塔夫茲大學推神經符號式 AI，機器人任務成功率飆升、能耗降至 1%
美國塔夫茲大學近日提出新人工智慧架構，主打以「神經符號式 AI」結合神經網路與符號推理，提升準確度同時大幅降低運算耗能。這套概念系統做特定任務可將訓練能源消耗削減至傳統方法 1%，推論階段也只需約 5% 能量，最高可節能百倍。
研究聚焦機器人領域常用的視覺─語言─動作（VLA）模型。這類系統會同時讀取影像與語言指令，再轉為機器手臂、輪子或手指等實際動作。團隊指出，傳統 VLA 模型高度依賴大量資料與反覆試錯，遇到陰影、形狀判讀或步驟規劃等時，容易錯誤判斷導致任務失敗。
團隊引入符號推理，讓系統不只依賴統計模式，也能運用規則與抽象概念，例如形狀與平衡，更快找到解法，減少不必要試錯。塔夫茲大學工程學院團隊表示，這種方法更接近人類拆解問題、逐步思考模式，也能縮短訓練時間。
以河內塔測試時，這套神經符號式 VLA 系統成功率達 95%，明顯高於傳統系統 34%。面對更複雜、未曾見過版本，混合式系統仍有 78% 成功率，傳統模型則全部失敗。訓練時間方面，新系統只花 34 分鐘就學會任務，傳統模型則需超過一天半。
這項成果也反映 AI 能耗快速攀升的壓力。國際能源總署數據指出，2024 年 AI 系統與資料中心用電量約達 415 太瓦時，占美國總發電量 10% 以上，且需求到 2030 年還會翻倍。團隊認為，若 AI 持續朝更大規模發展，電力基礎設施將面臨更大挑戰；相比之下，結合學習與結構化推理的神經符號式 AI，可能為未來 AI 提供更有效率，也更可靠的方向。
AI breakthrough cuts energy use by 100x while boosting accuracy
New AI Models Could Slash Energy Use While Dramatically Improving Performance
（首圖來源：Image by Freepik）