塔夫茲大學推神經符號式 AI，機器人任務成功率飆升、能耗降至 1%

陽光先生

美國塔夫茲大學近日提出新人工智慧架構，主打以「神經符號式 AI」結合神經網路與符號推理，提升準確度同時大幅降低運算耗能。這套概念系統做特定任務可將訓練能源消耗削減至傳統方法 1%，推論階段也只需約 5% 能量，最高可節能百倍。

研究聚焦機器人領域常用的視覺─語言─動作（VLA）模型。這類系統會同時讀取影像與語言指令，再轉為機器手臂、輪子或手指等實際動作。團隊指出，傳統 VLA 模型高度依賴大量資料與反覆試錯，遇到陰影、形狀判讀或步驟規劃等時，容易錯誤判斷導致任務失敗。

團隊引入符號推理，讓系統不只依賴統計模式，也能運用規則與抽象概念，例如形狀與平衡，更快找到解法，減少不必要試錯。塔夫茲大學工程學院團隊表示，這種方法更接近人類拆解問題、逐步思考模式，也能縮短訓練時間。

以河內塔測試時，這套神經符號式 VLA 系統成功率達 95%，明顯高於傳統系統 34%。面對更複雜、未曾見過版本，混合式系統仍有 78% 成功率，傳統模型則全部失敗。訓練時間方面，新系統只花 34 分鐘就學會任務，傳統模型則需超過一天半。

這項成果也反映 AI 能耗快速攀升的壓力。國際能源總署數據指出，2024 年 AI 系統與資料中心用電量約達 415 太瓦時，占美國總發電量 10% 以上，且需求到 2030 年還會翻倍。團隊認為，若 AI 持續朝更大規模發展，電力基礎設施將面臨更大挑戰；相比之下，結合學習與結構化推理的神經符號式 AI，可能為未來 AI 提供更有效率，也更可靠的方向。

錄自：科技新報