⏱️ Lectura: 13 min
Laurentiu Raducu no encontró un tutorial que le explicara la fabricación de chips de forma memorable, así que decidió aprender con LLMs de otra manera: le pidió a Claude Code que se la convirtiera en un videojuego. El resultado se llama ChipTycoon: una simulación low-poly, estilo Rollercoaster Tycoon, donde un carrito recorre cada etapa de una fábrica de semiconductores, desde la arena hasta el chip terminado en un centro de datos.
📑 En este artículo
Raducu, que investiga los cuellos de botella que podrían frenar la construcción de centros de datos para IA, documentó en su blog el flujo completo que usó para aprender con LLMs sin depender de resúmenes superficiales. Lo aplicó también a motores de cohetes, motores de Fórmula 1 y al funcionamiento interno de los propios modelos de lenguaje.
TL;DR
- Laurentiu Raducu creó ChipTycoon, un sitio que simula la fabricación de un chip de principio a fin.
- Usó Claude Code y OpenCode en plan mode para construir la base de conocimiento del tema.
- Le pidió al modelo revisar la exactitud de esa base antes de generar contenido visual.
- La simulación es una animación low-poly estilo Rollercoaster Tycoon, navegable por el usuario.
- El proyecto se publica gratis en GitHub Pages, sin costo de hosting.
- Ya aplicó la misma técnica a motores de cohetes, motores de Fórmula 1, LLMs y máquinas EUV.
- Propone sumar su skill de conversión de imágenes a objetos 3D para mejorar el realismo.
- Sugiere agregar preguntas y desafíos dentro de la simulación para reforzar la retención.
Introducción: aprender con LLMs más allá del resumen
Aprender con LLMs suele significar una cosa: pedirle a un chatbot que resuma un tema y recibir una lista con viñetas. Raducu, que sigue de cerca los cuellos de botella de infraestructura de IA, notó que ese formato no le servía para retener conceptos con muchos pasos secuenciales, como una línea de producción de semiconductores. En vez de insistir con más resúmenes, cambió el objetivo: le pidió al modelo que construyera algo que pudiera recorrer con la vista, no solo leer.
La idea nació mientras investigaba qué podría frenar la expansión de los centros de datos que sostienen a los modelos de IA actuales. Fabricar un chip moderno implica decenas de pasos (purificación de silicio, litografía, grabado, dopado, empaquetado) que rara vez se explican con una imagen mental tan clara como la de un mapa de metro. Faltaba una forma de mapear cada concepto técnico a un objeto visual concreto.
Qué pasó
Raducu publicó en su blog el flujo de cuatro pasos que usó para construir ChipTycoon con Claude Code y con OpenCode, ambos operados en plan mode, el modo en el que el agente primero planifica antes de escribir código. Primero le pidió al modelo que armara la base de conocimiento del tema elegido. Segundo, le pidió al mismo modelo que revisara esa base buscando errores o simplificaciones excesivas antes de avanzar. Tercero, le pidió que tradujera ese conocimiento verificado en una animación low-poly navegable, con controles pensados tanto para pantallas grandes como chicas. Cuarto, subió el resultado a un repositorio nuevo y activó GitHub Pages para publicarlo sin costo de hosting.
El resultado, según describe el propio autor, es una animación precisa y libre de alucinaciones, en contraste con lo que obtenía leyendo materiales dispersos en la web o digiriendo listas con viñetas generadas por un modelo de lenguaje. El usuario sigue un carrito que cambia de forma y de contenido a medida que avanza por cada etapa de fabricación, lo que ofrece una referencia visual constante del progreso del producto dentro de la línea.
Contexto e historia
ChipTycoon no es un experimento aislado. Raducu ya había aplicado la misma técnica a otros temas técnicos densos: cómo se construyen los motores de cohetes, cómo funcionan los motores de Fórmula 1, cómo se ensambla una máquina de litografía ultravioleta extrema (EUV) y, en un giro reflexivo, cómo funcionan los propios modelos de lenguaje que usó para construir todo lo anterior.
El patrón se repite en cada proyecto: primero construir la base de conocimiento con el agente en plan mode, después auditarla con el mismo modelo, y recién al final convertir ese conocimiento verificado en una experiencia visual. Es una variación del principio de mapear conceptos abstractos a objetos concretos, algo que los simuladores de gestión explotan desde hace más de dos décadas, aunque nunca se habían usado de forma sistemática como método de estudio personal apoyado en un LLM.
Lo distinto acá no es el formato low-poly en sí, cualquier estudio de diseño podría producir una animación así, sino que todo el pipeline, desde la investigación hasta el código de la simulación, corre a través de un agente de IA sin que el autor escriba manualmente ni el contenido educativo ni el motor gráfico.
