Dirbtinio intelekto (DI) sistema, sukurta tyrėjų grupės, gali sumažinti energijos suvartojimą net 100 kartų, tuo pačiu pagerindama veikimą. Ši naujovė, remiasi neuro-simboliniu požiūriu, kuris derina tradicinius neuroninius tinklus su simboliniu mąstymu, ir gali tapti tvaria alternatyva esamoms DI sistemoms.
Energijos suvartojimo problema
Dirbtinis intelektas JAV šiuo metu naudoja didžiulius energijos kiekius, sudarančius daugiau nei 10% šalies elektros energijos gamybos. Tarptautinė energijos agentūra praneša, kad DI sistemos ir duomenų centrai 2024 metais suvartojo apie 415 teravatvalandžių energijos. Šis poreikis sparčiai auga, ir numatoma, kad iki 2030 metų jis padvigubės.
Neuro-simbolinis požiūris
Matthias Scheutz, Karol Family Applied Technology profesorius, ir jo komanda sukūrė naują DI sistemą, vadinamą neuro-simboliniu DI. Ši sistema atspindi žmonių problemų sprendimo būdą, išskaidydama problemas į žingsnius ir kategorijas. Tyrėjai teigia, kad šis metodas gali sumažinti energijos suvartojimą iki 100 kartų ir pagerinti užduočių atlikimo efektyvumą.
Robotiškos sistemos tobulinimas
Palyginti su tradiciniais dideliais kalbos modeliais, neuro-simbolinis požiūris orientuojasi į robotikos sistemas, žinomas kaip vizualinės kalbos veiksmų (VLA) modeliai. Šie modeliai apdoroja vizualinius duomenis iš kamerų ir kalbinius nurodymus, paversdami juos realiais veiksmais, pavyzdžiui, robotų ratų, rankų ar pirštų valdymu.
Kodėl tradicinis DI susiduria su sunkumais?
Įprasti VLA modeliai remiasi duomenimis ir bandymų bei klaidų mokymusi. Pavyzdžiui, jei robotui pavesta sudėti blokus į bokštą, jis turi analizuoti sceną ir nustatyti, kaip teisingai juos sudėti. Dažnai tai sukelia klaidų, pavyzdžiui, šešėliai gali suklaidinti sistemą apie bloko formą.
Simbolinio mąstymo nauda
Simbolinis mąstymas siūlo kitokią strategiją. Jis naudoja taisykles ir abstrakčius konceptus, tokius kaip forma ir pusiausvyra, leidžiančius sistemai planuoti veiksmus efektyviau ir išvengti nereikalingų bandymų. Scheutz teigia: „Neuro-simbolinis VLA gali taikyti taisykles, kurios riboja bandymų ir klaidų kiekį mokymosi procese.“ Tai ne tik pagreitina užduoties atlikimą, bet ir ženkliai sumažina mokymosi laiką.
Pasiekimai ir energijos taupymas
Tyrėjai išbandė savo sistemą, naudodami Hano bokšto užduotį, pasiekdami 95% sėkmės rodiklį, palyginti su 34% tradicinių sistemų. Be to, energijos suvartojimas treniruotės metu sumažėjo iki 1% standartinės VLA sistemos energijos. Veikimo metu ji sunaudojo tik 5% energijos, palyginti su įprastais metodais.
Ilgalaikiai DI iššūkiai
Didėjantis DI pritaikymas visose pramonės šakose sukelia nuolatinį kompiuterinės galios poreikio augimą. Tai kelia susirūpinimą dėl ilgalaikių energijos išteklių apribojimų ir tvarumo. Tyrėjai mano, kad neuro-simbolinis DI siūlo perspektyvą, kuri gali tapti tvaria ir patikima DI sistemų ateitimi.
