Η «δίψα» της τεχνητής νοημοσύνης για ενέργεια και η νέα λύση που υπόσχεται έως 100 φορές μεγαλύτερη αποδοτικότητα

Η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης συνοδεύεται από ένα ολοένα και πιο πιεστικό ζήτημα: την τεράστια κατανάλωση ηλεκτρικής ενέργειας. Η εξάπλωση των data centers, που στηρίζουν τα σύγχρονα συστήματα AI, επιβαρύνει σημαντικά τα ηλεκτρικά δίκτυα, εγείροντας ανησυχίες για τη βιωσιμότητα της τεχνολογικής προόδου.

Σύμφωνα με τον Διεθνής Οργανισμός Ενέργειας, μόνο στις Ηνωμένες Πολιτείες, τα data centers και τα συστήματα τεχνητής νοημοσύνης κατανάλωσαν το 2024 περίπου 415 τεραβατώρες ηλεκτρικής ενέργειας — ποσότητα που ξεπερνά το 10% της συνολικής παραγωγής της χώρας. Οι προβλέψεις μάλιστα δείχνουν ότι η ζήτηση ενδέχεται να διπλασιαστεί έως το 2030.

Μέσα σε αυτό το πλαίσιο, ερευνητές από το Πανεπιστήμιο Ταφτς ανέπτυξαν ένα καινοτόμο πειραματικό σύστημα τεχνητής νοημοσύνης, το οποίο υπόσχεται εντυπωσιακή ενεργειακή εξοικονόμηση — έως και 100 φορές μικρότερη κατανάλωση — διατηρώντας παράλληλα υψηλές επιδόσεις. Η σχετική μελέτη παρουσιάστηκε από το Science Daily.

Μια νέα υβριδική προσέγγιση

Η καινοτομία βασίζεται στη λεγόμενη νευρο-συμβολική τεχνητή νοημοσύνη. Πρόκειται για μια υβριδική μέθοδο που συνδυάζει τη δύναμη των νευρωνικών δικτύων με τη συμβολική συλλογιστική. Σε αντίθεση με τα παραδοσιακά μοντέλα που στηρίζονται αποκλειστικά σε τεράστιους όγκους δεδομένων, αυτή η προσέγγιση ενσωματώνει κανόνες, έννοιες και λογική σκέψη, προσεγγίζοντας περισσότερο τον τρόπο με τον οποίο σκέφτεται ο άνθρωπος.

Οι ερευνητές δεν επικεντρώθηκαν σε δημοφιλή μεγάλα γλωσσικά μοντέλα όπως το ChatGPT ή το Gemini, αλλά σε συστήματα που χρησιμοποιούνται στη ρομποτική. Συγκεκριμένα, μελέτησαν τα λεγόμενα μοντέλα οπτικής-γλώσσας-δράσης (VLA), τα οποία μετατρέπουν εικόνες και γλωσσικές εντολές σε φυσικές κινήσεις — όπως η λειτουργία ρομποτικών βραχιόνων ή η αλληλεπίδραση με αντικείμενα.

Τα όρια των συμβατικών συστημάτων

Τα παραδοσιακά μοντέλα VLA βασίζονται κυρίως στη μέθοδο δοκιμής και σφάλματος. Για παράδειγμα, ένα ρομπότ που καλείται να δημιουργήσει έναν πύργο από αντικείμενα πρέπει πρώτα να αναγνωρίσει τη σκηνή και να υπολογίσει πολλαπλές πιθανές κινήσεις. Η διαδικασία αυτή είναι όχι μόνο ενεργοβόρα, αλλά και επιρρεπής σε λάθη.

Παράγοντες όπως οι σκιές ή οι οπτικές παραμορφώσεις μπορούν να οδηγήσουν σε λανθασμένες εκτιμήσεις, προκαλώντας αποτυχίες στην εκτέλεση της εργασίας. Οι επιστήμονες παρομοιάζουν αυτά τα λάθη με τις «παραισθήσεις» που εμφανίζουν τα σύγχρονα chatbots, δηλαδή την παραγωγή λανθασμένων ή μη ρεαλιστικών αποτελεσμάτων.

Η δύναμη της συμβολικής σκέψης

Αντίθετα, η συμβολική συλλογιστική επιτρέπει στο σύστημα να αξιοποιεί αφηρημένες έννοιες, όπως η ισορροπία και το σχήμα, μειώνοντας δραστικά τις άσκοπες δοκιμές. Στα πειράματα με τον γνωστό γρίφο «Πύργος του Ανόι», το νέο σύστημα πέτυχε ποσοστό επιτυχίας 95%, έναντι μόλις 34% των συμβατικών μοντέλων.

Ακόμη πιο εντυπωσιακή ήταν η απόδοσή του σε πιο σύνθετες εκδοχές του προβλήματος, όπου διατήρησε επιτυχία 78%, ενώ τα παραδοσιακά συστήματα απέτυχαν πλήρως.

Τα οφέλη δεν περιορίζονται στην ακρίβεια. Ο χρόνος εκπαίδευσης μειώθηκε από περισσότερο από μιάμιση ημέρα σε μόλις 34 λεπτά, ενώ η κατανάλωση ενέργειας περιορίστηκε στο 1% κατά την εκπαίδευση και στο 5% κατά τη λειτουργία, σε σύγκριση με τα υπάρχοντα μοντέλα.

Η ερευνητική εργασία αναμένεται να παρουσιαστεί στο Διεθνές Συνέδριο Ρομποτικής και Αυτοματισμού που θα πραγματοποιηθεί στη Βιέννη τον Μάιο, σηματοδοτώντας ένα σημαντικό βήμα προς πιο βιώσιμα και αποδοτικά συστήματα τεχνητής νοημοσύνης.