Detalles técnicos y rendimiento
El flujo completo tiene cuatro etapas bien diferenciadas, y cada una depende de que la anterior haya quedado bien resuelta.
flowchart TD
A["Prompt en plan mode"] --> B["Claude Code construye la base de conocimiento"]
B --> C["El mismo modelo revisa la exactitud"]
C --> D["Se genera la simulación low-poly"]
D --> E["Push a un repo nuevo"]
E --> F[("GitHub Pages")]La primera etapa ocurre en plan mode: el agente no escribe código todavía, solo organiza qué necesita explicar y en qué orden. En la segunda etapa, Raducu le pide explícitamente al modelo que revise su propio trabajo, un paso que funciona como capa de verificación antes de que ese conocimiento se traduzca en assets visuales. Sin esta revisión, cualquier error de la primera etapa se arrastra directo a la simulación final.
⚠️ Ojo: saltarse el paso de revisión es la forma más común de terminar con una simulación visualmente pulida pero técnicamente incorrecta. El modelo que generó el contenido es también el mejor auditor disponible para esa misma sesión, pero solo si se lo pedís de forma explícita.
La tercera etapa convierte el conocimiento verificado en objetos 3D low-poly y en la lógica que mueve al carrito entre etapas. El nivel de detalle es deliberadamente bajo: el low-poly no busca realismo fotográfico, busca que cada paso del proceso tenga una silueta reconocible y distinta de la anterior. La cuarta etapa es la más simple en términos técnicos: un git push a un repositorio nuevo y la activación de GitHub Pages.
Comparado con otros formatos de estudio, el método de Raducu ocupa un lugar particular:
| Método | Cuándo usarlo | Ventaja | Limitación |
|---|---|---|---|
| Leer documentación o papers | Cuando necesitás precisión exhaustiva y referencias citables | Información verificada por expertos | Lento y fácil de abandonar a mitad de lectura |
| Pedirle un resumen en texto a un LLM | Para una primera aproximación rápida a un tema nuevo | Ahorra tiempo de búsqueda | El formato de lista con viñetas no ayuda a retener conceptos complejos |
| Simulación interactiva low-poly | Para procesos con pasos secuenciales, como una línea de producción o un pipeline | Mapea cada concepto a un objeto visual que se puede recorrer | Requiere trabajo de construcción previo y una etapa de verificación |
| Simulación con desafíos y preguntas | Cuando el objetivo es retener el conocimiento a largo plazo | Fuerza recuperación activa de lo aprendido | Más tiempo de desarrollo que una simulación pasiva |
Cómo empezar
Reproducir este flujo con tu propio tema no requiere herramientas exóticas: alcanza con un agente de código con soporte para plan mode y un proyecto web mínimo.
Primero, instalá el CLI del agente que vayas a usar. Con Claude Code, el comando de instalación es el mismo en Windows, macOS y Linux porque corre sobre Node.js: en Windows abrilo desde PowerShell o Git Bash, en macOS y Linux desde cualquier terminal POSIX.
npm install -g @anthropic-ai/claude-code
claudeEse último comando abre la sesión interactiva. Dentro, activá plan mode y pedile al agente que arme la base de conocimiento de tu tema, por ejemplo: “explicame paso a paso cómo funciona un reactor de fusión, desde el combustible hasta la electricidad entregada a la red”. Después pedile explícitamente que revise esa base buscando errores antes de avanzar.
Con el conocimiento verificado, el siguiente paso es el scaffolding de la simulación. Un proyecto mínimo con Vite y three.js alcanza para un prototipo low-poly:
npm create vite@latest mi-simulacion -- --template vanilla
cd mi-simulacion
npm install three
npm run devCon el proyecto corriendo local, un ejemplo simple de la lógica que mueve al carrito entre etapas podría verse así:
const etapas = ['arena', 'oblea', 'litografia', 'grabado', 'empaquetado', 'datacenter'];
let etapaActual = 0;
function avanzarCarrito(carrito) {
etapaActual = (etapaActual + 1) % etapas.length;
carrito.position.x += 2;
carrito.userData.etapa = etapas[etapaActual];
console.log(`Carrito ahora en: ${etapas[etapaActual]}`);
}Esa función es solo el esqueleto: en la práctica, el agente es quien genera la geometría low-poly de cada etapa y la lógica de cámara. Una vez que el prototipo funciona local, el último paso es publicarlo.
💡 Tip: creá el repositorio en GitHub antes de pedirle al agente que empiece a generar código, así podés pedirle directamente que haga commits incrementales por etapa en lugar de un único commit gigante al final.
