Robots que esquivan mesitas: el truco del MIT para ponerle límites a la inteligencia artificial sin romperla

¿Otra vez la inteligencia artificial haciendo cosas raras? Sí, pero esta vez la nota es al revés: un grupo del MIT la puso en caja. Le dijeron qué cosas están prohibidas y, sin volver a entrenarla, ella sola las respetó. Y de paso, lo hizo mejor que los métodos anteriores.

El invento se llama HardFlow y aparece en un paper reciente del Instituto de Tecnología de Massachusetts, más conocido como MIT por sus siglas en inglés (Massachusetts Institute of Technology). En criollo: una universidad de Estados Unidos que vive sacando raras. HardFlow es un método que se enchufa sobre modelos de inteligencia artificial ya entrenados y les marca condiciones obligatorias, como quien le dice a un delivery: 'no pises la vereda rota'.

¿Y qué hizo el brazo robótico exactamente?

En una de las pruebas, le dieron a un brazo robótico la tarea de llegar hasta un objeto sin chocar con nada en el camino. Algo así como cruzar una cocina salteña con los ojos vendados y llegar a la mesa sin tirar un vaso. La mayoría de los métodos alternativos, llamados 'de referencia' porque son los que se usan para comparar, provocaron choques o eligieron recorridos bastante más largos. HardFlow esquivó los obstáculos y, además, encontró el camino más corto.

Acá aparece el concepto central: combinar condiciones duras con objetivos de calidad. Para un robot, evitar un choque es innegociable. Acortar la distancia hasta el destino es una mejora que se busca solo entre los recorridos que ya cumplen la regla. Las dos exigencias se resuelven dentro del mismo proceso, no en pasos separados.

¿Y cómo hace para no romper el modelo?

Acá viene lo lindo. No hay que volver a entrenar la inteligencia artificial. Eso es clave: entrenar un modelo grande, lo que en inglés se conoce como 'foundation model' o modelo de base, cuesta una fortuna en tiempo y plata. HardFlow trabaja cuando el modelo ya está en uso, no cuando se lo fabrica. Para hacer viable ese funcionamiento, el equipo partió el problema en pedazos más chicos y se apoyó en la estructura de los modelos de emparejamiento de flujo, una arquitectura de IA generativa que aprende a convertir ruido en datos ordenados.

¿Cuál es la diferencia con el método viejo?

El método usado como referencia se llama 'muestreo basado en proyección' (projection-based sampling) y aplica las restricciones en cada pasito del proceso de generación. Como cuando un controlador fijás una alarma en cada paso del colectivo, en vez de controlar solo la hora de llegada. Eso limita las opciones que el sistema prueba y muchas veces lo deja lejos de la mejor respuesta. HardFlow deja más libertad en los pasos intermedios y exige que el resultado final respete las condiciones. Para eso, los investigadores usaron herramientas de control óptimo, que sirven para corregir desvíos de a poco y llevar el sistema hacia una respuesta válida.

¿Y en qué otras cosas lo probaron?

• Manipulación con robots: el brazo esquivando obstáculos y llegando más lejos en el recorrido.
• Recorridos por laberintos: encontrar la salida sin pisar las paredes marcadas como prohibidas.
• Edición de imágenes a partir de instrucciones escritas: respetar condiciones como 'no cambiar el cielo' o 'no tocar al personaje principal'.

En todos los casos, las restricciones se cumplieron y la calidad de las soluciones superó a las referencias. El tiempo de procesamiento fue parecido o más corto que el de la mayoría de los métodos previos. Por ahora son pruebas de laboratorio, pero muestran un camino: se pueden agregar condiciones a procesos que ya están entrenados sin romperlos ni gastar una fortuna en volver a entrenarlos. Veremos.