Comparación de planes generados y despliegue reales para tres planificadores: Diffuser, Foring de difusión y Difusión de árbol de Monte Carlo (MCTD). Mientras que el difusor y el forzamiento de difusión no logran producir planes de trayectoria exitosos, MCTD tiene éxito refinando su plan de manera adaptativa. Crédito: Difusión del árbol de Monte Carlo
Los modelos de difusión se utilizan ampliamente en muchas aplicaciones de IA, pero la investigación sobre la escalabilidad eficiente de tiempo de inferencia, particularmente para el razonamiento y la planificación (conocido como habilidades del Sistema 2). En respuesta, un equipo de investigación ha desarrollado una nueva tecnología que permite una inferencia eficiente y de alto rendimiento para la planificación basada en modelos de difusión.
Esta tecnología demostró su rendimiento al lograr una tasa de éxito del 100% en una tarea gigante de resolución de laberinuras en la que ningún modelo existente había tenido éxito. Se espera que los resultados sirvan como tecnología central en varios campos que requieren una toma de decisiones en tiempo real, como robótica inteligente e IA generativa en tiempo real.
El equipo de investigación dirigido por el profesor Sungjin Ahn en la Escuela de Computación ha desarrollado la nueva tecnología que mejora significativamente la escalabilidad de la inferencia de razonamiento basado en la difusión a través de la investigación conjunta con el profesor Yoshua Bengio de la Universidad de Montreal, un erudito de renombre mundial en el aprendizaje profundo. Este estudio se llevó a cabo como parte de una colaboración entre Kaist y Mila (Instituto de AI de Quebec) a través del Centro de Investigación Conjunta de AI prefrontal.
Esta tecnología está ganando atención como una tecnología de IA central que, después de la capacitación, permite que la IA utilice eficientemente más recursos computacionales durante la inferencia para resolver problemas de razonamiento y planificación complejos que no se pueden abordar simplemente ampliando datos o tamaño del modelo. Sin embargo, los modelos de difusión actuales utilizados en diversas aplicaciones carecen de metodologías efectivas para implementar dicha escalabilidad, particularmente para el razonamiento y la planificación.
Para abordar esto, el equipo de investigación del profesor Ahn colaboró con el profesor Bengio para proponer una nueva técnica de inferencia de modelo de difusión basada en la búsqueda de árboles de Monte Carlo. Este método explora diversas rutas de generación durante el proceso de difusión en una estructura de árbol y está diseñado para identificar eficientemente salidas de alta calidad incluso con recursos computacionales limitados. Como resultado, logró una tasa de éxito del 100% en la tarea de “resolución de laberinuras a escala gigante”, donde los métodos anteriores tenían una tasa de éxito del 0%. El trabajo es publicado en el servidor de preimpresión ARXIV.
En la investigación de seguimiento, también al corriente Para Arxiv, el equipo logró mejorar significativamente el principal inconveniente del método propuesto, su velocidad lenta. Al paralelizar eficientemente la búsqueda de árboles y optimizar el costo computacional, lograron resultados de calidad igual o superior hasta 100 veces más rápido que la versión anterior. Esto es muy significativo, ya que demuestra las capacidades de inferencia del método y la aplicabilidad en tiempo real simultáneamente.
El profesor Sungjin Ahn dijo: “Esta investigación supera fundamentalmente las limitaciones del método de planificación existente basados en modelos de difusión, que requirieron un alto costo computacional,” agregando, “puede servir como tecnología central en varias áreas, como robótica inteligente, toma de decisiones basadas en simulación e IA generativo en tiempo real en tiempo real”.
Más información: Jaesik Yoon et al, Difusión del árbol de Monte Carlo para la planificación del Sistema 2, ARXIV (2025). Doi: 10.48550/arxiv.2502.07202
Jaesik Yoon et al, Difusión de árbol Fast Monte Carlo: aceleración 100x a través de la planificación escasa paralela, ARXIV (2025). Doi: 10.48550/arxiv.2506.09498
Información en el diario: ARXIV
Proporcionado por el Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST)
Cita: El nuevo método de IA aumenta el razonamiento y la eficiencia de planificación en los modelos de difusión (2025, 21 de julio) Recuperado el 21 de julio de 2025 de https://techxplore.com/news/2025-07-ai-method- boosts-efficiency-diffusion.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
