Энергопотребление систем ИИ и центров обработки данных в США значительно. По оценкам Международного энергетического агентства, в 2024 году на их долю приходилось более 10% национального энергопотребления, и к 2030 году этот показатель может удвоиться. Для решения этой проблемы исследователи из Инженерной школы разработали концептуальное подтверждение эффективной системы ИИ, которая может потреблять в 100 раз меньше энергии, чем существующие системы, при этом обеспечивая более точные результаты.

Этот метод, разработанный в лаборатории профессора прикладных технологий семьи Каrol Маттиаса Шойца, использует нейросимволический ИИ, сочетающий традиционные нейронные сети с символическими рассуждениями, имитируя способ, которым человек разбивает задачи на части. Исследование будет представлено в мае на Международной конференции по робототехнике и автоматизации в Вене и уже опубликовано в материалах конференции и на сервере препринтов arXiv.

Команда Шойца сосредоточена на взаимодействии роботов с людьми, поэтому использует модели «зрение-язык-действие» (VLA), а не экранные большие языковые модели (LLM). Модели VLA расширяют возможности LLM, обладая зрительными и моторными способностями: они получают входные данные с камеры и через язык, чтобы генерировать действия в реальном мире, например, перемещение частей робота.

Традиционные подходы VLA ресурсоемки и могут приводить к ошибкам, например, к неправильному определению формы или неправильному размещению блоков в задаче по их укладке. Символические рассуждения, основанные на правилах и абстрактных категориях, обеспечивают более эффективные стратегии планирования. Шойц говорит: «Нейросимволические VLA могут применять правила, ограничивая количество проб и ошибок в процессе обучения и находя решения быстрее. Они не только выполняют задачи намного быстрее, но и время обучения системы значительно сокращается».

В тестах нейросимволическая система VLA достигла 95% успеха в стандартной головоломке «Ханойская башня», в то время как стандартная VLA — 34%. Для более сложной, неподготовленной версии нейросимволическая система показала успех 78%, тогда как стандартная VLA не справилась. Обучение нейросимволической системы заняло всего 34 минуты, потребовав 1% энергии, необходимой для обучения модели VLA, а энергопотребление при работе составило лишь 5% от VLA.

По мере роста спроса на ИИ и увеличения энергопотребления центров обработки данных исследователи считают, что нынешние LLM и VLA, возможно, не являются правильной основой для энергоэффективного ИИ. Они предлагают, что гибридный нейросимволический ИИ может обеспечить более устойчивый и надежный путь для решения проблем, связанных с ограниченностью ресурсов.

Данные публикации: Автор: Майк Сильвер, Университет Тафтса; Название: «Нейросимволический ИИ может резко сократить энергопотребление, значительно повысив производительность»; Опубликовано в: «arXiv» (2026).