面对AI日益严峻的能源危机，塔夫茨大学研究人员开发出“神经符号AI”系统，实现了重大突破。该混合模型结合了神经网络与符号推理，能效较传统模型提升100倍，训练时间从36小时缩短至34分钟。在复杂任务测试中，其成功率达95%，远超传统模型的34%。这一技术不仅大幅降低了能耗，还有效解决了AI幻觉和逻辑问题，为AI的可持续发展提供了新路径。
技术
神经符号AI突破：能耗降低100倍
预计到2030年，AI系统的能源需求将翻一番
作者：Aqsa Qaddus Tahir 发布于 2026年4月6日
神经符号AI突破：能耗降低100倍
人工智能正在加剧能源危机。特别是在美国，由AI日益增长的需求和数据中心的爆发式增长所驱动的能源消耗已达到临界水平。
例如，根据国际能源署（IEA）的数据，2024年AI系统和数据中心消耗了约415太瓦时的电力。
在一项近期突破中，塔夫茨大学工程学院的研究人员开发了一种更节能的方法，旨在大幅削减不断增长的能源需求。
通过从纯数据驱动模型转向混合“神经符号”方法，该团队证明了AI既可以变得更智能，又能大幅提升能源效率。
在Matthias Scheutz教授领导的一项近期研究中，团队开发了一种神经符号AI系统。该系统与传统模型的区别在于，它结合了神经网络与符号推理。
目前，基于AI的任务消耗的能源可能是传统搜索方法的100倍。而新开发的混合模型在提高性能准确性的同时，实现了100倍的能效提升。
当应用于机器人技术时，这种被称为“视觉-语言-动作”（VLA）的混合模型在复杂任务中表现优于标准AI，且运行所需的时间和能源仅为其一小部分。
Scheutz表示：“神经符号VLA可以应用规则来限制学习过程中的试错次数，从而更快地找到解决方案。它不仅完成任务的速度快得多，而且系统训练所需的时间也显著减少。”
大幅节省资源
神经符号方法的效率提升是巨大的。例如，基于该方法，训练时间从传统模型所需的36小时以上缩短至34分钟。
能源消耗也大幅下降。例如，神经符号模型的训练能耗仅为标准模型的1%。在运行过程中，其能耗仅为后者的5%。
卓越的性能表现
研究人员使用汉诺塔谜题对系统进行了比较。神经符号系统的成功率达到95%。相比之下，传统模型仅达到34%的成功率。
在遇到复杂版本的谜题时，混合模型的成功率为78%，而传统模型则遭遇了惨痛的失败。
可持续的发展道路
研究人员表示，神经符号AI通过为AI系统奠定更可靠、低能耗的基础，提供了一个更可持续的未来。
此外，该系统还能解决幻觉和逻辑问题。
来源：thenews.com.pk