Els models generatius d'IA són bons trobant sortides «plausibles», però en aplicacions crítiques com la robòtica, els sistemes autònoms o els dispositius mèdics, una sortida «gairebé correcta» no serveix: una trajectòria de robot que gairebé no col·lideix amb un treballador és, senzillament, inacceptable. Els mètodes actuals per imposar aquest tipus de restriccions dures ho fan pas a pas durant tota la generació, cosa que limita la capacitat del model de trobar bones solucions.
Un equip del MIT liderat per Zeyang Li, amb Kaveh Alim i el professor Navid Azizan com a autor sènior, ha desenvolupat «HardFlow», un mètode publicat a la revista IEEE Transactions on Pattern Analysis and Machine Intelligence. La tècnica reformula el mostreig amb restriccions com un problema d'optimització de trajectòries basat en teoria de control òptim: en lloc de restringir cada pas intermedi, deixa que el model tingui llibertat durant tot el procés generatiu i només imposa les restriccions dures sobre el resultat final. Aprofitant l'arquitectura dels models de «flow matching», el mètode descompon el problema en subproblemes petits d'un sol pas, cosa que el fa prou eficient per fer-lo servir en el moment del desplegament i sense haver de reentrenar el model original. En proves amb manipulació robòtica (evitar col·lisions mentre s'optimitza la llargada del recorregut), navegació en laberints i edició d'imatges guiada per text, HardFlow va complir sempre les restriccions exigides i, alhora, va trobar solucions de més qualitat que els mètodes existents. «El nostre enfocament ens permet conservar aquesta capacitat generativa alhora que imposem els requisits innegociables de les aplicacions d'alt risc o crítiques per a la seguretat», ha dit Azizan.
El resultat és rellevant perquè obre la porta a fer servir models generatius ja entrenats —sovint cars d'entrenar de nou— en dominis on avui encara no es confia prou en la IA: robòtica industrial, control de processos físics i visió per computador amb requisits estrictes, sense el cost afegit de tornar a entrenar el model per a cada nova restricció.
Les proves es van fer en entorns experimentals i simulats, no en desplegaments reals de robòtica o dispositius mèdics, i el mètode està pensat específicament per a models basats en «flow matching», no per a qualsevol arquitectura generativa. Caldrà validar-ne l'eficiència computacional i la fiabilitat fora del laboratori abans de donar-lo per apte per a aplicacions crítiques reals.