Para publicar, subí el proyecto a un repositorio nuevo y activá GitHub Pages desde Settings, Pages, Deploy from a branch, apuntando a la carpeta de build. Para confirmar que el deploy quedó activo, podés chequear la respuesta HTTP del sitio publicado:
curl -I https://tu-usuario.github.io/mi-simulacion/Una respuesta HTTP/2 200 confirma que GitHub Pages ya está sirviendo el sitio. Si devuelve 404, esperá unos minutos: el primer deploy de Pages puede tardar en propagarse.
Impacto y análisis
El caso de Raducu importa menos por ChipTycoon en sí que por el flujo que documenta: separar investigación, verificación y generación de contenido en tres pasos distintos dentro de la misma sesión con un agente. Es un patrón replicable para cualquier persona que quiera aprender con LLMs sin quedarse en el nivel de resumen superficial que suele producir un chat genérico.
La limitación más honesta la reconoce el propio autor: el low-poly, al ser deliberadamente simple, exige bastante imaginación para visualizar detalles finos, como qué le pasa exactamente a un cristal de silicio cuando sale de un horno de crecimiento. Para procesos donde el detalle visual importa, como distinguir texturas o materiales, una simulación low-poly puede quedarse corta frente a una renderizada con más fidelidad.
El propio Raducu propone un camino de mejora: pasar los objetos low-poly por un modelo de conversión de imágenes a 3D para lograr representaciones más realistas del resultado en cada etapa, sin abandonar la estructura de simulación navegable.
Qué sigue
La extensión más clara que plantea el autor es agregar desafíos y preguntas dentro de la simulación: pedirle al usuario que responda algo sobre el paso anterior antes de dejarlo avanzar al siguiente. Esa capa de recuperación activa, contestar en vez de solo mirar, es uno de los mecanismos con mejor evidencia para consolidar memoria a largo plazo, y encaja de forma natural en un formato que ya es interactivo.
Raducu también dejó publicados enlaces a sus otros proyectos con la misma técnica: motores de cohetes, motores de Fórmula 1, máquinas EUV y el funcionamiento interno de los LLMs, todos alojados con el mismo esquema de repo público más GitHub Pages. Nada indica que el autor tenga planes de convertir esto en un producto o negocio: por ahora es una práctica personal de estudio que decidió documentar y compartir.
📖 Resumen en Telegram: Ver resumen
Probalo vos: abrí una sesión de Claude Code en plan mode ahora mismo y pedile que te arme la base de conocimiento de un tema que quieras dominar antes de generar nada visual.
Preguntas frecuentes
¿Qué es ChipTycoon?
Es un sitio web educativo creado por Laurentiu Raducu que simula, con animación low-poly estilo Rollercoaster Tycoon, el proceso completo de fabricación de un chip: desde la arena de sílice hasta el chip instalado en un centro de datos.
¿Necesito saber de fabricación de semiconductores para entenderlo?
No. El objetivo declarado del proyecto es justamente que alguien sin conocimiento previo pueda seguir el proceso paso a paso a través del recorrido visual del carrito, sin depender de jerga técnica previa.
¿Qué agente de IA usó el autor para construirlo?
Raducu documentó haber usado Claude Code y OpenCode en plan mode para construir la base de conocimiento antes de generar la simulación.
¿Este método sirve para cualquier tema técnico?
Funciona mejor con procesos que tienen pasos secuenciales claros, como una línea de producción, un protocolo de red o un pipeline de datos. Para temas sin estructura de pasos, el formato de simulación puede no aportar tanto valor frente a un texto bien organizado.
¿Cómo se evita que la simulación tenga errores del modelo?
Pidiéndole al mismo agente que revise explícitamente la base de conocimiento antes de generar la parte visual. Ese paso de auditoría es el que el autor identifica como clave para reducir alucinaciones en el resultado final.
¿Qué otros temas cubrió con esta técnica?
Motores de cohetes, motores de Fórmula 1, máquinas de litografía EUV y el funcionamiento interno de los modelos de lenguaje, todos publicados como sitios independientes con el mismo enfoque.
Referencias
- How I use LLMs to learn complex topics: la entrada original de Laurentiu Raducu con el flujo completo y los enlaces a cada proyecto.
- GitHub Pages Documentation: guía oficial para publicar un sitio estático directamente desde un repositorio.
- Claude Code Documentation: documentación oficial del agente usado para construir la base de conocimiento y el código de la simulación.
- Three.js: la librería de renderizado 3D en WebGL que suele usarse para este tipo de simulaciones low-poly en el navegador.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de EqualStock en Unsplash
0 Comentarios