عملیات هوش مصنوعی که توسط سرورهای بزرگی همانند سرور «آزمایشگاه ملی ساندیا»(Sandia National Laboratory) یا «کلوسوس»(Colossus) شرکت «ایکس‌ای‌آی»(xAI) در ممفیس و این چنین دیگر پروژه‌های در حال ساخت همانند «استارگیت»(Stargate) شرکت «مایکروسافت»(Microsoft) و «اوپن‌ای‌آی»(OpenAI) حمایتخواهد شد، می‌توانند به اندازه یک شهر کوچک تا متوسط، ​​انرژی مصرف کنند.

به نقل از فیوچرا، هوش مصنوعی در آمریکا مقادیر بسیاری از برق را مصرف می‌کند. بر پایه گزارش آژانس بین‌المللی انرژی، سیستم‌ها و مراکز داده هوش مصنوعی در سال ۲۰۲۴ نزدیک به ۴۱۵ تراوات ساعت برق مصرف کرده‌اند. این رقم بیشتر از ۱۰ درصد کل تشکیل برق آمریکا را راه اندازی می‌دهد و انتظار می‌رود تقاضا تا سال ۲۰۳۰ دو برابر شود.

این گسترش سریع، نگرانی‌های جدی را درمورد پایداری به وجود اورده است. گروهی از پژوهشگران در عکس العمل به این کار، یک سیستم هوش مصنوعی مفهومی را گسترش داده‌اند که به طور چشمگیری کارآمدتر است. روش آنها می‌تواند مصرف انرژی را تا ۱۰۰ برابر افت دهد و در عین حال، کارکرد را در ماموریت های خاص بهبود ببخشد.

این پژوهش در آزمایشگاه «ماتیاس شوتز»(Matthias Scheutz) استاد «دانشگاه تافتس»(Tufts University) انجام شده است. گروه او در حال کار کردن روی هوش مصنوعی عصبی-نمادین می باشند که شبکه‌های عصبی سنتی را با استدلال نمادین ترکیب می‌کند. این روش، نحوه‌ معمول حل مسائل توسط انسان‌ها را منعکس می‌کند و به جای تکیه‌ صرف بر الگوها، چالش‌ها را پیش از تصمیم‌گیری درمورد یک عمل، به مرحله های و گروه‌های منطقی تقسیم می‌کند.

این گروه پژوهشی به جای مدل‌های زبانی بزرگ و آشنا همانند «چت‌جی‌پی‌تی»(ChatGPT) یا «جمینای»(Gemini)، بر سیستم‌های هوش مصنوعی مورد منفعت گیری در حوزه رباتیک تمرکز دارد. این سیستم‌ها به گفتن مدل‌های «زبان-بینایی-عمل» یا به اختصار مدل‌های VLA شناخته خواهد شد. آنها با افزودن ادراک بصری و حرکت فیزیکی، قابلیت‌های مدل‌های زبانی را گسترش خواهند داد.

در عمل، مدل‌های VLA ورودی‌های بصری دوربین‌ها را در کنار دستورالعمل‌های نوشتاری یا گفتاری پردازش می‌کنند. سپس، آن اطلاعات را به عمل های دنیای واقعی تبدیل می‌کنند. به گفتن مثال، یک ربات امکان پذیر از این مدل برای حرکت دادن چرخ‌ها، بازوها یا انگشتان خود برای انجام دادن یک کار خاص منفعت گیری کند.

سیستم‌های VLA مرسوم به شدت به مجموعه داده‌های بزرگ و یادگیری از طریق آزمون و اشتباه متکی می باشند. اگر از یک ربات خواسته شود آجرها را به طور یک برج روی هم بچیند، ابتدا باید صحنه را تحلیل کند، هر آجر را شناسایی کند و روش درست قرار دادن آنها را تعیین کند. این فرآیند زیاد تر به نادرست منجر می‌شود. سایه‌ها امکان پذیر سیستم را درمورد شکل یک آجر گیج کنند یا ربات امکان پذیر قطعات را به نادرست قرار دهد و به فروپاشی سازه منجر شود.

این مشکلات شبیه مشکلاتی می باشند که در مدل‌های زبانی بزرگ دیده خواهد شد. همان طور که ربات‌ها می‌توانند آجرها را نادرست قرار دهند، چت‌بات‌ها بعضی اوقات اوقات جواب‌های نادرست یا گمراه‌کننده تشکیل می‌کنند. برخی از آنها حتی پرونده‌های حقوقی جعلی ساخته‌اند یا تصاویری حاوی جزئیات غیرواقعی همانند انگشتان اضافی تشکیل کرده‌اند.

