塔夫茨大学的研究人员近日推出了一种全新的人工智能架构，将神经网络与类人的符号推理相结合，有望将能耗降低 100 倍。这一突破为现代人工智能日益增长的电力需求提供了一种解决方案——目前，人工智能的电力消耗已占美国总发电量的 10% 以上。
传统人工智能模型依赖于“暴力”统计预测，这种方法不仅能耗极高，而且容易出错。该系统由塔夫茨大学应用技术教授马蒂亚斯·舒茨（Matthias Scheutz）的实验室开发，通过整合逻辑规则来指导决策。这种方法模拟了人类解决问题的过程，将复杂任务拆解为可控的步骤。
机器人技术的混合路径
研究团队将研究重点放在了用于控制物理机器人的视觉-语言-动作（VLA）模型上。与标准的大型语言模型不同，这些系统必须解读来自摄像头的视觉数据，并将这些信息转化为物理动作，例如操作机械手或机械臂。
传统的 VLA 模型往往难以处理简单的任务。它们依赖海量数据集和试错学习来识别物体，这经常导致机械故障或对环境的误判。舒茨认为，这些系统目前所具备的“预测性”本质上效率低下且容易产生误差。
“神经符号 VLA 可以应用规则来限制学习过程中的试错次数，从而更快地找到解决方案，”舒茨表示，“它不仅能更快地完成任务，而且系统训练所需的时间也大幅缩短。”
在以“汉诺塔”谜题进行的性能测试中，该混合系统的成功率达到了 95%，而标准模型仅为 34%。当面对更复杂的新型谜题变体时，神经符号系统的成功率仍有 78%，而传统模型则全部以失败告终。
这种效率的提升也延伸到了开发所需的计算资源上。训练该新模型所需的能源仅为标准 VLA 系统的 1%。在实际运行中，该模型的功耗也仅为传统人工智能架构的 5%。
研究团队将于今年 5 月在维也纳举行的国际机器人与自动化会议上展示他们的研究成果。研究人员相信，通过减少对海量、高能耗训练集的依赖，他们的工作为机器人技术的未来提供了一条更可持续的发展路径。
