MIT ra mắt HardFlow: Đảm bảo an toàn tuyệt đối cho AI tạo sinh mà không cần huấn luyện lại

Các nhà nghiên cứu tại MIT đã phát triển một kỹ thuật mới giúp các mô hình trí tuệ nhân tạo tạo sinh (generative AI) tìm ra giải pháp cho những vấn đề có tính rủi ro cao.

Trong những tình huống này, một câu trả lời hợp lý là chưa đủ: Kết quả đầu ra thường phải đáp ứng các yêu cầu khắt khe về an toàn, vật lý hoặc các yêu cầu đặc thù của tác vụ, được gọi là các ràng buộc cứng (hard constraints).

Các nhà nghiên cứu đã phát triển một phương pháp giúp các mô hình tạo sinh đáp ứng được những yêu cầu nghiêm ngặt này mà không làm giảm chất lượng đầu ra.

Chìa khóa cho kỹ thuật của họ là tạo cho mô hình nhiều sự tự do hơn trong quá trình tạo sinh và chỉ áp đặt các ràng buộc cứng lên kết quả cuối cùng, thay vì áp đặt ở mọi bước trung gian.

Trong các thử nghiệm bao gồm lĩnh vực robot, điều khiển các quy trình vật lý và thị giác máy tính, phương pháp mới này luôn đáp ứng được các ràng buộc cần thiết đồng thời xác định được những giải pháp tốt hơn so với các kỹ thuật hiện có.

Kỹ thuật linh hoạt, dạng "cắm và chạy" (plug-and-play) này hoạt động tại thời điểm triển khai, vì vậy nó có thể được áp dụng cho các mô hình tạo sinh đã được huấn luyện sẵn mà không cần phải huấn luyện lại chúng. Nó có thể giúp các mô hình này trở nên hữu ích hơn trong những ứng dụng mà các quy tắc an toàn, định luật vật lý hoặc các yêu cầu nghiêm ngặt khác không được phép vi phạm.

"Triển vọng của AI tạo sinh nằm ở khả năng khám phá một không gian phong phú các khả năng, nhưng thế giới thực lại đặt ra những giới hạn về việc khả năng nào là chấp nhận được. Cách tiếp cận của chúng tôi cho phép bảo toàn sức mạnh tạo sinh đó trong khi vẫn thực thi được các yêu cầu không thể thương lượng của những ứng dụng có tính rủi ro cao hoặc yêu cầu an toàn khắt khe," Navid Azizan, Phó Giáo sư Phát triển Sự nghiệp Alfred H. và Jean M. Hayes tại Khoa Kỹ thuật Cơ khí và Viện Dữ liệu, Hệ thống và Xã hội (IDSS), đồng thời là nhà nghiên cứu chính tại Phòng thí nghiệm Hệ thống Thông tin và Quyết định (LIDS) và là tác giả cấp cao của bài báo về kỹ thuật này, cho biết.

Cùng tham gia bài báo với Azizan là tác giả chính Zeyang Li, nghiên cứu sinh ngành kỹ thuật cơ khí tại LIDS; và Kaveh Alim, nghiên cứu sinh tại IDSS và LIDS. Nghiên cứu này được công bố trong tuần này trên tạp chí IEEE Transactions on Pattern Analysis and Machine Intelligence.

Tự do khám phá

Các mô hình AI tạo sinh đã được huấn luyện sẵn, chẳng hạn như các mô hình khuếch tán (diffusion models) như Stable Diffusion và các mô hình khớp luồng (flow-matching models) như FLUX, hiện đã được phổ biến rộng rãi. Những mô hình mạnh mẽ này học cách tạo ra dữ liệu mới bằng cách biến đổi nhiễu ngẫu nhiên. Sự sẵn có của chúng đã cho phép mọi người tùy chỉnh chúng cho nhiều ứng dụng khác nhau.

Những mô hình có năng lực cao này rất xuất sắc trong việc đưa ra các câu trả lời gần như đáp ứng được hầu hết các truy vấn, nhưng trong các ứng dụng quan trọng về an toàn như lập kế hoạch đường đi cho robot trên sàn nhà máy đông đúc, một câu trả lời "gần đúng" có thể là chưa đủ tốt.

Ví dụ, một lộ trình "gần đúng" từ máy này sang máy khác vẫn có thể khiến robot va chạm với một đồng nghiệp là con người.

Trong các ứng dụng quan trọng về an toàn như vậy, người dùng thường sử dụng một kỹ thuật gọi là lấy mẫu dựa trên phép chiếu (projection-based sampling), kỹ thuật này liên tục buộc các giải pháp một phần của mô hình, được gọi là các mẫu trung gian, phải đáp ứng các yêu cầu nghiêm ngặt trong quá trình tạo sinh.

