夜雨聆风FuninUSA.NET
产品改变世界，贸易改变未来
猜你爱看
文中好物推荐，有惊喜！
人工智能正在美国消耗巨量的电力。根据International Energy Agency的数据，2024年AI系统和数据中心使用了约415太瓦时的电力。这占到了美国总发电量的10%以上，预计到2030年需求还将翻倍。
这种快速增长引发了对可持续性的担忧。为此，Tufts University工程学院的研究人员创建了一个概念验证型AI系统，旨在大幅提升效率。他们的方法可将能耗降低多达100倍，同时还能提高任务执行性能。
今日好物推荐——扫描二维码跳转购买
一种名为Neuro-Symbolic AI的混合方法
这项研究来自Matthias Scheutz教授的实验室。他的团队正在开发Neuro-Symbolic AI，它将传统的神经网络与符号推理相结合。这种方法模仿了人类解决问题的方式：将问题分解为多个步骤和类别。
教机器人看见、理解并行动
与熟悉的大型语言模型不同，该团队专注于用于机器人的AI系统。这些系统被称为视觉-语言-行动模型。它们通过融入视觉和物理运动，扩展了LLM的能力。
为什么传统AI在简单任务上也会挣扎
传统的VLA系统严重依赖数据和试错学习。如果一个机器人被要求将积木堆成塔，它必须首先分析场景，识别每个积木，并确定如何正确放置它们。
这个过程经常导致错误。阴影可能会使系统对积木的形状产生混淆，或者机器人可能会错误地放置部件，导致结构倒塌。
这些错误与LLM中看到的问题类似。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输出。例如编造法律案例，或生成带有不现实细节（如多余手指）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。它不是仅依赖数据中的模式，而是使用规则和抽象概念（如形状和平衡）。这使得系统能够更有效地规划，避免不必要的试错。
在拼图测试中的出色结果
研究人员使用汉诺塔难题测试了他们的系统，这是一个需要仔细规划的经典问题。
训练时间也急剧下降。新系统仅在34分钟内就学会了任务，而传统模型需要超过一天半的时间。
美国天空速递让跨国邮寄省时省心省钱
训练和使用中的巨大能源节约
能耗也大幅减少。训练Neuro-Symbolic模型所需的能量仅为标准VLA系统的1%。在运行过程中，它仅使用传统方法所需能量的5%。
AI对电力基础设施日益增长的压力
随着AI在各行业的应用加速，对计算能力的需求持续攀升。公司正在建造越来越大的数据中心，其中一些需要数百兆瓦的电力。这种消耗水平可能超过整个小城市的需求。
这一趋势引发了一场扩大基础设施的竞赛，也引发了对长期能源限制的担忧。
为AI开辟一条更可持续的道路
研究人员认为，当前基于LLM和VLA的方法从长远来看可能不可持续。虽然这些系统很强大，但它们消耗大量能源，并且仍可能产生不可靠的结果。
非商业转载请注明转自FuninUSA
