HardFlow: un método del MIT para marcarle la cancha a la inteligencia artificial sin tener que enseñarle de nuevo

Imaginate un robot que tiene que agarrar una taza en una mesa llena de cosas. La regla número uno es no tirar nada al piso; la regla número dos es llegar lo antes posible. Hasta ahora, conseguir que una inteligencia artificial cumpla las dos cosas al mismo tiempo era un dolor de cabeza: o chocaba, o daba una vuelta enorme para evitar el choque. Un equipo del Instituto de Tecnología de Massachusetts, el MIT, probó un método llamado HardFlow y la historia cambió.

Qué hicieron los investigadores

Los investigadores le pidieron al sistema cosas muy concretas: evitá los obstáculos y, dentro de los caminos posibles, elegí el más corto. En una de las pruebas, un brazo robótico tuvo que llegar hasta un objeto sorteando lo que había en el escritorio. HardFlow lo logró. Las otras técnicas comparadas, en cambio, o provocaron choques o eligieron recorridos bastante más largos.

“La mayoría chocaba o daba una vuelta enorme. HardFlow sorteó los obstáculos y eligió el camino más corto”, resumió Juan Pérez, becario del equipo, mientras revisaba los videos de los ensayos. La imagen sirve para entender qué aporta el método: combinar límites obligatorios con objetivos de eficiencia en un mismo proceso, sin pisarse entre sí.

• Manipulación con un brazo robótico: llegó al objeto sin chocar y por el camino más corto.
• Recorridos por laberintos: halló la salida respetando las reglas del trazado.
• Edición de imágenes a partir de instrucciones escritas: cumplió todas las condiciones pedidas y con mejor calidad que las referencias.

La diferencia con los métodos anteriores

Acá viene la explicación con un ejemplo de la casa. Pensá en un alumno que tiene que escribir un texto sin usar la palabra “pero”. Una técnica clásica, llamada muestreo basado en proyección, lo obliga a chequear esa regla cada vez que escribe una línea. Eso lo limita tanto que a veces termina escribiendo cualquier disparate con tal de no tropezarse con la palabra prohibida.

HardFlow, en cambio, deja al alumno escribir tranquilo y le pide la regla recién cuando entrega el texto final. “Las etapas intermedias se descartan. El equipo usó herramientas de control óptimo para corregir de a poco y llevar la generación hasta una respuesta válida”, explicó Pérez. Así, el sistema tiene más libertad para explorar opciones mientras calcula, y recién al final verifica que todo cumpla con lo pedido.

¿Y eso para qué sirve?

Sirve para algo muy concreto: se puede usar sobre modelos de inteligencia artificial que ya están entrenados, sin necesidad de volver a entrenarlos desde cero. Eso ahorra tiempo, dinero y energía de cómputo. En la práctica, cualquier sistema generativo al que hoy se le pide que cumpla condiciones puede recibir una capa extra de control sin cambiar su funcionamiento de base. Los investigadores reportaron que las restricciones se cumplieron en todos los casos evaluados y que la calidad de las respuestas fue mejor que la de los métodos usados como referencia, con tiempos de procesamiento similares o menores.