人工智能正在消耗美国大量的电力资源。根据国际能源署的数据2024年AI系统与数据中心共消耗约415太瓦时的电力占全美总发电量的10%以上而这一需求预计到2030年将翻倍。这种快速增长引发了外界对可持续发展的担忧。为此某工程学院的研究人员开发了一套概念验证AI系统旨在大幅提升能效。他们的方法最多可将能耗降低100倍同时提升任务执行的准确性。神经符号AI一种混合方法这项研究来自Matthias Scheutz教授领导的实验室他是Karol家族应用技术教席教授。其团队正在开发神经符号AI将传统神经网络与符号推理相结合。这种方法模拟了人类解决问题的方式——将问题拆解为步骤和类别逐一处理。相关研究成果将于今年5月在维也纳举办的国际机器人与自动化大会上发布并收录于大会论文集中。让机器人学会感知、理解与行动与ChatGPT、Gemini等我们熟悉的大语言模型不同该团队专注于机器人领域所使用的AI系统即视觉-语言-动作模型VLA模型。这类模型在大语言模型的基础上扩展了视觉感知与物理运动能力。VLA模型接收来自摄像头的视觉数据与语言指令并将这些信息转化为现实中的具体动作例如控制机器人的轮子、手臂或手指来完成特定任务。传统AI为何在简单任务上屡屡出错传统VLA系统高度依赖大量数据和反复试错的学习方式。以将积木堆成塔为例机器人必须先分析场景、识别每块积木再判断如何正确放置。这一过程容易出错。阴影可能让系统对积木形状产生误判或者机器人放错位置导致结构倒塌。这类错误与大语言模型中常见的问题如出一辙。正如机器人会放错积木聊天机器人也可能生成虚假或误导性的内容例如捏造法律案例或生成带有多余手指等不合实际细节的图像。符号推理如何提升准确率与效率符号推理提供了一种不同的思路。它不单纯依赖数据中的统计规律而是运用形状、平衡等抽象概念和规则来进行推理从而更有效地规划行动避免不必要的试错。与大语言模型一样VLA模型依据大量同类场景训练集的统计结果来执行动作但这可能导致错误Scheutz说神经符号VLA能够运用规则来限制学习过程中的试错次数更快找到解决方案。它不仅能更快完成任务还能显著缩短系统训练所需的时间。汉诺塔测试中的亮眼表现研究人员使用汉诺塔谜题对系统进行了测试这是一道需要缜密规划的经典问题。神经符号VLA的成功率高达95%而标准系统仅为34%。面对从未遇到过的更复杂版本谜题时混合系统的成功率仍达78%而传统模型则全部失败。训练时间也大幅缩短。新系统仅用34分钟便完成了任务学习而传统模型则需要超过一天半的时间。训练与运行阶段的巨大节能效果能耗方面的降幅同样令人瞩目。训练神经符号模型所需的能量仅为标准VLA系统的1%运行时的能耗也只有传统方案的5%。Scheutz将这种低效现象与日常AI工具进行了类比这些系统只是在预测序列中的下一个词或动作但结果可能并不准确还会出现幻觉。它们的能耗往往与任务本身不成比例。举个例子当你在谷歌上搜索时页面顶部的AI摘要所消耗的能量最多是生成普通网页列表的100倍。AI对电力基础设施的压力持续攀升随着AI在各行各业的加速普及算力需求持续上涨。各大企业正在建设规模越来越大的数据中心部分设施的用电量高达数百兆瓦甚至超过一些中小城市的总用电量。这一趋势引发了基础设施扩张竞赛也引起了外界对长期能源供应能力的广泛忧虑。AI可持续发展的新路径研究人员认为目前以大语言模型和VLA为主导的AI发展路径从长远来看可能难以为继。尽管这些系统功能强大但它们消耗大量能源且仍可能产生不可靠的结果。相比之下神经符号AI提供了一个不同的发展方向。通过将学习能力与结构化推理相融合它有望为未来的AI系统提供一个更高效、更可靠的基础。QAQ1神经符号AI和普通大语言模型相比准确率有多大差距A在汉诺塔测试中神经符号VLA模型的成功率高达95%而传统标准系统仅为34%。面对从未见过的复杂谜题时神经符号系统成功率仍有78%传统模型则全部失败。这说明引入符号推理后系统的规划能力和泛化能力都得到了显著提升不再单纯依赖统计规律出错率大幅降低。Q2神经符号AI能节省多少能耗A节能效果非常显著。在训练阶段神经符号模型所需能量仅为传统VLA系统的1%在实际运行阶段能耗也只有传统方案的5%。总体而言最多可将能耗降低100倍。训练时间同样大幅缩短新系统只需34分钟完成学习而传统模型需要超过一天半的时间。Q3神经符号AI是怎么运作的和普通神经网络有什么区别A普通神经网络依靠大量数据进行统计学习通过反复试错找到答案。神经符号AI则在此基础上加入了符号推理利用形状、平衡等抽象规则来指导决策类似于人类解题时先分步骤、再行动的思维方式。这种组合让系统既能从数据中学习又能按规则推理从而减少错误、节省资源。