Neuro-simbolička AI: 100x manje struje, više logike

Matthias Scheutz i njegov tim s Tufts Universityja nisu samo smanjili potrošnju energije ai sustava za 100 puta — uspjeli su to učiniti dok su istovremeno podigli točnost. Rješenje leži u hibridnom pristupu koji spaja neuronske mreže s ljudskim načinom razmišljanja, odnosno simboličkim zaključivanjem.

Umjesto da se roboti oslanjaju na grube pokušaje i pogreške, novi neuro-simbolički modeli primjenjuju pravila slična onima koja ljudi koriste pri rješavanju problema. Istraživanje objavljeno na ScienceDailyju fokusirano je na vizualno-jezično-akcijske (vla) modele, ključne za robotiku, a ne na velike jezične modele (llm) koji dominiraju medijskim naslovima.

Ai sustavi trenutno troše oko 10% ukupne električne energije u SAD-u, a do 2030. očekuje se udvostručenje potražnje. Problem nije samo energetski — brute-force pristup često dovodi do grešaka, poput halucinacija u llm-ovima ili nepreciznog slaganja blokova kod robota.

Scheutzov tim pokazao je da se kombinacijom neuronskih mreža i simboličkog zaključivanja može postići veća točnost uz drastično manju potrošnju. Podaci Međunarodne agencije za energiju potvrđuju da je energetska učinkovitost ai-a postala kritično pitanje za održivost industrije.

Ključna razlika u odnosu na prethodne pokušaje leži u tome što neuro-simbolički pristup ne žrtvuje fleksibilnost neuronskih mreža.

Iako su rezultati impresivni, ostaje pitanje koliko će brzo ovaj pristup biti usvojen u industriji. Trenutno su vla modeli još uvijek u ranoj fazi razvoja, a većina kompanija i dalje se oslanja na tradicionalne neuronske mreže zbog njihove jednostavnosti implementacije.

Analiza objavljena na arXivu sugerira da bi tranzicija na neuro-simboličke sustave mogla zahtijevati značajna ulaganja u infrastrukturu i obrazovanje kadrova. To znači da će prvi korisnici vjerojatno biti velike tehnološke kompanije ili istraživački instituti s dovoljno resursa za eksperimentiranje.

Još jedna prepreka je činjenica da se većina ai razvoja trenutno fokusira na llm-ove, a ne na robotiku. Iako Scheutzov tim cilja na vla modele, njihova tehnologija mogla bi naći primjenu i u drugim područjima, poput optimizacije logističkih sustava ili autonomnih vozila.

Izjava s Tuftsa naglašava da je sljedeći korak demonstracija skalabilnosti rješenja u stvarnim uvjetima, a ne samo u laboratorijskim testovima. Pravi test za ovu tehnologiju bit će kako će se nositi s realnim scenarijima gdje su podaci nepotpuni ili nepredvidivi.

Ako neuro-simbolički pristup uspije zadržati obećanu učinkovitost i točnost, mogao bi postati standard za energetski osviještene ai sustave.