Un método del MIT le pone límites estrictos a la inteligencia artificial sin necesidad de reentrenarla

En los laboratorios del Instituto de Tecnología de Massachusetts, conocido como MIT, un equipo de investigadores puso a punto un método que actúa como un supervisor externo sobre inteligencias artificiales ya entrenadas. La herramienta, llamada HardFlow, no necesita volver a enseñar al sistema desde cero: se coloca por encima y le exige, en el momento de usarla, que cumpla condiciones que no son negociables. En una de las pruebas más llamativas, un brazo robótico debía llegar hasta un objeto sorteando los obstáculos del camino. La mayoría de las alternativas con las que se lo comparó terminó chocando o dando rodeos mucho más largos de lo necesario. HardFlow, en cambio, encontró la ruta más rápida sin tocar nada que no debiera.

Una forma distinta de ponerle reglas a la inteligencia artificial

Para entender la novedad conviene pensar en una inteligencia artificial generativa como una cocina muy bien equipada. Esa cocina ya sabe preparar platos, porque fue entrenada durante mucho tiempo. HardFlow no le cambia la cocina ni le da clases nuevas: se limita a decirle, cada vez que va a cocinar, que el plato tiene que cumplir ciertos requisitos, por ejemplo no contener un ingrediente prohibido. La diferencia con otros métodos está en cuándo se controla ese cumplimiento.

La técnica que se usaba hasta ahora como referencia se llama muestreo basado en proyección, y trabaja como un cocinero al que le revisan cada paso: le controlan el cuchillo, la olla, el condimento. El problema es que, al intervenir tantas veces, se le quitan opciones y a veces termina sirviendo un plato correcto pero de menor calidad. HardFlow deja a la cocina trabajar con más libertad en los pasos intermedios y recién al final verifica que el plato cumpla con todas las reglas. Para orientar el proceso sin pisarlo, los investigadores recurrieron a herramientas matemáticas de control óptimo, que funcionan como pequeñas correcciones progresivas que empujan la generación hacia una respuesta válida.

Cómo funciona, en términos simples

El método se apoya en una familia de modelos conocidos como modelos de emparejamiento de flujo. Estos modelos transforman una distribución simple de datos, como ruido aleatorio, en otra más compleja, como una imagen o una trayectoria, siguiendo una serie de etapas. HardFlow descompone ese cálculo en problemas más chicos, lo que vuelve manejable imponer las condiciones obligatorias sin recalcular todo el sistema.

• Manipulación con robots: un brazo robótico debió alcanzar un objetivo evitando colisiones. HardFlow cumplió la restricción y eligió el camino más corto, mientras que la mayoría de las alternativas chocó o tomó rutas mucho más largas.
• Recorridos por laberintos: el sistema trazó trayectorias válidas en espacios con reglas estrictas de movimiento, respetando los límites en todos los casos evaluados.
• Edición de imágenes por instrucciones escritas: el método respetó las condiciones pedidas en cada consigna y, al mismo tiempo, produjo resultados de mejor calidad que las técnicas de referencia.
• Tiempos de procesamiento similares o menores: el costo de cómputo se mantuvo a la par de los métodos previos, sin que el control extra volviera al sistema más lento en la mayoría de los ensayos.

El conjunto de evaluaciones refuerza una idea central del trabajo: cuando se le da margen al modelo en sus pasos internos y se controla con firmeza el resultado final, se pueden cumplir reglas duras sin resignar calidad. En el caso del brazo robótico, evitar un choque es una condición obligatoria; acortar la distancia es una mejora deseable. HardFlow permite perseguir ambas metas dentro del mismo proceso.

Qué falta para que llegue a la gente

Por ahora se trata de un resultado de investigación, con pruebas en entornos acotados y tareas específicas. Para que se traduzca en productos de uso cotidiano, como asistentes que no filtren datos sensibles, vehículos autónomos que respeten con rigor las normas de tránsito o robots industriales que trabajen sin riesgo en una planta, todavía quedan varios pasos: validar el método en escenarios más grandes y variados, integrarlo con los modelos generativos que ya usan empresas y desarrolladores, y medir cómo escala cuando las restricciones son muchas al mismo tiempo. El avance, en cualquier caso, muestra que se pueden poner límites firmes a una inteligencia artificial sin empezar de nuevo.

Benjamín Owen, Tecnología y ciencia