Искусственный интеллект потребляет в Соединенных Штатах огромное количество электроэнергии. По данным Международного энергетического агентства, системы ИИ и центры обработки данных потребили около 415 тераватт-часов электроэнергии в 2024 году. Это составляет более 10% от общего объема производства электроэнергии в стране, и прогнозируется, что спрос удвоится к 2030 году.
Этот стремительный рост вызвал опасения по поводу устойчивого развития. В ответ на это исследователи из инженерного факультета создали экспериментальную систему искусственного интеллекта, разработанную для значительно большей эффективности. Их подход может сократить потребление энергии до 100 раз, одновременно повышая производительность при выполнении задач.
Гибридный подход, называемый нейросимволическим искусственным интеллектом.
Исследование проводится в лаборатории Маттиаса Шойца, профессора прикладных технологий имени семьи Кароль. Его команда разрабатывает нейросимволический ИИ, который сочетает традиционные нейронные сети с символическим мышлением. Этот метод имитирует подход людей к решению проблем, разбивая их на этапы и категории.
Результаты работы будут представлены на Международной конференции по робототехнике и автоматизации в Вене в мае и будут опубликованы в сборнике трудов конференции.
Обучение роботов видеть, понимать и действовать.
В отличие от таких распространенных больших языковых моделей (LLM), как ChatGPT и Gemini, команда фокусируется на системах искусственного интеллекта, используемых в робототехнике. Эти системы известны как модели визуально-языково-действенный (VLA). Они расширяют возможности LLM, включая в себя зрение и физические движения.
Модели VLA получают визуальные данные с камер и инструкции на языке, а затем преобразуют эту информацию в действия, соответствующие реальному миру. Например, они могут управлять колесами, манипуляторами или пальцами робота для выполнения задачи.
Почему традиционный ИИ испытывает трудности с простыми задачами
Традиционные системы VLA в значительной степени полагаются на данные и обучение методом проб и ошибок. Если роботу поручено складывать блоки в башню, он должен сначала проанализировать сцену, идентифицировать каждый блок и определить, как правильно их разместить.
Этот процесс часто приводит к ошибкам. Тени могут сбить систему с толку относительно формы блока, или робот может неправильно разместить детали, что приведет к обрушению конструкции.
Эти ошибки похожи на проблемы, наблюдаемые в программах магистратуры. Подобно тому, как роботы могут неправильно размещать блоки, чат-боты могут выдавать ложные или вводящие в заблуждение результаты. Примерами могут служить фальсификация судебных дел или создание изображений с нереалистичными деталями, такими как лишние пальцы.
Как символическое рассуждение повышает точность и эффективность
Символическое мышление предлагает иную стратегию. Вместо того чтобы полагаться только на закономерности в данных, оно использует правила и абстрактные понятия, такие как форма и равновесие. Это позволяет системе планировать более эффективно и избегать ненужных проб и ошибок.
«Как и модели LLM, модели VLA работают на основе статистических результатов, полученных из больших обучающих наборов данных по схожим сценариям, но это может привести к ошибкам», — сказал Шойц. «Нейросимволическая модель VLA может применять правила, которые ограничивают количество проб и ошибок в процессе обучения и позволяют гораздо быстрее найти решение. Она не только выполняет задачу намного быстрее, но и значительно сокращает время, затрачиваемое на обучение системы».
Отличные результаты в тестах-головоломках.
Исследователи протестировали свою систему, используя головоломку «Ханойская башня» — классическую задачу, требующую тщательного планирования.
Нейросимволическая система VLA достигла 95% успеха, по сравнению с всего 34% у стандартных систем. При решении более сложной версии головоломки, с которой она ранее не сталкивалась, гибридная система всё равно добивалась успеха в 78% случаев. Традиционные модели терпели неудачу во всех попытках.
Время обучения также резко сократилось. Новая система освоила задачу всего за 34 минуты, в то время как традиционным моделям требовалось более полутора дней.
Значительная экономия энергии при обучении и использовании.
Потребление энергии также значительно снизилось. Для обучения нейросимволической модели требовалось всего 1% энергии, потребляемой стандартной системой VLA. Во время работы она потребляла всего 5% энергии, необходимой при использовании традиционных подходов.
Шойц сравнил эту неэффективность с обычными инструментами искусственного интеллекта. «Эти системы просто пытаются предсказать следующее слово или действие в последовательности, но это может быть несовершенно, и они могут выдавать неточные результаты или галлюцинации. Их энергозатраты часто несоразмерны задаче. Например, когда вы ищете в Google, сводка, созданная с помощью ИИ, вверху страницы потребляет до 100 раз больше энергии, чем генерация результатов поиска на веб-сайте».
Растущее давление искусственного интеллекта на энергетическую инфраструктуру
По мере ускорения внедрения ИИ в различных отраслях спрос на вычислительные мощности продолжает расти. Компании строят все более крупные центры обработки данных, некоторым из которых требуются сотни мегаватт электроэнергии. Такой уровень потребления может превышать потребности целых небольших городов.
Эта тенденция спровоцировала гонку за расширением инфраструктуры, что вызывает опасения по поводу долгосрочных ограничений в энергоснабжении.
Более устойчивый путь развития ИИ
Исследователи предполагают, что существующие подходы, основанные на LLM и VLA, могут оказаться нежизнеспособными в долгосрочной перспективе. Хотя эти системы и являются мощными, они потребляют большое количество энергии и могут давать ненадежные результаты.
В противоположность этому, нейросимволический ИИ предлагает иное направление. Сочетая обучение со структурированным рассуждением, он может обеспечить более эффективную и надежную основу для будущих систем ИИ.
Источник: www.sciencedaily.com
