HardFlow, la herramienta del MIT que le pone límites a la inteligencia artificial sin volver a entrenarla

Soy Micaela Yapura, de la sección Comunidades y territorio, y esta vez la nota se cruza con la tecnología porque lo que hicieron en el Instituto de Tecnología de Massachusetts me parece una de esas noticias que vale la pena traducir al lenguaje de todos los días. Investigadores del MIT presentaron HardFlow, un procedimiento que permite obligar a un sistema de inteligencia artificial a respetar reglas de seguridad sin necesidad de volver a entrenarlo desde cero. La promesa es concreta: en una prueba con un brazo robótico, el algoritmo consiguió que la máquina sorteara los obstáculos del camino y, al mismo tiempo, eligiera el recorrido más corto hasta el objeto buscado. La mayoría de los métodos con los que se lo comparó terminó en colisiones o eligió trayectorias mucho más largas.

Seguridad y eficiencia en un solo paso

Lo que el ensayo demuestra es algo que muchas veces se presenta como un dilema: se puede pedirle a un robot que no choque con nada y, a la vez, que haga el trabajo en el menor tiempo posible. Para una máquina, evitar un golpe no es una opción: es una condición obligatoria. Acortar la distancia hasta el destino, en cambio, es una mejora que se busca entre los caminos que ya están permitidos. HardFlow aborda las dos exigencias dentro del mismo proceso, y por eso los investigadores lo presentan como una forma de combinar límites firmes con objetivos de calidad.

La clave está en el momento en que se le exigen las reglas al modelo. La técnica que se tomó como referencia, llamada muestreo basado en proyección, impone las restricciones en cada etapa de la generación. Ese ajuste permanente achica las opciones que el sistema puede explorar y muchas veces lo deja atascado en soluciones mediocres. HardFlow, en cambio, deja que los pasos internos del cálculo se resuelvan con mayor libertad y verifica que el resultado final respete las condiciones establecidas. Para orientar la generación, el equipo usó herramientas de control óptimo que aplican correcciones graduales hasta llegar a una respuesta válida.

Otro punto que destacan los autores es que el método no necesita reentrenar la inteligencia artificial. Funciona sobre modelos generativos que ya fueron entrenados y actúa recién cuando se los utiliza. Para hacer viable ese funcionamiento, el equipo dividió el cálculo en problemas más pequeños, apoyándose en la estructura de los modelos de emparejamiento de flujo, una arquitectura pensada para transformar distribuciones de datos paso a paso.

• Manipulación con robots: un brazo robótico debió llegar a un objeto sin chocar con los obstáculos y eligiendo el camino más corto.
• Recorridos por laberintos: se evaluó la capacidad de encontrar salidas válidas dentro de las restricciones.
• Edición de imágenes a partir de instrucciones escritas: el sistema tuvo que cumplir las condiciones pedidas y mantener la calidad.
• En todos los casos, las restricciones se cumplieron y la calidad de las soluciones superó a las técnicas de referencia.
• El tiempo de procesamiento fue similar o menor al de la mayoría de los métodos comparados.

El trabajo, difundido por el MIT, vuelve a poner sobre la mesa una pregunta que atraviesa a toda la comunidad tecnológica: cómo se le pone un freno a una inteligencia artificial sin frenar también su capacidad de innovar. HardFlow no es la respuesta definitiva, pero muestra un camino en el que las reglas de seguridad dejan de ser un trámite y pasan a formar parte del mismo cálculo que busca la mejor solución posible. La discusión, claro, recién empieza: todavía falta ver cómo se comporta el método en sistemas más grandes, en contextos críticos como la salud o la defensa, y qué pasa cuando las restricciones que se le imponen a la máquina entran en tensión con los objetivos que le pide quien la usa. Por ahora, el laboratorio del MIT dejó una base sólida para seguir investigando, y eso, en un tema donde las decisiones se toman cada vez más rápido que los marcos legales que las regulan, ya es mucho.