Els models generatius d'intel·ligència artificial exploren un ventall ampli de respostes possibles, però en aplicacions com la robòtica o el control de sistemes físics no totes les respostes possibles són acceptables: n'hi ha que xoquen amb un obstacle, trenquen un límit físic o incompleixen una norma de seguretat. Fer que un model generatiu ja entrenat respecti sempre aquest tipus de «restriccions dures» sense haver-lo de tornar a entrenar és el problema que ha abordat un equip del Laboratori d'Informació i Sistemes de Decisió del MIT.
L'eina, batejada HardFlow i liderada pel professor Navid Azizan amb els estudiants de doctorat Zeyang Li i Kaveh Alim, reformula el mostreig amb restriccions dures com un problema d'optimització de trajectòries basat en teoria de control òptim: en lloc d'imposar la restricció a cada pas intermedi de la generació, deixa que el model tingui llibertat durant el procés i només l'obliga a complir-la en el resultat final, descomponent el problema en subproblemes més petits que es poden resoldre de manera eficient. És un mètode de tipus «connecta i usa»: funciona en el moment de generar la resposta, sense necessitat de tornar a entrenar el model.
En proves de manipulació robòtica, navegació per laberints i edició d'imatges guiada per text, HardFlow va complir sempre les restriccions imposades i va trobar sistemàticament solucions de més qualitat que els mètodes de referència amb què es va comparar: en el cas de la manipulació robòtica, per exemple, va permetre que un braç robòtic esquivés obstacles mentre trobava alhora el camí més ràpid cap a l'objecte, mentre que la majoria de mètodes alternatius o bé xocaven amb els obstacles o bé trigaven molt més a arribar-hi. Segons Azizan, «la promesa de la IA generativa és la seva capacitat d'explorar un ventall ric de possibilitats, però el món real imposa límits sobre quines possibilitats són acceptables». La feina s'ha publicat a la revista IEEE Transactions on Pattern Analysis and Machine Intelligence.
Totes les proves es van fer en simulació, no en sistemes físics reals, i cap laboratori independent no n'ha replicat encara els resultats. L'equip mateix apunta que un pas futur seria estendre el mètode perquè pugui actualitzar el propi model d'IA de manera adaptativa, una capacitat que, de moment, HardFlow no té.