Un robot del MIT aprendió a llegar a destino sin chocarse con nada gracias a un truco matemático

¿Se puede pedirle a una inteligencia artificial que cumpla reglas estrictas sin tener que enseñarle todo de nuevo? La respuesta corta parece ser que sí, al menos según lo que acaba de mostrar un equipo del Instituto de Tecnología de Massachusetts (MIT) con un método llamado HardFlow. Y lo más interesante es que no lo probaron solo en el papel: lo sometieron a un brazo robótico que tenía que sortear obstáculos y llegar lo más rápido posible hasta un objeto.

Para entender de qué se trata, imaginemos que la IA es como una cocinera muy talentosa pero un poco desprolija. Si le pedimos que cocine un risotto sin que se queme, podemos hacer dos cosas: o bien la mandamos a la escuela de cocina otra vez para que aprenda la lección, o bien le damos una regla clara y simple que tiene que respetar mientras cocina. HardFlow es justamente eso, la segunda opción: un conjunto de reglas que se aplican sobre el modelo ya entrenado, mientras está trabajando, sin necesidad de hacerlo volver a clases.

La cocina del algoritmo

Lo que hicieron los investigadores fue tomar modelos generativos ya existentes, los famosos modelos de emparejamiento de flujo, y agregarles un sistema de control que actúa en el momento de generar la respuesta. En lugar de obligar al modelo a cumplir las condiciones paso a paso, lo dejan moverse con mayor libertad y recién al final le exigen que el resultado respete las reglas. Es como dejar que la cocinera improvise toda la receta, pero pedirle que el plato final sea efectivamente sin gluten, en vez de andar revisando cada ingrediente uno por uno.

Esa diferencia parece técnica, pero tiene consecuencias prácticas. El método anterior, conocido como muestreo basado en proyección, ajustaba las restricciones en cada etapa de la generación, lo que podía encerrar al sistema en callejones sin salida. HardFlow, en cambio, permitió que el brazo robótico del ensayo evitara colisiones y eligiera recorridos más cortos, y que en tareas de laberintos y edición de imágenes se cumplieran todas las restricciones con mejor calidad de resultado.

“La idea es separar el proceso de cálculo en problemas más chicos para que las restricciones se puedan cumplir sin atragantar al modelo. Usamos herramientas de control óptimo para ir corrigiendo de a poco hasta llegar a una respuesta válida.”Equipo del MIT, según el paper sobre HardFlow

Qué cambia para el usuario común

• Robots más seguros en fábricas y depósitos, sin necesidad de reentrenar el sistema cada vez que cambia una norma de seguridad.
• Asistentes de edición de imágenes que respetan instrucciones puntuales, como no alterar el rostro de una persona, sin perder calidad.
• Aplicaciones que pueden sumar requisitos legales o éticos después de que el modelo ya está en uso, en lugar de reconstruirlo desde cero.
• Menor tiempo de procesamiento: en las pruebas, HardFlow resultó igual o más rápido que los métodos usados como referencia.

En definitiva, lo que viene a plantear el MIT es que se puede tener el postre y comerlo también: una IA que cumpla condiciones duras, como un robot que no choque contra una pared, sin resignar eficiencia ni tener que empezar el entrenamiento de cero cada vez. Para el usuario de a pie, la promesa es sencilla: sistemas que se vuelven más confiables sin volverse más lentos ni más caros de mantener. Todavía es investigación, pero el camino apunta a que las próximas generaciones de modelos generativos lleguen con estos frenos de emergencia incorporados de fábrica.