當「差不多」還不夠：MIT 的 HardFlow 讓生成式 AI 安全走進真實世界

生成式 AI 最擅長的，是產出「大致正確」的答案。要它為機器人規劃一條穿越擁擠工廠地板的路徑，它會愉快地畫出一條幾乎避開所有障礙物的軌跡。但任何在安全關鍵工程領域工作的人都知道，問題就出在「幾乎」這兩個字——一條「近乎正確」的路徑，最終可能以機器人撞上人類同事收場。

2026 年 9 月 14 日，MIT 研究人員發表了一項正面處理這個落差的技術。這套名為 HardFlow 的演算法，能讓預訓練生成式 AI 模型在滿足嚴格、不可協商的要求（即所謂「硬約束」，hard constraints）的同時，不犧牲輸出品質。這項研究本週刊登於《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI）——該領域最頂尖的期刊之一。

「近乎正確」的麻煩

預訓練生成模型——例如 Stable Diffusion 這類擴散模型、FLUX 這類流匹配（flow-matching）模型——透過轉換隨機雜訊來學習生成新資料。它們的廣泛可得性，讓工程師得以將其改編到從影像編輯到科學設計的各種應用。但這些模型本質上是「近似採樣器」：大多時候，它們產出的輸出只是「接近」滿足查詢要求。

在安全關鍵領域，這是錯誤的運作模式。物理定律不能彎曲、碰撞區域不能進入、任務規格不能悄悄放寬。標準的變通做法是一種稱為投影式採樣（projection-based sampling）的技術：在生成的每一步，都強制把模型的部分解投影回合法輸出集合。

MIT 團隊指出，這種暴力做法有兩個問題。第一，約束「整個」生成過程，可能讓模型永遠無法真正抵達更好的最終解——中間的不斷修正會把它框死。第二，這類方法通常只為滿足約束而最佳化，忽略了解答的其他品質，例如縮短機器人軌跡的長度。

「就約束滿足而言，真正重要的是模型的最終輸出，因為內部過程終究會被丟棄，」論文第一作者、MIT 機械工程系與資訊與決策系統實驗室（LIDS）研究生 Zeyang Li 說。「不要求每個中間步驟都滿足約束，我們反而給了模型更多自由，去找到既可行、品質又好的最終解。」

先給自由，最後執法

HardFlow 的核心洞見是一種「延遲紀律」：在生成過程中給模型最大自由，只在最終輸出上強制執行硬約束。

「生成式 AI 的承諾，在於它能探索豐富的可能性空間；但真實世界對哪些可能性可以接受劃下了界限，」論文資深作者、MIT 機械工程系與資料系統與社會研究所（IDSS） Alfred H. and Jean M. Hayes 職涯發展副教授、LIDS 主要研究員 Navid Azizan 說。「我們的方法既保留了這種生成能力，又能強制執行高風險、安全關鍵應用中不可協商的要求。」

為此，研究團隊把「硬約束採樣」重新表述為一個軌跡最佳化問題，借用最優控制理論的工具。這讓 HardFlow 能將模型的採樣軌跡導向目標，沿途施加細微修正，同時保證最終輸出落在可行集合內。

「控制理論提供了一個強大的框架，把這些修正的最佳做法形式化，」Azizan 解釋。

要在動輒數百層互連的神經網路外圍求解軌跡最佳化問題，通常難以計算。團隊的解法是利用流匹配模型的數學結構，把問題分解成一連串小型的單步子問題，再透過系統性變換與近似，導出一個高效、可擴展的演算法。

「本質上，我們把軌跡最佳化問題轉換成一個保留原問題關鍵性質、但能在部署時高效求解的版本，」Azizan 補充。

這句話對實務工作者至關重要：HardFlow 在部署階段運作。它是架在現有預訓練模型上的即插即用層——無需重新訓練、無需微調、不需要拿到訓練資料。而且因為任務被框架成最佳化問題，額外目標也能一併納入：HardFlow 可以找到一條「無碰撞且最短」的路徑，同時處理可行性與品質。「我們的框架能同時處理兩個面向，這讓它的表現遠優於現有方法，」Li 說。

完美滿足約束，且解更好

在橫跨機械手臂操作、迷宮導航與文字引導影像編輯的實驗中，HardFlow 達到了完美的約束滿足率，同時在解答品質上持續超越基線方法。在其中一項機械手臂基準測試中，它讓機器手臂避開障礙物碰撞，同時找到抵達目標物最快的路線——多數競爭方法要麼發生碰撞，要麼耗時明顯更長。而 HardFlow 的運算時間與大多數被它擊敗的方法相當甚至更低。

團隊——Li、Azizan，以及 IDSS 與 LIDS 研究生 Kaveh Alim——接下來計畫把框架延伸到模型本身也可以更新的場景，以更具適應性的方式同時提升約束滿足與取樣品質。

為什麼重要

HardFlow 出現的時間點，恰好是整個產業在問同一個問題：如何把能力強大但機率上「隨性」的生成模型，交給絕不容許失敗的任務？這條研究路線給出的答案，不是「把模型訓練得更安全」，而是「用控制理論的馬鞍套住模型，保證輸出合格」。這與航空軟體、核電控制系統的哲學一脈相承——保障來自建構方式，而非祈禱——只是被翻譯成流匹配與擴散模型的語言。

對機器人學、工業控制與物理系統設計而言，這正是「展示 demo」與「實際部署」的分水嶺。而隨著生成模型日益深入會規劃、會行動、會修正的代理式管線，這種在推論階段低成本強制硬約束、又無需重訓的技術，很可能成為 AI 技術堆疊中的標準安全聯鎖。當「差不多」不夠用時，HardFlow 是一個認真的答案。