HardFlow, el método del MIT que le pone límites a la inteligencia artificial sin tener que enseñarle todo de nuevo

Llegar hasta un vaso que está del otro lado de la mesa sin tirar la botella de aceite es, más o menos, lo que un brazo robótico del Instituto de Tecnología de Massachusetts (MIT) tuvo que resolver en uno de los ensayos con HardFlow. Yo seguí el trabajo desde mi escritorio y confieso que me quedé pensando en cuántas veces, en mi propia cocina, hago ese mismo cálculo mental sin darme cuenta. La diferencia es que el robot lo hace en milisegundos y, sobre todo, sin chocarse con nada en el camino.

Lo que hicieron los investigadores fue probar un método que permite imponer condiciones obligatorias a la inteligencia artificial sin necesidad de volver a entrenarla desde cero. En la práctica, eso significa que se puede tomar un modelo generativo ya existente y agregarle reglas cuando se lo usa, como quien le pone límites a una receta que ya está en el horno. La idea de fondo es separar las restricciones de seguridad (no chocar, no traspasar una pared, no generar una imagen prohibida) de los objetivos de eficiencia (llegar más rápido, gastar menos energía, producir un resultado de mayor calidad).

Cómo funciona la diferencia

La técnica más usada hasta ahora, llamada muestreo basado en proyección, actúa en cada paso interno de la generación. Es como si cada vez que el robot avanzara un centímetro alguien le revisara los codos: el control es permanente pero termina restringiendo tanto el movimiento que el sistema no siempre encuentra la mejor solución posible. HardFlow, en cambio, deja que las etapas intermedias se resuelvan con mayor libertad y exige que el resultado final cumpla las condiciones. Para orientarlo usaron herramientas de control óptimo, que aplican correcciones graduales, como cuando uno corrige la dirección del cuchillo mientras corta, no antes de empezar.

El equipo evaluó el método en tres frentes: tareas de manipulación con robots, recorridos por laberintos y modificación de imágenes a partir de instrucciones escritas. En todos los casos, las restricciones se cumplieron y la calidad de las soluciones fue, de manera consistente, mejor que la de los métodos usados como referencia. El tiempo de procesamiento fue similar o menor al de la mayoría de las alternativas.

• Funciona sobre modelos generativos ya entrenados, sin necesidad de reentrenarlos.
• Exige las condiciones de seguridad solo en el resultado final, no en cada paso intermedio.
• Fue probado en brazos robóticos, laberintos y edición de imágenes con instrucciones de texto.
• Cumplió todas las restricciones y mejoró la calidad frente a los métodos de referencia.

Lo que viene, según me imagino leyendo entre líneas del paper, es probar HardFlow con modelos más grandes y en problemas donde las restricciones sean más finas: desde vehículos autónomos que deben respetar semáforos hasta asistentes de diseño que no pueden generar ciertos contenidos. La promesa es la misma: que la IA pueda ser ambiciosa y respetuosa al mismo tiempo, sin que tengamos que empezar de cero cada vez que aparece una regla nueva.