HardFlow, el método del MIT que le pone límites a la inteligencia artificial sin volver a entrenarla

¿Se puede pedirle a una inteligencia artificial que cumpla reglas estrictas sin tener que enseñarle todo de nuevo? Un equipo del Instituto de Tecnología de Massachusetts (MIT) respondió que sí con HardFlow, un método que aplica condiciones obligatorias a modelos generativos (programas capaces de crear imágenes, rutas o textos a partir de patrones aprendidos) ya entrenados, sin necesidad de reentrenarlos. En una de las pruebas, un brazo robótico llegó hasta un objeto evitando chocar con los obstáculos del recorrido y, además, eligió el camino más corto entre los disponibles.

Qué se probó y qué logró HardFlow

Los investigadores sometieron al sistema a tres tipos de tareas: manipulación de objetos con un brazo robótico, navegación dentro de laberintos y edición de imágenes a partir de instrucciones escritas. En todos los casos, HardFlow cumplió con las restricciones fijadas para cada prueba y, al mismo tiempo, entregó soluciones de mayor calidad que las técnicas que se usaron como comparación. El tiempo de procesamiento resultó similar o incluso menor al de la mayoría de los métodos de referencia.

• Manipulación robótica: un brazo esquivó obstáculos y eligió la ruta más corta hacia un objeto, mientras que la mayoría de las alternativas chocó o tomó caminos mucho más largos.
• Recorridos por laberintos: el algoritmo respetó las restricciones del trayecto y encontró salidas válidas en los escenarios planteados.
• Edición de imágenes: a partir de instrucciones escritas, modificó fotos cumpliendo las condiciones impuestas y con mejor calidad visual que los métodos anteriores.

La clave está en cuándo se le exigen las reglas al sistema. La técnica habitual, llamada muestreo basado en proyección (un procedimiento que corrige el resultado paso a paso para que cumpla las condiciones en cada etapa), fuerza el cumplimiento en cada paso intermedio de la generación. Ese ajuste permanente achica el universo de opciones que el modelo puede explorar y suele dejarlo atrapado en soluciones mediocres. HardFlow, en cambio, deja mayor libertad durante los pasos internos —que se descartan porque solo importa el resultado final— y aplica las restricciones sobre la salida definitiva.

Para que esto fuera posible, el equipo del MIT resolvió el cálculo dividiéndolo en problemas más chicos, algo que fue viable gracias a la estructura de los modelos de emparejamiento de flujo, una familia de modelos generativos que aprenden a transformar ruido aleatorio en datos ordenados paso a paso. También recurrió a herramientas de control óptimo (métodos matemáticos que buscan la mejor forma de llevar un sistema de un estado a otro respetando ciertas condiciones) para ir corrigiendo el rumbo de manera progresiva hasta llegar a una respuesta válida.

El trabajo fue presentado en la conferencia NeurIPS 2025, una de las reuniones académicas más importantes del mundo en inteligencia artificial, y fue distinguido como Outstanding Paper, una mención que destaca a los aportes más relevantes del año. La investigación lleva la firma de los estudiantes graduados Radu Bumbacea y Wei-Long (William) Deng, junto al profesor asociado Tommi Jaakkola, del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, y del profesor asistente Suvir Mirchandani, de la Universidad Carnegie Mellon.

Para qué sirve esto en La Rioja

En la vida cotidiana, HardFlow apunta a un problema concreto: que los sistemas de inteligencia artificial respeten condiciones sin perder calidad. Para una provincia como La Rioja, donde todavía se discute cómo incorporar estas tecnologías en la gestión pública y en el sector productivo, el avance sugiere que se podrán desplegar asistentes automáticos con reglas claras —por ejemplo, que un sistema de turnos no derive datos sensibles fuera de un circuito seguro o que una herramienta de imagen institucional cumpla con una guía de estilo— sin tener que reconstruir el modelo desde cero. La promesa es doble: resultados más cuidadosos y costos de desarrollo más bajos.