Нейросимволический ИИ для робототехники снижает энергопотребление в 100 раз

По оценкам Международное энергетическое агентство, в 2024 году системы ИИ и дата-центры потребили около 415 ТВт·ч электроэнергии. Это уже составляет более 10% энергопотребления США, а к 2030 году показатель может удвоиться. На этом фоне поиск энергоэффективных архитектур становится критически важным для устойчивости отрасли.

Ключевая идея предложенного решения — отказ от исключительно вероятностной модели принятия решений. В традиционных системах, включая крупные языковые модели, такие как ChatGPT и Gemini, поведение строится на предсказании следующего элемента на основе статистических закономерностей. Это требует значительных вычислительных ресурсов и не гарантирует логической согласованности.

В новой архитектуре нейронные сети дополняются символическим уровнем, который оперирует абстрактными понятиями и правилами. Такой подход позволяет системе:

структурировать задачу на подзадачи, 

применять логические ограничения, 

минимизировать число итераций методом проб и ошибок. 

Практическая реализация ориентирована не на чат-боты, а на робототехнические системы, использующие так называемые модели визуального языка-действия (VLA). Эти системы интегрируют компьютерное зрение, обработку естественного языка и управление физическими действиями.

В классических VLA-моделях выполнение даже простых задач, например сборки объектов, сопровождается значительным количеством ошибок. Причина — зависимость от визуальных паттернов и отсутствие строгих логических ограничений. Это приводит к нестабильности: неверной интерпретации формы, ошибок позиционирования и, как следствие, провалу задачи.

Нейросимволический подход принципиально меняет поведение системы. За счёт внедрения логических правил (например, условий устойчивости или порядка действий) робот