HardFlow, el método del MIT que le pone límites a la inteligencia artificial sin tener que enseñarle todo de nuevo

Vuelvo a sentarme frente a la pantalla con una noticia que, a primera vista, suena a tema de laboratorio, pero que en realidad toca una pregunta que cada vez aparece más seguido en la conversación cotidiana: ¿se le puede pedir a una inteligencia artificial que cumpla ciertas reglas sin tener que volver a entrenarla desde cero? Un equipo del Instituto de Tecnología de Massachusetts, conocido mundialmente como MIT, dice que sí, y lo demuestra con un método que bautizaron HardFlow.

La prueba más llamativa que relataron los investigadores es bien concreta: le pidieron a un brazo robótico que llegara hasta un objeto sin chocarse con lo que encontrara en el camino. No solo sorteó los obstáculos, sino que eligió el recorrido más corto posible. Las otras alternativas que se usaron como referencia, en cambio, oterminaban chocando o daban rodeos bastante más largos. Para un robot, evitar un golpe no es un detalle menor: es una condición que no se puede negociar. Acortar la distancia, en cambio, es una mejora que se busca una vez que esa condición ya está garantizada.

Una forma de explicar algo técnico con algo de todos los días

Piensen en HardFlow como ese amigo que va en el auto con uno. No le va diciendo a cada metro cómo tiene que mover el volante. Lo deja manejar tranquilo y, cuando falta poco para llegar, le marca el camino correcto para que termine estacionado justo en la dirección permitida. Esa es, a grandes rasgos, la diferencia con el muestreo basado en proyección, que es la técnica que los investigadores usaron como referencia: esa sí va corrigiendo paso a paso, todo el tiempo, y termina agotando las opciones del conductor.

Le consulté a Lucía, una becaria del equipo, cómo se las arreglaban para que el método funcionara sin reentrenar el modelo. Me lo tradujo así: los modelos generativos que ya estaban entrenados, como los de emparejamiento de flujo, tienen una estructura matemática que se puede ir rompiendo en pedacitos más chicos. Cada pedacito se resuelve por separado y después se encaran. Como cuando uno prepara una ensalada: cortar el tomate, la lechuga, la cebolla, y al final los junta todos. Resolver el problema de a trocitos es lo que hace que el cálculo sea viable.

Qué se probó y qué resultados se obtuvieron

• Manipulación con robots: el brazo esquivó obstáculos y eligió el camino más corto hacia el objeto, mientras que las referencias chocaron o se fueron por rutas mucho más largas.
• Recorridos por laberintos: el sistema encontró salidas válidas respetando todas las restricciones del trazado.
• Edición de imágenes a partir de instrucciones escritas: cumplió las condiciones pedidas y, además, ofreció resultados de mejor calidad que los métodos con los que se lo comparó.
• Tiempo de procesamiento: en la mayoría de los casos fue similar o incluso menor que el de las alternativas usadas como punto de comparación.

Lo que más me interesa destacar es lo que el paper dejó por escrito: en todos los casos examinados se cumplieron las restricciones, y la calidad de las soluciones superó de manera consistente a las referencias. No es un detalle menor. Cuando se trabaja con inteligencia artificial, muchas veces la seguridad y la eficiencia van tironeando de la cuerda para lados opuestos. Acá parecen haber encontrado un punto de equilibrio interesante.

¿Y eso para qué sirve? En lo inmediato, para que un robot se mueva de forma más segura en una fábrica, en un hospital o en una casa, sin que cada vez que cambia una regla haya que volver a enseñarle todo desde el principio. Y mirando más lejos, para cualquier sistema generativo al que se le quiera imponer una condición sin resignar calidad: desde modelos que editan fotos hasta herramientas que planifican rutas o ayudan en diagnósticos. La promesa es la misma: reglas firmes, resultados prolijos, y sin tener que empezar de cero cada vez.