Tuy nhiên, việc ràng buộc toàn bộ quá trình tạo sinh có thể ngăn cản mô hình đạt được một giải pháp cuối cùng tốt hơn. Những phương pháp này cũng thường chỉ tập trung vào việc thỏa mãn các ràng buộc cứng, bỏ lỡ cơ hội cải thiện các phẩm chất khác của giải pháp, chẳng hạn như giảm độ dài quỹ đạo của robot.

"Đối với việc thỏa mãn ràng buộc, điều quan trọng cuối cùng chính là kết quả đầu ra của mô hình, vì quá trình nội bộ sẽ bị loại bỏ. Bằng cách không yêu cầu mọi bước trung gian phải thỏa mãn các ràng buộc, chúng tôi mang lại cho mô hình sự tự do hơn để tìm ra các giải pháp chất lượng cao mà vẫn khả thi ở bước cuối cùng," Li nói.

Các nhà nghiên cứu đã phát triển một thuật toán có tên là HardFlow giúp điều hướng quá trình lấy mẫu để kết quả cuối cùng thỏa mãn các ràng buộc cứng của người dùng mà không bị quá hạn chế, đồng thời đạt chất lượng cao hơn.

Điều hướng tinh tế

HardFlow tái cấu trúc việc lấy mẫu có ràng buộc cứng thành một bài toán tối ưu hóa quỹ đạo, sử dụng các công cụ từ lĩnh vực điều khiển tối ưu. Điều này cho phép khung làm việc điều hướng quỹ đạo lấy mẫu của mô hình về phía mục tiêu, thực hiện các hiệu chỉnh tinh tế trong suốt quá trình trong khi vẫn thực thi các ràng buộc cứng lên kết quả cuối cùng.

"Lý thuyết điều khiển cung cấp cho chúng ta một khung làm việc mạnh mẽ để chính thức hóa cách tối ưu nhằm thực hiện các hiệu chỉnh này," Azizan nói.

Nhưng việc giải quyết bài toán tối ưu hóa quỹ đạo xung quanh một mạng thần kinh khổng lồ không phải là nhiệm vụ dễ dàng. Mô hình có thể có hàng trăm lớp kết nối với nhau để xử lý dữ liệu.

Để làm cho bài toán trở nên khả thi, các nhà nghiên cứu đã tận dụng cấu trúc của các mô hình khớp luồng để phân tách bài toán thành một chuỗi các bài toán con đơn bước nhỏ hơn. Sau đó, họ áp dụng các phép biến đổi và xấp xỉ có hệ thống để rút ra một thuật toán hiệu quả, có khả năng mở rộng mà vẫn tìm được giải pháp khả thi.

"Về cơ bản, chúng tôi đã biến đổi bài toán tối ưu hóa quỹ đạo thành một thứ gì đó bảo toàn được các đặc tính chính của bài toán gốc, nhưng có thể được giải quyết rất hiệu quả tại thời điểm triển khai," Azizan nói thêm.

Việc tái cấu trúc tác vụ thành một bài toán tối ưu hóa cho phép HardFlow kết hợp các mục tiêu bổ sung có thể cải thiện chất lượng của câu trả lời cuối cùng. Ví dụ, HardFlow có thể tìm ra một lộ trình không va chạm cho robot, đồng thời là lộ trình có khoảng cách ngắn nhất đến mục tiêu.

"Khung làm việc của chúng tôi có thể xử lý đồng thời cả hai khía cạnh, giúp nó hoạt động tốt hơn nhiều so với các phương pháp hiện có," Li cho biết.

Thông qua các thử nghiệm về thao tác robot, điều hướng mê cung và chỉnh sửa hình ảnh bằng văn bản, HardFlow đã đạt được sự thỏa mãn ràng buộc hoàn hảo trong khi liên tục vượt trội hơn các phương pháp cơ sở về các thước đo chất lượng giải pháp.

Ví dụ, nó cho phép một cánh tay robot tránh va chạm với các chướng ngại vật trong khi vẫn tìm ra lộ trình nhanh nhất đến đối tượng mục tiêu. Hầu hết các phương pháp khác hoặc dẫn đến va chạm, hoặc tìm ra các lộ trình mất nhiều thời gian hơn đáng kể.

Ngoài ra, thời gian tính toán của HardFlow tương đương hoặc thấp hơn so với hầu hết các phương pháp cạnh tranh.

Trong tương lai, các nhà nghiên cứu có thể mở rộng khung làm việc này sang các môi trường mà bản thân mô hình AI cũng có thể được cập nhật, để việc thỏa mãn ràng buộc và chất lượng mẫu có thể được cải thiện theo cách thích ứng hơn.