HardFlow: el método del MIT que le marca la cancha a la inteligencia artificial sin necesidad de reentrenarla

Un equipo del Instituto de Tecnología de Massachusetts (MIT) presentó HardFlow, un método que le permite a la inteligencia artificial respetar condiciones obligatorias, como evitar una colisión, y al mismo tiempo buscar el mejor resultado posible, por ejemplo el camino más corto, sin necesidad de reentrenar el modelo desde cero. La prueba más vistosa fue con un brazo robótico: debía llegar hasta un objeto sin chocar con los obstáculos del entorno, y el sistema eligió recorridos sensiblemente más cortos que las alternativas evaluadas, que o bien se estrellaban contra los muebles del escenario o daban rodeos innecesarios.

Por qué importa fijar condiciones obligatorias

En robótica, las restricciones de seguridad no son opcionales: un robot que choca con una persona, con un mueble o con otro equipo no puede ser considerado un éxito aunque haya cumplido la tarea. Esa es la diferencia entre una condición dura, que debe cumplirse siempre, y un objetivo blando, que puede perseguirse siempre que no rompa las reglas anteriores. Pensarlo con un ejemplo de cocina: una condición dura es que el plato no se queme; un objetivo blando es que quede lo más dorado posible. HardFlow permite fijar ambas dentro de un mismo cálculo.

Según la descripción publicada, HardFlow fue evaluado en tres tipos de tareas: manipulación con brazos robóticos, recorridos por laberintos y edición de imágenes a partir de instrucciones escritas. En todos los casos reportó haber cumplido el ciento por ciento de las restricciones impuestas, y haber logrado, al mismo tiempo, soluciones de mayor calidad que los métodos usados como referencia, con tiempos de procesamiento similares o menores.

• Manipulación robótica: un brazo debía alcanzar un objeto esquivando obstáculos, y HardFlow eligió trayectorias más cortas sin colisionar.
• Recorridos por laberintos: el sistema debía encontrar la salida respetando paredes y atajos obligatorios.
• Edición de imágenes: a partir de instrucciones en texto, debía modificar fotos cumpliendo condiciones puntuales sin alterar el resto.

La diferencia con los métodos anteriores

La técnica más usada hasta ahora para estos casos, llamada muestreo basado en proyección, funciona como un inspector presente en cada paso de la generación: en cada etapa verifica si se cumple la condición y, si no, corrige el resultado parcial. El problema, según los autores, es que ese ajuste permanente achica el espacio de soluciones que el sistema puede explorar y puede dejarlo atrapado en un resultado mediocre, del mismo modo que un cocinero que prueba la salsa a cada minuto termina condimentando de menos por miedo a pasarse.

HardFlow, en cambio, deja trabajar al modelo con mayor libertad en sus pasos intermedios, que no se conservan, y recién exige el cumplimiento de las reglas sobre el resultado final. Para que eso sea posible, el equipo recurrió a herramientas de control óptimo y a la estructura particular de los modelos de emparejamiento de flujo, un tipo de inteligencia artificial generativa. La idea fue descomponer el problema global en subproblemas más chicos que sí se pueden resolver con condiciones estrictas, y luego encadenarlos.

Qué falta saber

El trabajo fue difundido como un preprint, es decir, sin revisión por pares todavía, por lo que todavía no se conoce la fecha de publicación en una revista científica con arbitraje. Tampoco se detallaron pruebas en entornos físicos más complejos, con múltiples robots operando a la vez o con obstáculos en movimiento, un escenario habitual en fábricas y almacenes. Queda abierta, además, la pregunta sobre cómo escala el método cuando las condiciones obligatorias son muchas y contradictorias entre sí, y sobre qué tan sencillo resulta para equipos ajenos al MIT reproducir la implementación fuera de un laboratorio de investigación.