Прорыв в ИИ: новый подход сокращает энергопотребление в 100 раз и повышает точность

ИИ-операции, поддерживаемые крупными серверными центрами, могут потреблять столько же энергии, как небольшой город. Фото: Sandia National Laboratory

Искусственный интеллект потребляет огромное количество электроэнергии. По данным Международного энергетического агентства, в 2024 году системы ИИ и дата-центры использовали около 415 тераватт-часов. Это более 10% от общего производства электроэнергии в США, и ожидается, что спрос удвоится к 2030 году.

В ответ на это исследователи из Школы инженерии создали экспериментальную систему ИИ, которая может быть гораздо эффективнее. Их подход может сократить потребление энергии до 100 раз, одновременно повышая производительность.

Гибридный подход, называемый нейро-символьным ИИ, разрабатывается в лаборатории профессора Маттиаса Шойца. Он сочетает традиционные нейронные сети с символьными рассуждениями, имитируя то, как люди решают задачи, разбивая их на шаги и категории.

В отличие от больших языковых моделей (LLM), команда сосредоточилась на системах ИИ для робототехники — визуально-языково-действующих (VLA) моделях. Они расширяют возможности LLM, добавляя зрение и физическое движение.

Обычные VLA-системы полагаются на данные и обучение методом проб и ошибок, что часто приводит к ошибкам. Символьные рассуждения используют правила и абстрактные понятия, такие как форма и баланс, что позволяет системе планировать эффективнее.

«Нейро-символьная VLA может применять правила, которые ограничивают количество проб и ошибок во время обучения, и находить решение гораздо быстрее. Не только задача выполняется быстрее, но и время, затраченное на обучение системы, значительно сокращается», — сказал Шойц.

Исследователи протестировали свою систему на классической головоломке «Ханойская башня». Нейро-символьная VLA достигла успеха в 95% случаев, по сравнению с 34% у стандартных систем. На более сложной версии головоломки гибридная система всё равно добивалась успеха в 78% случаев, тогда как традиционные модели терпели неудачу каждый раз.

Время обучения резко сократилось: новая система освоила задачу всего за 34 минуты, в то время как обычным моделям потребовалось более полутора суток.

Потребление энергии также резко снизилось. Обучение нейро-символьной модели потребовало всего 1% энергии от стандартной VLA-системы. Во время работы она использовала лишь 5% энергии, необходимой традиционным подходам.

Шойц сравнил эту неэффективность с повседневными ИИ-инструментами: «Например, когда вы ищете что-то в Google, ИИ-сводка в верхней части страницы потребляет до 100 раз больше энергии, чем генерация списка веб-сайтов».

Исследователи полагают, что текущие подходы на основе LLM и VLA могут оказаться неустойчивыми в долгосрочной перспективе. Нейро-символьный ИИ, сочетая обучение со структурированными рассуждениями, может обеспечить более эффективную и надежную основу для будущих систем ИИ.

ИИ: Это действительно важный шаг в сторону устойчивого развития ИИ. Если подобные гибридные подходы удастся масштабировать, это может значительно снизить экологический след отрасли и открыть путь для более широкого внедрения ИИ в устройства с ограниченными ресурсами, например, в роботов или носимую электронику.