Ερευνητές του Πανεπιστημίου Ταφτς ανέπτυξαν πειραματικό σύστημα ΑΙ με έως 100 φορές μικρότερη κατανάλωση ενέργειας. Το μοντέλο βασίζεται σε νευρο-συμβολική αρχιτεκτονική και στοχεύει σε εφαρμογές ρομποτικής.
Η τεχνητή νοημοσύνη και τα data centers πιέζουν ήδη έντονα το ηλεκτρικό δίκτυο. Σύμφωνα με τον Διεθνή Οργανισμό Ενέργειας, στις ΗΠΑ κατανάλωσαν το 2024 περίπου 415 τεραβατώρες, ποσότητα που αντιστοιχεί σε πάνω από το 10% της συνολικής παραγωγής ηλεκτρικής ενέργειας της χώρας, ενώ η ζήτηση αναμένεται να διπλασιαστεί έως το 2030.
Σε αυτό το περιβάλλον, ερευνητές της Σχολής Μηχανικών του Πανεπιστημίου Ταφτς στη Μασαχουσέτη παρουσίασαν ένα πειραματικό σύστημα τεχνητής νοημοσύνης που μειώνει την κατανάλωση ενέργειας έως και κατά 100 φορές και βελτιώνει τις επιδόσεις του σε συγκεκριμένες δοκιμές, σύμφωνα με το Science Daily.
Η προσέγγιση βασίζεται στη νευρο-συμβολική τεχνητή νοημοσύνη, που συνδυάζει νευρωνικά δίκτυα με συμβολική συλλογιστική. Η ομάδα δεν δούλεψε πάνω σε μεγάλα γλωσσικά μοντέλα, αλλά σε συστήματα ρομποτικής οπτικής-γλώσσας-δράσης, τα οποία μετατρέπουν εικόνα και εντολές σε κίνηση ρομποτικών βραχιόνων, τροχών ή δακτύλων.
Οι ερευνητές λένε ότι τα συμβατικά τέτοια μοντέλα στηρίζονται πολύ σε δοκιμή και σφάλμα. Στα πειράματα με τον γρίφο «Πύργος του Ανόι», το νευρο-συμβολικό σύστημα έφτασε σε επιτυχία 95%, έναντι 34% για τα συμβατικά μοντέλα, ενώ σε πιο σύνθετη εκδοχή του προβλήματος πέτυχε 78%, όταν τα παραδοσιακά συστήματα απέτυχαν σε όλες τις προσπάθειες.
Ο χρόνος εκπαίδευσης περιορίστηκε στα 34 λεπτά, από περισσότερη από μιάμιση ημέρα για τα συμβατικά μοντέλα. Η κατανάλωση ενέργειας στην εκπαίδευση έπεσε στο 1% ενός τυπικού συστήματος VLA, ενώ στη λειτουργία του το νέο μοντέλο χρειαζόταν το 5% της ενέργειας που απαιτούν οι κλασικές προσεγγίσεις. Η εργασία θα παρουσιαστεί στο Διεθνές Συνέδριο Ρομποτικής και Αυτοματισμού στη Βιέννη τον Μάιο και θα δημοσιευτεί στα πρακτικά του συνεδρίου.
Το παρόν κείμενο δημιουργήθηκε με τη χρήση τεχνητής νοημοσύνης.
