HardFlow: un método del MIT para que la inteligencia artificial respete reglas sin reentrenar los modelos

Un equipo del Instituto de Tecnología de Massachusetts (MIT) presentó HardFlow, un método que permite fijar condiciones obligatorias para el funcionamiento de la inteligencia artificial sin necesidad de reentrenar los modelos. En uno de los ensayos, un brazo robótico (un manipulador industrial articulado que ejecuta tareas de manera automática) debió llegar hasta un objeto sorteando distintos obstáculos distribuidos en el espacio de trabajo. El algoritmo no solo evitó las colisiones, sino que además identificó la opción más eficiente, es decir, el recorrido más corto entre las trayectorias consideradas válidas. La mayoría de las alternativas evaluadas o bien provocó choques contra los elementos del entorno, o bien eligió caminos considerablemente más extensos.

El caso expone una aplicación concreta de la herramienta: combinar límites que no pueden violarse con objetivos de optimización que conviene maximizar. Para un robot, evitar un impacto es una exigencia que debe respetarse en todo momento; recortar la distancia hasta el destino es una mejora deseable, aunque secundaria. HardFlow permite tratar ambas demandas dentro de un mismo proceso de cálculo, algo que los enfoques tradicionales suelen resolver de forma parcial.

Cómo se diferencia de las técnicas anteriores

Su incorporación tampoco demanda un nuevo entrenamiento de la inteligencia artificial. El método opera sobre modelos generativos (sistemas capaces de producir imágenes, trayectorias u otro tipo de salidas a partir de instrucciones) que ya fueron entrenados, e interviene recién cuando esos modelos son utilizados, en la etapa conocida como inferencia. Para hacer viable ese funcionamiento, el equipo fragmentó el cálculo en problemas más pequeños y resolvió cada uno por aproximación, una estrategia posible gracias a la estructura interna de los modelos de emparejamiento de flujo (flow matching), una familia de técnicas que aprenden a transformar ruido aleatorio en datos coherentes siguiendo una trayectoria continua.

La diferencia respecto de otras alternativas radica en el momento en que se verifica el cumplimiento de las restricciones. Una de las técnicas utilizadas como referencia, el muestreo basado en proyección, impone las condiciones en cada etapa intermedia del proceso de generación. Ese ajuste permanente puede recortar el abanico de opciones que el sistema evalúa y, con frecuencia, conduce a soluciones de menor calidad.

HardFlow adopta el criterio opuesto. Durante los pasos internos, el método concede una mayor libertad de exploración, y solo al final exige que el resultado completo cumpla con todas las reglas establecidas. Para orientar el proceso, el equipo recurrió a herramientas de control óptimo (procedimientos matemáticos diseñados para llevar un sistema de un punto inicial a uno final minimizando un costo), que aplican correcciones graduales para acercar la respuesta a una salida válida.

Resultados reportados y áreas pendientes de confirmación

• En tareas de manipulación con robots, el brazo completó el recorrido hacia el objeto sin colisiones y eligió la trayectoria más corta entre las permitidas.
• En recorridos por laberintos, el algoritmo cumplió las restricciones y ofreció soluciones de mayor calidad que los métodos utilizados como referencia.
• En modificaciones de imágenes a partir de instrucciones escritas, el sistema respetó las condiciones fijadas y obtuvo resultados de edición comparables.
• El procesamiento de los cálculos insumió un tiempo igual o inferior al de la mayoría de las técnicas comparadas.

El trabajo, difundido por el MIT, reportó que todas las restricciones se cumplieron en los casos examinados y que la calidad de las soluciones superó de manera consistente a las referencias. Resta confirmar los resultados en aplicaciones de mayor escala y con modelos generativos de uso masivo, un paso que el propio equipo señaló como necesario antes de pensar en despliegues concretos fuera del laboratorio.