Új MI-módszer százszorosára csökkenti az energiafelhasználást, miközben növeli a pontosságot

Okosabb gondolkodás

Ahogy a mesterséges intelligencia egyre nagyobb szeleteket hasít ki a világ villamosenergia-fogyasztásából, a Tufts Egyetem kutatócsoportja egy alapvetően eltérő megközelítést mutatott be, amely akár 100-szorosára is csökkentheti az MI energiafogyasztását – miközben valójában pontosabbá teszi a rendszereket. A Matthias Scheutz professzor által vezetett kutatást, amelyet 2026 februárjában publikáltak az arXiv oldalon, idén májusban mutatják be a bécsi Nemzetközi Robotikai és Automatizálási Konferencián.

Az áttörés a neuro-szimbolikus MI-re összpontosít, amely egy hibrid módszer, amely a hagyományos neurális hálózatokat az emberihez hasonló szimbolikus következtetéssel ötvözi. Ahelyett, hogy pusztán nyers erővel, több millió példán keresztül tanulna mintázatokat, a rendszer logikai szabályokat, absztrakt fogalmakat, mint például a forma és az egyensúly, valamint strukturált, lépésről lépésre történő tervezést alkalmaz – nagyjából úgy, ahogy az emberek oldanak meg problémákat.

Drámai eredmények

A kutatók a Hanoi tornyai rejtvényen tesztelték rendszerüket, amely egy klasszikus problémamegoldó mérce, és gondos, szekvenciális tervezést igényel. Az eredmények megdöbbentőek voltak:

• A neuro-szimbolikus rendszer 95%-os sikerességi arányt ért el, szemben a szabványos látás-nyelv-akció (VLA) modell 34%-ával.
• Egy összetettebb, korábban nem látott változatnál 78%-ot ért el – míg a hagyományos modell 0%-ot.
• A betanítás mindössze 34 percet vett igénybe, szemben a szabványos megközelítés több mint 36 órájával.
• A betanítás során az energiafogyasztás a hagyományos modell körülbelül 1%-ára csökkent, a működési energiafelhasználás pedig körülbelül 5%-ra esett vissza.

„Egy neuro-szimbolikus VLA olyan szabályokat alkalmazhat, amelyek korlátozzák a próbálkozásokat és a hibákat a tanulás során, és sokkal gyorsabban juthat el a megoldásokhoz” – mondta Scheutz.

Miért fontos ez most?

Az időzítés aligha lehetne sürgetőbb. A Nemzetközi Energiaügynökség szerint az MI-rendszerek és adatközpontok 2024-ben körülbelül 415 terawattóra villamos energiát fogyasztottak az Egyesült Államokban – ami az ország teljes termelésének több mint 10%-a –, és ez a szám várhatóan megduplázódik 2030-ra.

A vállalati világ már versenyt fut az energia biztosításáért. 2026 januárjában az Vistra Corp energiaipari óriás megállapodott a Cogentrix Energy földgázerőműveinek megvásárlásáról körülbelül 4 milliárd dollárért, ezzel 5,5 gigawatt termelési kapacitást adva hozzá New England, Texas és a New Jersey-től Chicagóig húzódó hálózat területén. Az üzlet, amely 2,3 milliárd dollár készpénzt és 5 millió Vistra részvényt tartalmaz, aláhúzza, hogy az MI kielégíthetetlen energiaéhsége hogyan alakítja át az energiaszektort.

Az MI eléri a gyógyszertárat

Eközben az MI olyan területekre is betör, amelyek korábban kizárólag emberi szakemberek számára voltak fenntartva. Utah lett az első amerikai állam, amely engedélyezte egy MI-rendszer számára, hogy önállóan megújítsa az orvosi recepteket, és egyéves kísérleti program keretében partnerségre lépett a Doctronic egészségügyi platformmal. A rendszer 30, 60 vagy 90 napos utánrendeléseket kezel 190 gyakran felírt gyógyszerre, 4 dolláros költséggel megújulásonként – orvosi látogatás nem szükséges.

Biztonsági korlátok vannak beépítve: a fájdalomcsillapítók, injekciók és ADHD-gyógyszerek ki vannak zárva, és az egyes gyógyszercsoportok első 250 receptjét emberi orvosnak kell felülvizsgálnia, mielőtt az MI önállóan működne. Számos más állam, köztük Texas és Arizona, tárgyalásokat folytat Utah példájának követéséről.

A hatékonyság mint a továbblépés útja

Mindezek a fejlemények együttesen egy olyan iparág képét festik le, amely válaszúthoz érkezett. Az MI képességei folyamatosan bővülnek az egészségügy, a robotika és a döntéshozatal területén – de a környezeti lábnyoma is. Az olyan áttörések, mint a Tufts neuro-szimbolikus megközelítése, azt sugallják, hogy a nyers számítási teljesítmény nem feltétlenül az egyetlen út előre. Az okosabb architektúrák, amelyek egyszerű számítás helyett következtetnek, kulcsfontosságúak lehetnek ahhoz, hogy az MI fenntartható legyen nagy léptékben.