Un método del MIT le marca la cancha a la inteligencia artificial sin necesidad de reentrenarla

¿Se le puede pedir a una inteligencia artificial que cumpla reglas sin volver a entrenarla desde cero? Sí, según un equipo del MIT, que presentó HardFlow, un método para exigirle condiciones a modelos generativos ya entrenados sin tocar su entrenamiento original. La idea es simple de explicar: en vez de reeducar al sistema, se lo corrige en el momento en que lo usamos, cuando está generando una respuesta.

Para entenderlo mejor, pensemos en un robot que tiene que llegar a una taza de café en una mesa llena de cosas. Una condición obligatoria es no tirar nada en el camino. Una mejora, opcional pero deseable, es llegar por el camino más corto. HardFlow permite manejar las dos cosas a la vez, y eso es lo que se probó: un brazo robótico esquivó obstáculos y eligió el recorrido más eficiente, mientras que la mayoría de las alternativas que se usaron como referencia terminó chocando o dando rodeos innecesarios.

Por qué se diferencia de otros métodos

La técnica habitual, llamada muestreo basado en proyección, fuerza las restricciones en cada paso de la generación, lo que puede achicar tanto el menú de opciones que el sistema termina conformándose con una respuesta floja. HardFlow deja correr los pasos internos con más libertad y solo le exige al resultado final que respete las condiciones. Los pasos intermedios se descartan, como los borradores que tiramos antes de entregar un texto.

Para hacer esto viable, los investigadores cortaron el cálculo en pedazos más chicos, aprovechando la estructura de los modelos de emparejamiento de flujo, y usaron herramientas de control óptimo que van corrigiendo de a poco la generación, como un director que le susurta correcciones a un actor entre toma y toma.

Los resultados

• Manipulación con robots: el brazo sorteó obstáculos y eligió el camino más corto hacia su objetivo.
• Recorridos por laberintos: el sistema encontró salidas válidas bajo las restricciones impuestas.
• Edición de imágenes con instrucciones escritas: cumplió todas las condiciones y mejoró la calidad frente a los métodos de referencia.
• Tiempo de procesamiento: similar o menor al de la mayoría de las alternativas evaluadas.

Lo concreto, para el usuario común, es que este enfoque podría usarse para que un sistema de IA edite una foto bajo ciertas condiciones, para que un robot se mueva de forma segura en una fábrica o para que un asistente no se pase por alto los límites que le marcamos. Sin reentrenar, sin esperar horas y sin resignar calidad: eso es lo que cambia con HardFlow, un paso más para que la inteligencia artificial respete nuestras reglas sin volver a la escuela.