O abordare neuro‑simbolică promite să reducă consumul de energie al AI cu până la 100× și să îmbunătățească acuratețea

Sursa foto: Sciencedaily

O provocare energetică în creștere pentru inteligența artificială

Creșterea rapidă a utilizării inteligenței artificiale a adus în prim‑plan o problemă tot mai stringentă: consumul uriaș de energie. Datele Agenției Internaționale pentru Energie arată că sistemele AI și centrele de date au utilizat aproximativ 415 terawați‑oră în 2024, reprezentând peste 10% din producția totală de electricitate a Statelor Unite, iar această cerere este estimată să se dubleze până în 2030.

Pe fondul îngrijorărilor privind sustenabilitatea și limita capacității infrastructurilor energetice, cercetătorii din cadrul unei școli de inginerie au propus o alternativă radical diferită față de modelele brute și extrem de costisitoare din punct de vedere energetic, folosite astăzi: o combinație între rețele neuronale și raționament simbolic, denumită neuro‑simbolică.

Ce este neuro‑simbolicul și de ce contează

Abordarea dezvoltată în laboratorul condus de Matthias Scheutz, profesor Karol Family Applied Technology, combină puterea generală a rețelelor neuronale cu raționamentul simbolic, similar pașilor logici pe care îi folosesc oamenii atunci când rezolvă probleme. În loc să se bazeze exclusiv pe învățare prin încercare și eroare și pe estimări statistice generate de seturi vaste de date, sistemul încorporează reguli și concepte abstracte — cum ar fi forma și echilibrul — pentru a planifica și a evita erori inutile.

Această formulă este aplicată în special în domeniul roboticii, în contextul sistemelor vizual‑lingvistice‑de‑acțiune (VLA – visual‑language‑action). Modelele VLA extind capabilitățile modelelor de limbaj mari prin adăugarea percepției vizuale și a controlului fizic: ele integrează imagini și instrucțiuni lingvistice pentru a genera acțiuni în lumea reală, cum ar fi mișcarea roților, a brațelor sau a degetelor unui robot pentru a îndeplini o sarcină.

De ce modelele convenționale întâmpină dificultăți

Sistemele VLA uzuale se bazează pe volume enorme de date și pe strategii de învățare prin încercare și eroare. Aceasta poate conduce la rezultate imprevizibile: umbrele dintr‑o imagine pot deruta recunoașterea formei unui obiect, iar o plasare greșită a unei piese poate face o construcție să se prăbușească. Problemele se aseamănă cu „halucinațiile” generate de modelele de limbaj mare — producerea de informații false sau inexacte, uneori plauzibile la prima vedere.

Prin contrast, raționamentul simbolic oferă un set de reguli care restrâng domeniul posibilelor erori și permit planificarea pe pași mai clari, reducând necesarul de încercări și corecții.

Rezultate notabile în teste de planificare

Echipa a testat sistemul neuro‑simbolic pe celebrul puzzle Turnul din Hanoi, o problemă clasică care solicită planificare atentă pe mai multe etape. Comparativ cu sistemele convenționale VLA, rezultatele au fost semnificative:

Modelul neuro‑simbolic a obținut o rată de succes de 95% în versiunea standard a puzzle‑ului, în timp ce sistemele tradiționale au reușit doar 34%. Când a fost supus unei versiuni mai complexe a puzzle‑ului, necunoscute anterior sistemului, abordarea hibridă a reușit în 78% din cazuri, în timp ce modelele convenționale au eșuat în toate încercările.

Pe lângă acuratețea superioară, diferențele în timpul de instruire au fost remarcabile: noul sistem a învățat sarcina în doar 34 de minute, pe când modelele standard au avut nevoie de mai mult de o zi și jumătate pentru a atinge performanțe similare.

Reduceri masive ale consumului de energie

Una dintre cele mai importante descoperiri este scăderea dramatică a consumului de energie. Antrenarea modelului neuro‑simbolic a necesitat doar 1% din energia utilizată de un sistem VLA convențional, iar în timpul funcționării acesta a consumat doar 5% din energia necesară abordărilor tradiționale. Astfel, cercetătorii estimează reduceri ale consumului de energie de până la 100 de ori, în funcție de scenariu.

