Walker2d superaron sistemáticamente a sus rivales. La diferencia de 375 comportamientos únicos es como si se hubieran trazado 375 nuevos senderos en el mapa de una región desconocida.

Este enfoque no es un truco para robots. Abre camino para simulaciones físicas y optimización estocástica en diseño de ingeniería, descubrimiento de fármacos, planificación de movimientos... en cualquier lugar donde el paisaje sea engañoso y sea más importante reunir una colección de opciones. Se espera escalar el método a cientos de tareas e hibridarlo con grandes modelos de lenguaje para transferir conocimiento entre disciplinas. El continente desconocido surge poco a poco en el mapa, y ahora lo dibujan expediciones enteras, no individuos aislados. Cada paso lateral puede convertirse en el camino hacia un descubrimiento.