چطور استدلال نمادین دقت و کارآیی را بهبود می‌بخشد؟

استدلال نمادین یک راهبرد جانشین را اراعه می‌دهد. این روش به جای تکیه صرف بر الگوهای آماری داده‌ها، از قوانین و ایده‌های انتزاعی همانند شکل، اعتدال یا روابط منطقی منفعت گیری می‌کند. این روش به سیستم امکان می‌دهد تا برنامه‌ریزی مؤثرتری داشته باشد و از آزمون و خطای غیرضروری جلوگیری می‌کند. شوتز گفت که مدل‌های سنتی با پیش‌بینی محتمل‌ترین عمل بعدی بر پایه مجموعه داده‌های آموزشی بزرگ، شبیه مدل‌های زبانی حرکت می‌کنند. در هر حال، این فرآیند زیاد تر خطاهایی را به همراه دارد.

یک سیستم VLA می‌تواند قوانینی را اعمال کند که گمان و گمان را در طول یادگیری افت خواهند داد و زیاد سریع تر به یک راه‌حل درست می‌رسند. این سیستم نه تنها می‌تواند ماموریت های را سریع تر انجام دهد، بلکه زمان مورد نیاز برای آموزش سیستم را نیز به مقدار قابل توجهی افت می‌دهد.

پژوهشگران برای برسی مدل خود، آن را با منفعت گیری از معمای معروف «برج هانوی»(Tower of Hanoi) آزمایش کردند که یک معمای کلاسیک است و به برنامه‌ریزی دقیق و توالی منطقی نیاز دارد. در این آزمایش، VLA به مقدار پیروزی ۹۵ درصد دست یافت؛ در حالی که این آمار برای سیستم‌های معمولی تنها ۳۴ درصد می بود.

هنگامی پژوهشگران نسخه‌ پیچیده‌تری از معما را که سیستم قبلاً هیچ زمان با آن مواجه نشده می بود معارفه کردند، مدل هم چنان در ۷۸ درصد اوقات موفق می بود. در روبه رو، مدل‌های سنتی در هر تلاشی ناکامی خوردند.

زمان آموزش نیز به طور چشمگیری افت یافت. سیستم تازه این کار را تنها در ۳۴ دقیقه یاد گرفت؛ در حالی که مدل‌های استاندارد به بیشتر از یک روز و نیم زمان نیاز داشتند.

صرفه‌جویی بزرگ در مصرف انرژی

مصرف انرژی به طور قابل توجهی افت یافت. آموزش مدل نمادین-عصبی تنها به یک درصد از انرژی مورد منفعت گیری توسط یک سیستم استاندارد VLA نیاز داشت. در طول عملیات، تنها پنج درصد از انرژی مورد نیاز راه حلهای سنتی را مصرف کرد. شوتز این نوشته را با فناوری‌های هوش مصنوعی روزمره قیاس کرد. تعداد بسیاری از سیستم‌ها فقطً تلاش دارند واژه یا عمل بعدی را در یک توالی پیش‌بینی کنند و این می‌تواند به خروجی‌های نادرست یا توهم منجر شود.

انرژی مورد نیاز برای این پیش‌بینی‌ها نیز می‌تواند به طور شگفت‌آوری زیاد باشد. برای مثال، هنگامی در گوگل جست‌وجو می‌کنید، خلاصه تولیدشده توسط هوش مصنوعی که در بالای صفحه نمایش داده می‌شود، امکان پذیر تا ۱۰۰ برابر انرژی بیشتری را نسبت به تشکیل فهرست لینک‌های وب‌سایت به‌نمایش‌درآمده در زیر آن مصرف کند.

با گسترش پذیرفتن هوش مصنوعی در صنایع گوناگون، تقاضا برای قوت محاسباتی هم چنان رو به افزایش است. شرکت‌ها در حال ساخت مراکز داده بزرگ‌تری می باشند که برخی از آنها به صدها مگاوات برق نیاز دارند. در این مقیاس، یک مرکز می‌تواند به اندازه کل یک شهر کوچک انرژی مصرف کند.

این تقاضای روبه‌رشد، رقابتی را برای گسترش زیرساخت‌ها تشکیل کرده و نگرانی‌هایی را درمورد ظرفیت انرژی طویل مدت و تأثیرات زیست‌محیطی به وجود اورده است.

پژوهشگران اعتقاد دارند راه حلهای جاری که عمدتاً بر پایه مدل‌های زبانی بزرگ و سیستم‌های VLA ساخته شده‌اند، امکان پذیر در طول زمان پایدار نباشند. اگرچه این فناوری‌ها قوی می باشند، اما به مقادیر بسیاری برق نیاز دارند و می‌توانند نتایج غیر قابل اعتمادی را تشکیل کنند.

هوش مصنوعی نمادین-عصبی، یک جانشین امیدوارکننده اراعه می‌دهد. این فناوری از طریق ترکیب یادگیری ماشینی با استدلال ساختاریافته می‌تواند پایه و مبنا کارآمدتر و قابل اعتمادتری را برای نسل بعدی سیستم‌های هوشمند فراهم کند.