📢 转载信息
原文链接：https://www.sciencedaily.com/releases/2026/04/260405003952.htm
原文作者：Tufts University
人工智能正在消耗惊人的电力。根据国际能源署的数据，2024年AI系统和数据中心消耗了约415太瓦时的电力，占美国总发电量的10%以上，且预计到2030年这一需求将翻一番。
这种快速增长引发了对可持续性的担忧。为此，塔夫茨大学工程学院的研究人员创建了一个概念验证AI系统，其设计目标是实现更高的效率。该方法有望将能源消耗降低多达100倍，同时提高任务执行的性能。
神经符号AI：一种混合方法
这项研究来自Karol家庭应用技术教授Matthias Scheutz的实验室。他的团队正在开发神经符号AI（Neuro-Symbolic AI），它将传统的神经网络与符号推理相结合。这种方法模拟了人类处理问题的方式，即将复杂问题分解为步骤和类别。
教会机器人感知、理解与行动
与ChatGPT和Gemini等常见的大语言模型（LLM）不同，该团队专注于机器人领域使用的AI系统，即视觉-语言-动作（VLA）模型。它们通过结合视觉和物理移动，扩展了LLM的能力。
VLA模型接收来自摄像头的视觉数据和语言指令，然后将其转化为现实世界的动作。例如，它们可以控制机器人的轮子、手臂或手指来完成特定任务。
为什么传统AI在简单任务中表现挣扎？
传统的VLA系统高度依赖数据和“试错”学习。如果要求机器人将积木堆成塔，它必须首先分析场景、识别每个积木并确定放置方式。这个过程经常导致错误——阴影可能误导系统对积木形状的判断，导致结构倒塌。
这些错误与LLM中存在的问题类似。就像机器人会放错积木一样，聊天机器人也可能生成虚假或误导性的信息，例如捏造法律案例或产生带有不切实际细节（如多出手指）的图像。
符号推理如何提高准确性和效率
符号推理提供了一种不同的策略。它不仅依赖数据中的统计模式，还利用规则和抽象概念（如形状和平衡）。这使系统能够更有效地进行规划，避免不必要的试错。
Scheutz表示：“像LLM一样，VLA模型基于大规模训练集的统计结果进行操作，但这可能导致错误。神经符号VLA可以应用规则来限制学习过程中的试错次数，并更快地找到解决方案。它不仅完成任务的速度快得多，而且训练系统所需的时间也大幅缩短。”
惊人的测试结果
研究人员使用“汉诺塔”谜题测试了他们的系统，这是一个需要仔细规划的经典问题。测试结果显示：
- 神经符号VLA的成功率为95%，而标准系统仅为34%。
- 在处理以前未见过的更复杂版本谜题时，混合系统成功率为78%，而传统模型每次都失败了。
- 训练时间大幅缩短：新系统仅需34分钟即可学会任务，而传统模型需要超过一天半的时间。
巨大的节能潜力
能源消耗也大幅下降。训练神经符号模型所需的能量仅为标准VLA系统的1%。在运行过程中，其能耗仅为传统方法的5%。
Scheutz指出，当前的AI能效远未达标：“这些系统只是试图预测序列中的下一个单词或动作，但结果可能不完美且充满‘幻觉’。例如，当你使用谷歌搜索时，页面顶部的AI摘要所消耗的能量，是生成普通网站列表的100倍。”
研究人员认为，当前基于LLM和VLA的路径在长期内可能无法持续。神经符号AI通过将学习与结构化推理相结合，或许能为未来的AI系统提供一个更高效、更可靠的基石。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区