AI 突破将能源消耗减少 100 倍，同时提高准确性
在美国，人工智能正在消耗大量电力。根据国际能源署的数据，2024 年人工智能系统和数据中心的用电量约为 415 太瓦时。这占该国总发电量的 10% 以上，预计到 2030 年需求将翻一番。
这种快速增长引发了人们对可持续性的担忧。作为回应，工程学院的研究人员创建了一个概念验证的人工智能系统，旨在提高效率。他们的方法可以将能源消耗减少多达 100 倍，同时还可以提高任务性能。
一种称为神经符号人工智能的混合方法
该研究来自卡罗尔家族应用技术教授Matthias Scheutz 的实验室。他的团队正在开发神经符号人工智能，它将传统神经网络与符号推理相结合。这种方法反映了人们如何通过将问题分解为步骤和类别来解决问题。
这项工作将于五月在维也纳举行的国际机器人与自动化会议上展示，并将出现在会议记录中。
教机器人观察、理解和行动
与 ChatGPT 和 Gemini 等熟悉的大型语言模型 (LLM) 不同，该团队专注于机器人技术中使用的人工智能系统。这些系统被称为视觉语言动作（VLA）模型。他们通过结合视觉和身体运动来扩展法学硕士的能力。
VLA 模型接收来自摄像机的视觉数据和来自语言的指令，然后将这些信息转化为现实世界的动作。例如，他们可以控制机器人的轮子、手臂或手指来完成任务。
为什么传统人工智能难以完成简单的任务
传统的 VLA 系统严重依赖数据和试错学习。如果机器人被要求将方块堆积成塔，它必须首先分析场景，识别每个方块，并确定如何正确放置它们。
这个过程经常会导致错误。阴影可能会使系统对块的形状感到困惑，或者机器人可能会错误地放置块，导致结构倒塌。
这些错误与法学硕士中出现的问题类似。正如机器人可能会放错方块一样，聊天机器人也可能会生成错误或误导性的输出。例如捏造法律案件或制作带有不切实际细节（例如多余手指）的图像。
符号推理如何提高准确性和效率
符号推理提供了不同的策略。它不只依赖数据中的模式，而是使用规则和抽象概念，例如形状和平衡。这使得系统能够更有效地进行计划并避免不必要的试错。
“与法学硕士一样，VLA 模型根据类似场景的大型训练集的统计结果进行操作，但这可能会导致错误，”Scheutz 说。“神经符号 VLA 可以应用限制学习过程中试错次数的规则，并更快地找到解决方案。它不仅可以更快地完成任务，而且可以显着减少训练系统所花费的时间。”
益智测试取得优异成绩
研究人员使用河内塔难题测试了他们的系统，这是一个需要仔细规划的经典问题。
神经符号 VLA 的成功率高达 95%，而标准系统的成功率仅为 34%。当给出一个以前从未遇到过的更复杂的谜题版本时，混合系统仍然有 78% 的成功率。传统模型的每一次尝试都失败了。
训练时间也急剧减少。新系统只用了 34 分钟就学会了这项任务，而传统模型需要一天半多的时间。
培训和使用中大量节省能源
能源消耗也大幅减少。训练神经符号模型所需的能量仅为标准 VLA 系统的 1%。在运行过程中，它仅使用传统方法所需能源的 5%。
舒茨将这种低效率与日常人工智能工具进行了比较。“这些系统只是试图预测序列中的下一个单词或动作，但这可能是不完美的，它们可能会得出不准确的结果或幻觉。它们的能源消耗通常与任务不成比例。例如，当您在 Google 上搜索时，页面顶部的 AI 摘要消耗的能源比生成网站列表的能源多 100 倍。”
人工智能对电力基础设施的压力日益增大
随着人工智能在各行业的加速采用，对计算能力的需求持续攀升。公司正在建设越来越大的数据中心，其中一些需要数百兆瓦的电力。这个消费水平可以超过整个小城市的需求。
这一趋势引发了基础设施扩建竞赛，引发了人们对长期能源限制的担忧。
更可持续的人工智能之路
研究人员认为，目前基于法学硕士和 VLA 的方法从长远来看可能不可持续。虽然这些系统功能强大，但它们消耗大量能量，并且仍然会产生不可靠的结果。
相比之下，神经符号人工智能提供了不同的方向。通过将学习与结构化推理相结合，它可以为未来的人工智能系统提供更高效、更可靠的基础。