Matthias Scheutz explică contrapunctul față de modul în care funcționează multe instrumente AI comerciale: „Aceste sisteme încearcă să prezică următorul cuvânt sau acțiune dintr‑o secvență, dar acea predicție poate fi imperfectă și poate genera rezultate inexacte sau halucinații. Cheltuiala lor energetică este adesea disproporționată față de sarcină. De exemplu, când cauți ceva pe Google, sumarul AI afișat în vârful paginii poate consuma de până la 100 de ori mai multă energie decât generarea listelor de site‑uri.”

Implicații pentru infrastructură și sustenabilitate

Pe măsură ce adopția AI se extinde în industrii variate, cererea pentru putere de calcul continuă să crească, iar companiile construiesc centre de date din ce în ce mai mari, unele necesitând sute de megawați. Un astfel de consum poate depăși necesarul energetic al unor orașe mici sau medii, generând o cursă pentru extinderea infrastructurii electrice și ridicând întrebări despre limitele pe termen lung ale resurselor energetice.

În acest context, abordările care scad semnificativ consumul energetic, păstrând sau chiar îmbunătățind acuratețea, oferă o cale viabilă pentru dezvoltarea AI sustenabilă. Cercetătorii subliniază că, deși modelele LLM și VLA oferă putere și flexibilitate, dependența lor de procesare intensivă și blocurile de date masive ar putea să nu fie sustenabile pe termen lung fără inovații care să reducă costurile energetice.

Unde va fi prezentată lucrarea și cum poate fi urmărită

Rezultatele acestei echipe de cercetare vor fi prezentate la Conferința Internațională de Robotică și Automatizare (International Conference of Robotics and Automation) ce va avea loc la Viena în luna mai și vor apărea în lucrările conferinței. Studiul științific care documentează metoda și rezultatele este semnat de Timothy Duggan, Pierrick Lorang, Hong Lu și Matthias Scheutz, sub titlul original în engleză The Price Is Not Right: Neuro‑Symbolic Methods Outperform VLAs on Structured Long‑Horizon Manipulation Tasks with Significantly Lower Energy Consumption.

Pentru detalii tehnice și textul complet al lucrării, este disponibilă versiunea de preprint pe arXiv: Versiunea preprint a studiului pe arXiv. De asemenea, o prezentare a descoperirii a fost publicată pe portalul de știri științifice ScienceDaily, care semnalează implicările asupra consumului energetic al AI și beneficiile abordării propuse.

Perspective și limitări

Rezultatele experimentale obținute pe testul Turnul din Hanoi arată un potențial clar al integrării raționamentului simbolic cu rețelele neuronale în sisteme robotice. Totuși, este important de reținut că testele prezentate sunt de tip proof‑of‑concept și se referă la sarcini structurate de manipulare pe orizont lung. Extinderea acestei abordări la un spectru mai larg de aplicații VLA, la scenarii cu complexitate și variabilitate mai mare, urmează să fie evaluată în studii ulterioare.

De asemenea, implementarea practică la scară largă, integrarea în fluxuri industriale existente și compatibilitatea cu arhitecturile curente de centre de date reprezintă provocări care vor necesita adaptări tehnologice și evaluări aprofundate pentru a cuantifica beneficiile energetice în medii operaționale reale.

O direcție alternativă pentru viitorul AI

Pe măsură ce comunitatea de cercetare și industria discută cum să gestioneze creșterea cererii de energie pentru AI, rezultatele obținute de echipa lui Scheutz sugerează că hibridarea învățării statistice cu raționamentul simbolic poate oferi un drum promițător. Combinația pare să reducă nu doar costurile energetice, ci și volumul de date și timpul de antrenare necesare pentru a obține performanțe robuste în sarcini de planificare și acțiune.

Dacă aceste rezultate se confirmă în aplicații practice mai diverse, tranziția către arhitecturi neuro‑simbolice ar putea contribui la dezvoltarea unor sisteme AI mai eficiente, mai rapide în învățare și mai puțin consumatoare de resurse, oferind o alternativă la dependența actuală de modele extrem de costisitoare din punct de vedere energetic.

Studiul citat și nota legată de impactul energetic al AI subliniază importanța unei direcții de cercetare care să pună egal accent pe performanță și pe eficiența utilizării resurselor, într‑un moment în care infrastructura energetică și preocupările pentru mediu devin factori decisivi în adoptarea tehnologiilor emergente.