هوش مصنوعی انرژی زیادی مصرف میکند و انتقادات زیادی در این زمینه وجود دارد. حالا محققان دانشگاهی در آمریکا رویکردی متفاوت و بهینهتر معرفی کردهاند که مصرف انرژی AI را تا ۱۰۰ برابر کاهش و دقت آن را افزایش میدهد.
پژوهشگران دانشگاه تافتز آمریکا با ترکیب شبکههای عصبی با استدلال سمبلیک مشابه انسان سیستمی ساختهاند که اجازه میدهد رباتها تفکر منطقی داشته باشند و صرفاً بر آزمون و خطا برای حل مسائل اتکا نکنند.
سیستمهایی که محققان روی آنها کار کردهاند تحت عنوان مدلهای بصری-زبانی-عملی (VLA) شناخته میشوند. این مدلها در واقع همان مدلهای زبانی بزرگ هستند که قابلیتهای پردازش بینایی و حرکت فیزیکی هم به آنها اضافه شده است.
مدلهای VLA دادههای بصری را از دوربینها و دستورات را از طریق زبان طبیعی دریافت میکنند، سپس این اطلاعات به اقداماتی در جهان واقعی ترجمه میشوند. برای مثال، این هوش مصنوعی میتواند چرخها، بازوها یا انگشتان رباتها را کنترل کند تا وظایف را به انجام برساند.
سیستمهای VLA سنتی بهشدت متکی بر داده و یادگیری با آزمون و خطا هستند. اگر از یک ربات بخواهید با آجرها برج بسازد، ابتدا باید صحنه را آنالیز کند، هر آجر را تشخیص دهد و تصمیم بگیرد که چگونه آنها را روی هم قرار دهد. این فرایند اغلب به خطا میرود.
اما استدلال سمبلیک راهبردی متفاوت ارائه میکند. بهجای اتکا بر الگوهای دادهها، این سیستم از قواعد و مفاهیم انتزاعی نظیر شکل و تعادل استفاده میکند. این روش به هوش مصنوعی اجازه میدهد مؤثرتر طرحریزی و از آزمون و خطای غیرضروری اجتناب کند.
محققان سیستم خود را تحت آزمایش Tower of Hanoi قرار دادند که یک مسئله کلاسیک برای برنامهریزی دقیق است. نتیجه کار دستیابی به نرخ موفقیت ۹۵ درصدی بود که عددی بسیار بهتر از ۳۴ درصد در سیستمهای استاندارد است. زمانی که نسخه پیچیدهتری از این مسئله به هوش مصنوعی داده شد که قبلاً به آن برنخورده بود، سیستم هیبریدی همچنان به موفقیت ۷۸ درصدی دست پیدا کرد، درحالیکه مدلهای سنتی هر بار شکست خوردند.
زمان آموزش مدل نیز کاهش چشمگیری داشت. این سیستم جدید وظیفه خود را فقط در ۳۴ دقیقه فراگرفت، درحالیکه مدلهای سنتی بیش از یک و نیم روز زمان لازم داشتند.
مصرف انرژی هم بسیار کمتر شد. آموزش این مدل جدید نیازمند ۱ درصد انرژی مورداستفاده در سیستمهای VLA استاندارد بود. در حین اجرا، این سیستم از فقط ۵ درصد انرژی موردنیاز برای روشهای سنتی استفاده میکرد.
محققان میگویند رویکردهای فعلی در زمینه مدلهای LLM و VLA ممکن است در درازمدت پایدار نباشد. اگرچه این سیستمها قدرتمند هستند، اما انرژی زیادی مصرف میکنند و میتوانند نتایج غیرقابلاعتماد بسازند. در مقابل، هوش مصنوعی عصبی-سمبلیک با ترکیب یادگیری از طریق استدلال ساختاریافته، میتواند بنیانی کارآمدتر و اتکاپذیرتر برای آینده سیستمهای هوش مصنوعی فراهم کند.
