Chytřejší umělá inteligence řízená logikou by mohla snížit spotřebu energie až stonásobně a překonat dnešní nejvýkonnější systémy.
Umělá inteligence spotřebovává obrovské množství elektřiny. Podle Mezinárodní agentury pro energii využívaly systémy AI a datová centra v roce 2024 přibližně 415 terawatthodin energie. To představuje více než 10 % celkové výroby elektřiny v zemi a poptávka má do roku 2030 vzrůst na dvojnásobek.
Tento rychlý růst vyvolal obavy o udržitelnost. Jako reakci na tento problém vytvořili výzkumníci z tamní Fakulty strojního inženýrství proof-of-concept systém umělé inteligence navržený tak, aby byl mnohem efektivnější. Jejich přístup by mohl snížit spotřebu energie až stonásobně a zároveň zlepšit výkon při plnění úkolů.
Hybridní přístup zvaný neuro-symbolická AI
Výzkum pochází z laboratoře Matthiase Scheutze, profesora aplikovaných technologií. Jeho tým vyvíjí neuro-symbolickou AI, která kombinuje tradiční neuronové sítě se symbolickým uvažováním. Tato metoda odráží způsob, jakým lidé přistupují k problémům – jejich rozkladem na kroky a kategorie.
Na rozdíl od známých velkých jazykových modelů (LLM), jako jsou ChatGPT a Gemini, se tým zaměřuje na systémy AI využívané v robotice. Tyto systémy jsou označovány jako modely vizuálního jazyka a akcí (VLA). Rozšiřují schopnosti LLM o zrak a fyzický pohyb.
Modely VLA přijímají vizuální data z kamer a instrukce z jazyka a poté tyto informace převádějí do reálných akcí. Mohou například ovládat kolečka robota, jeho paže nebo prsty při plnění úkolů.
Konvenční systémy VLA se silně spoléhají na data a učení metodou pokus–omyl. Pokud je robot požádán, aby z kostek postavil věž, musí nejprve analyzovat scénu, identifikovat každou kostku a zjistit, jak je správně umístit.
Tento proces často vede k chybám. Stíny mohou systém zmást ohledně tvaru kostky nebo robot může díly umístit nesprávně, čímž způsobí zřícení stavby.
Tyto chyby jsou podobné problémům, které se vyskytují u LLM. Stejně jako roboti mohou chybně umístit kostky, mohou chatboti generovat nepravdivé nebo zavádějící výstupy. Příkladem je vymýšlení soudních případů nebo vytváření obrázků s nerealistickými detaily, jako jsou navíc přidané prsty.
Symbolické uvažování nabízí odlišnou strategii. Namísto spoléhání pouze na vzorce z dat využívá pravidla a abstraktní pojmy, jako jsou tvar a rovnováha. To systému umožňuje efektivněji plánovat a vyhnout se zbytečnému opakovanému zkoušení.
Výzkumníci testovali svůj systém pomocí hádanky Hanojská věž, což je klasický problém vyžadující pečlivé plánování.
Neuro-symbolický model VLA dosáhl úspěšnosti 95 %, oproti pouhým 34 % u standardních systémů. Při zadání složitější verze hádanky, se kterou se dříve nesetkal, byl hybridní systém úspěšný v 78 % případů. Tradiční modely neuspěly v žádném pokusu.
Výrazně se zkrátila také doba trénování. Nový systém se naučil úkol za pouhých 34 minut, zatímco konvenčním modelům trvalo učení déle než jeden a půl dne.
Obrovské úspory energie při trénování i provozu
Dramaticky se snížila také spotřeba energie. Trénování neuro-symbolického modelu vyžadovalo pouze 1 % energie spotřebované standardním systémem VLA. Při provozu spotřeboval jen 5 % energie potřebné pro konvenční přístupy.
S tím, jak se přijímání AI v různých odvětvích zrychluje, poptávka po výpočetním výkonu stále roste. Společnosti budují stále větší datová centra, z nichž některá vyžadují stovky megawattů elektřiny. Tato úroveň spotřeby může přesáhnout potřeby celých malých měst.
Tento trend vyvolal závody v rozšiřování infrastruktury a obavy z dlouhodobých energetických limitů.
Výzkumníci naznačují, že současné přístupy založené na LLM a modelech VLA nemusí být z dlouhodobého hlediska udržitelné. Přestože jsou tyto systémy výkonné, spotřebovávají velké množství energie a stále mohou přinášet nespolehlivé výsledky.
Neuro-symbolická AI naproti tomu nabízí odlišný směr. Kombinací učení se strukturovaným uvažováním může poskytnout efektivnější a spolehlivější základ pro budoucí systémy AI.
Zdroj: sciencedaily.com
