Prispevek na spletnem portalu univerze Tufts v rubriki News avtorja Mikea Silverja predstavlja napredek raziskovalcev z Univerze Tufts, ki so razvili novo obliko nevro-simbolne umetne inteligence za robote. Ta inovativni pristop združuje tradicionalne nevronske mreže s procesi logičnega sklepanja, kar omogoča strojem boljše razumevanje nalog in pravil. Glavna prednost tega modela je izjemna energetska učinkovitost, saj porabi do stokrat manj energije kot običajni sistemi. Poleg manjše porabe raziskave dokazujejo, da so takšni sistemi pri izvajanju zapletenih nalog precej natančnejši in hitrejši za učenje. Avtorji poudarjajo, da bi ta hibridni model lahko rešil težave trajnosti v industriji, ki se sooča z ogromno porabo električne energije v podatkovnih centrih. S tem se odpira pot do zanesljivejše umetne inteligence, ki deluje bolj podobno človeškemu razmišljanju.
Sledi povzetek prispevka o energetsko učinkoviti nevro-simbolni umetni inteligenci.
Pregled energetsko učinkovite nevro-simbolne UI
Raziskovalci na Fakulteti za inženirstvo pod vodstvom profesorja Matthiasa Scheutza so razvili dokaz koncepta (proof-of-concept) nevro-simbolne umetne inteligence (UI). Sistem je zasnovan za drastično zmanjšanje porabe energije ob hkratnem izboljšanju natančnosti, s čimer naslavlja nevzdržne energetske zahteve trenutnih podatkovnih centrov in modelov UI.
Energetski izziv
- Trenutna poraba: V letu 2024 so sistemi UI in podatkovni centri v ZDA porabili približno 415 teravatnih ur energije, kar predstavlja več kot 10 % celotne nacionalne proizvodnje električne energije.
- Projekcije: Pričakuje se, da se bo povpraševanje po energiji za te sisteme do leta 2030 podvojilo.
- Neučinkovitost: Trenutni veliki jezikovni modeli (LLM) in modeli vizualno-jezikovnega ukrepanja (VLA) pogosto porabijo nesorazmerno veliko energije za preprosta opravila; povzetki, ki jih generira UI pri iskanju v Googlu, lahko porabijo do 100-krat več energije kot generiranje standardnih seznamov spletnih mest.
Inovacija: Nevro-simbolna UI
Raziskovalci so prešli s čisto statističnih modelov na hibridni “nevro-simbolni” pristop:
- Hibridna arhitektura: Združuje konvencionalne nevronske mreže (statistično učenje) s simbolnim sklepanjem (uporaba abstraktnih pravil in kategorij).
- Modeli VLA: Raziskava se osredotoča na modele vizualno-jezikovnega ukrepanja za robotiko, ki vizualne podatke s kamer in jezikovne ukaze pretvarjajo v fizično premikanje (kolesa, noge, roke).
- Učenje na podlagi logike: Za razliko od standardnih modelov VLA, ki se zanašajo na metodo poskusov in napak, nevro-simbolni sistemi uporabljajo pravila, ki omejujejo število napak in omogočajo posploševanje strategij načrtovanja na podlagi fizikalnih zakonov (npr. težišče).
Primerjalni kazalniki uspešnosti
V testih z uporabo uganke Hanojski stolp je nevro-simbolni sistem bistveno premagal standardne modele VLA:
- Standardne naloge: 95-odstotna uspešnost nevro-simbolne UI v primerjavi s 34-odstotno pri standardnih modelih VLA.
- Neznane kompleksne naloge: 78-odstotna uspešnost nevro-simbolne UI, medtem ko so standardni modeli VLA spodleteli pri vseh poskusih.
Učinkovitost usposabljanja in delovanja
Hibridni model izkazuje masivno zmanjšanje potrebnih virov:
- Čas usposabljanja: Skrajšan z več kot 36 ur (pri standardnih modelih) na le 34 minut.
- Energija za usposabljanje: Nevro-simbolni model je porabil le 1 % energije, potrebne za usposabljanje standardnega modela VLA.
- Energija pri izvajanju: Med izvajanjem nalog je sistem porabil le 5 % energije, ki bi jo potrebovali konvencionalni pristopi.
Zaključek
Študija ugotavlja, da trenutne arhitekture LLM in VLA morda niso primerna podlaga za energetsko učinkovito in zanesljivo UI, saj trčijo ob omejitve virov. Raziskovalci predlagajo hibridno nevro-simbolno UI kot bolj trajnostno in zanesljivo pot za prihodnji razvoj industrije.
Povzetek prispevka kot predstavitev z zdrski.