Istraživači sa MIT-a razvili su novu metodu po imenu HardFlow, koja generativnim AI modelima omogućava da poštuju stroga bezbednosna i fizička ograničenja – bez potrebe da se model iznova trenira.
Najvažnije
- HardFlow daje modelu više slobode tokom procesa generisanja, a stroga ograničenja primenjuje samo na finalni rezultat.
- Metodu su razvili Zeyang Li i Kaveh Alim, doktorandi na MIT-u, pod vođstvom profesora Navida Azizana.
- Rad je objavljen u časopisu IEEE Transactions on Pattern Analysis and Machine Intelligence u septembru 2026.
- Testiran je na robotici, navigaciji kroz lavirint i editovanju slika, sa potpunim poštovanjem ograničenja i boljim kvalitetom rešenja od postojećih metoda.
Kako HardFlow radi
Umesto da nameće ograničenja u svakom pojedinačnom koraku generisanja, HardFlow problem preformuliše kao optimizaciju putanje koristeći teoriju optimalnog upravljanja (optimal control theory). Ovim se veliki problem razlaže na manje, jednostavnije potprobleme, koristeći strukturu tzv. flow-matching modela, što omogućava efikasan i skalabilan algoritam koji se može primeniti bez ponovnog treniranja postojećeg modela.
Zašto je ovo bitno
Generativni AI modeli se sve više koriste u situacijama gde greška nije prihvatljiva – upravljanje robotima, industrijska automatizacija, medicinska primena. Do sada je garantovanje da model neće prekršiti bezbednosno pravilo (npr. da robotska ruka ne udari u prepreku) često zahtevalo sporo ponovno treniranje ili je dolazilo uz gubitak kvaliteta rezultata. HardFlow, prema rezultatima istraživača, rešava oba problema istovremeno.
Rezultati istraživanja
Prema MIT-u, HardFlow je u eksperimentima postigao savršeno poštovanje zadatih ograničenja u sva tri testirana domena (robotika, navigacija kroz lavirint, editovanje slika), uz konzistentno bolje rezultate od postojećih (baseline) metoda po pitanju kvaliteta finalnog rešenja.
Lokalni ugao: zašto je ovo relevantno za AI bezbednost uopšte
Ova vrsta istraživanja direktno se uklapa u širu debatu o tempu razvoja AI-ja i bezbednosnim garancijama, o kojoj smo pisali u tekstu Anthropic i OpenAI pozivaju na usporavanje AI-ja. Tehnička rešenja poput HardFlow-a predstavljaju jedan od pravaca kojim laboratorije pokušavaju da smanje rizik bez potpunog zaustavljanja razvoja.
Najčešća pitanja
Da li HardFlow zahteva ponovno treniranje AI modela?
Ne – metoda je dizajnirana da se primeni na postojeći, već treniran model, bez potrebe za skupim ponovnim treniranjem.
Gde je istraživanje objavljeno?
U naučnom časopisu IEEE Transactions on Pattern Analysis and Machine Intelligence, u septembru 2026. godine.
Na kojim zadacima je HardFlow testiran?
Na robotici, navigaciji kroz lavirint i editovanju slika – u sva tri je postigao potpuno poštovanje zadatih ograničenja.
Povezani članci
Autor: Redakcija AI Magazin Srbija
Izvor: MIT News