Der Stromverbrauch von KI- und Rechenzentrumssystemen in den USA ist erheblich. Die Internationale Energieagentur schätzt, dass ihr Stromverbrauch 2024 etwa 10 % der nationalen Energieerzeugung ausmachte und sich bis 2030 möglicherweise verdoppeln könnte. Um dieser Herausforderung zu begegnen, haben Forscher der School of Engineering einen Proof-of-Concept für ein effizientes KI-System entwickelt, das möglicherweise 100-mal weniger Energie verbraucht als aktuelle Systeme und gleichzeitig genauere Ergebnisse liefert.
Die Methode, die im Labor von Matthias Scheutz, Professor für Angewandte Technologie der Karol-Familie, entwickelt wurde, verwendet neurosymbolische KI. Sie kombiniert traditionelle neuronale Netze mit symbolischem Schließen, um die menschliche Art der Aufgabenzerlegung nachzuahmen. Die Forschung wird im Mai auf der International Conference on Robotics and Automation in Wien vorgestellt und wurde bereits in den Konferenzakten und auf dem arXiv-Preprint-Server veröffentlicht.
Da sich Scheutz' Team auf die Interaktion zwischen Robotern und Menschen konzentriert, verwendet es visuell-sprachlich-aktive (VLA) Modelle anstelle von bildschirmbasierten großen Sprachmodellen (LLMs). VLA-Modelle erweitern LLMs um visuelle und motorische Fähigkeiten und generieren durch Kamera- und Spracheingaben Aktionen in der realen Welt, wie z. B. das Bewegen von Roboterkomponenten.
Traditionelle VLA-Ansätze sind ressourcenintensiv und können zu Fehlern führen, z. B. zu Fehlinterpretationen von Formen oder falschen Platzierungen bei einer Aufgabe wie dem Stapeln von Bausteinen. Symbolisches Schließen basiert auf Regeln und abstrakten Kategorien und bietet effizientere Planungsstrategien. Scheutz sagt: „Neurosymbolisches VLA kann Regeln anwenden, um die Menge an Trial-and-Error während des Lernprozesses zu begrenzen und Lösungen schneller zu finden. Es erledigt Aufgaben nicht nur viel schneller, sondern die Zeit zum Trainieren des Systems wird ebenfalls erheblich reduziert.“
In Tests erreichte das neurosymbolische VLA-System bei einem Standard-Türme-von-Hanoi-Puzzle eine Erfolgsquote von 95 %, während ein Standard-VLA bei 34 % lag. Bei einer komplexeren, nicht trainierten Version erreichte das neurosymbolische System 78 % Erfolgsquote, während das Standard-VLA versagte. Das neurosymbolische System benötigte nur 34 Minuten Training, verbrauchte dabei 1 % der Energie zum Trainieren eines VLA-Modells und für den Betrieb nur 5 % der Energie eines VLA.
Angesichts des wachsenden KI-Bedarfs und des steigenden Stromverbrauchs von Rechenzentren sind die Forscher der Ansicht, dass aktuelle LLMs und VLAs möglicherweise nicht die richtige Grundlage für energieeffiziente KI sind. Sie schlagen vor, dass hybride neurosymbolische KI einen nachhaltigeren und zuverlässigeren Weg bieten könnte, um die Herausforderungen der Ressourcenbeschränkungen zu bewältigen.
Veröffentlichungsdetails: Autor: Mike Silver, Tufts University; Titel: „Neuro-symbolic AI could slash energy use while dramatically improving performance“; erschienen in: „arXiv“ (2026).
