Új típusú MI: a neuro-szimbolikus megközelítés
Egy amerikai mérnöki egyetem kutatói egy olyan forradalmian új MI-rendszert fejlesztettek ki, amely akár a századrészére csökkentheti az energiaigényt, miközben a feladatmegoldási képessége még javul is. Az úgynevezett neuro-szimbolikus MI ötvözi a hagyományos neurális hálózatokat az emberi gondolkodásra jellemző szimbolikus logikával. Ahelyett, hogy pusztán nagy mennyiségű adatból „gyakorolna”, az MI kategorizál, lépésekre bont, szabályokat alkalmaz – hasonlóan ahhoz, ahogyan az emberek gondolkodnak.
Hogyan lesz a robotból logikusan gondolkodó segítő?
Ellentétben a jól ismert ChatGPT- vagy Gemini-rendszerekkel, a kutatók olyan MI-t fejlesztenek, amelyet főként a robotikában használnak, és amely a vizuális képek, a szöveges utasítások és a fizikai cselekvések között teremt kapcsolatot. Ezek a VLA (visual-language-action) modellek képesek a kameraképeket, szóbeli utasításokat és parancsokat összekapcsolva valódi mozgásra bírni egy gépet: például egy kockatorony felépítésére.
Emiatt a hagyományos MI-rendszerek gyakran elakadnak az egyszerűnek tűnő feladatoknál is. A robotok árnyékok vagy különféle látási zavarok miatt hibáznak; összeomlik a torony vagy rossz helyre illesztenek egy darabot. Ezek a pontatlanságok ismerősek lehetnek a nagy nyelvi modellek esetében is, amikor félrevezető szövegeket vagy torz képeket generálnak, például furcsa ujjakat az emberi kezeken.
Szimbolikus logika: gyorsabb tanulás, kevesebb hiba
A szimbolikus logikai elemzés révén az új modell szabályokkal, elvont fogalmakkal dolgozik, így elkerülhető a mai rendszerekre jellemző próbálkozás. Egy klasszikus problémán, a Hanoi tornyai (Tower of Hanoi) feladaton mérve, a neuro-szimbolikus VLA 95%-os sikert ért el, míg a hagyományos modellek csak 34%-ot tudtak. Még egy korábban ismeretlen, összetettebb változatnál is 78%-os eredményt produkált – a hagyományos rendszerek viszont egyszer sem tudták megoldani.
Ráadásul a betanulási idő is jelentősen mérséklődött: mindössze 34 perc alatt elsajátította a feladatot, míg a hagyományos algoritmusoknak több mint másfél napra volt szükségük ugyanerre.
Energiatakarékosság minden szinten
Az energiatakarékosság is lenyűgöző: a tanulási (tréning) folyamat során csupán 1%-át emésztette fel annak, amit a szokásos VLA-modellek igényelnek; működés közben mindössze azok energiaigényének 5%-át fogyasztotta. Például amikor egy egyszerű keresésnél a Google MI-alapú összegzést készít, az akár százszor annyi energiát igényelhet, mint az egész találati lista legenerálása.
Fenntarthatóbb MI a jövőben
A gyorsan terjedő MI egyre nagyobb nyomást jelent az energiainfrastruktúrára világszerte, szinte városnyi energiát igénylő adatközpontokkal. Ezért egyértelmű, hogy a mai, nagy energiaigényű modellek hosszú távon nem tarthatók fenn. A neuro-szimbolikus MI azonban új irányt kínál: a puszta tanuláson túl strukturált gondolkodást is hoz magával, ami fenntarthatóbb, megbízhatóbb MI-rendszerek alapja lehet a jövőben.
