Tekoälymallien kouluttaminen nielaisee energiaa. Yhden suuren kielimallin harjoittelu voi kuluttaa saman verran sähköä kuin satoja kotitalouksia vuodessa, ja tekoälypalveluiden kokonaisenergiankulutus kasvaa vuosi vuodelta. Tuftsin yliopiston tutkijat osoittivat, että toisenlainen arkkitehtuuri voi leikata kulutuksen murto-osaan ja parantaa samalla tuloksia merkittävästi.
Kyse ei ole pelkästä akateemisesta kokeilusta. Tekoälyn energiankulutus on noussut poliittiseksi kysymykseksi, kun datakeskukset vievät yhä suuremman osan sähköverkkojen kapasiteetista. Ratkaisua etsitään sekä laitteistopuolelta että ohjelmistoarkkitehtuurista, ja Tuftsin tutkimus kuuluu jälkimmäiseen kategoriaan.
Neuroverkko ja logiikka samassa paketissa
Timothy Dugganin johtama tutkimusryhmä vertasi kahta tapaa ohjata robottia. Nykyään suosittu VLA-malli (vision-language-action) prosessoi kamerakuvaa, tulkitsee kielellisiä ohjeita ja tuottaa fyysisiä liikkeitä. Se on yleismalli, joka yrittää oppia kaiken raakadatasta kerralla.
Neurosymbolinen vaihtoehto yhdistää neuroverkon hahmontunnistuksen symboliseen suunnitteluun. Käytännössä robotti saa käyttöönsä PDDL-pohjaisen suunnittelukielen, joka kertoo tehtävän rakenteen valmiiksi. Neuroverkko hoitaa aistihavainnot ja motoriikan, mutta päätöksenteon logiikka on symbolista. Ajattele asiaa näin: sen sijaan että robotti opettelisi jokaisen mahdollisen tilanteen erikseen, se oppii säännöt ja soveltaa niitä uusiin tilanteisiin.
34 minuuttia vastaan puolitoista päivää
Tutkijat testasivat molempia järjestelmiä Hanoin tornit -pulmapelillä, jossa robotin pitää siirtää erikokoisia palikoita tappien välillä tietyssä järjestyksessä. Tehtävä vaatii loogista suunnittelua usean siirron päähän. Perinteinen π0-malli saavutti kolmen palikan tehtävässä 34 prosentin onnistumisprosentin, ja sen kouluttaminen kesti yli 36 tuntia. Neurosymbolinen malli pääsi 95 prosenttiin 34 minuutissa.
Kun tehtävää muutettiin neljän palikan versioksi, jota kumpikaan malli ei ollut koskaan harjoitellut, ero kasvoi entisestään. Neurosymbolinen järjestelmä ratkaisi tehtävän 78 prosentissa yrityksistä. Perinteiset VLA-mallit eivät onnistuneet kertaakaan. Symbolinen päättely auttoi robottia yleistämään tuntemattomaan tilanteeseen, koska se ymmärsi tehtävän rakenteen eikä vain toistanut opittuja liikesarjoja.
Energiankulutuksessa ero oli valtava. Koulutus vaati yhden prosentin perinteisen mallin energiasta. Suoritusvaiheessakin neurosymbolinen malli kulutti vain viisi prosenttia vertailukohdan energiamäärästä. Kolminkertainen parannus tarkkuudessa ja samalla murto-osa energiasta – yhdistelmä haastaa vallitsevan oletuksen siitä, että tekoälyn parantaminen vaatii aina lisää laskentatehoa.
“Niiden energiankulutus on usein suhteettoman suuri tehtävään nähden. Kun teet Google-haun, sivun yläreunassa oleva tekoäly-yhteenveto kuluttaa jopa sata kertaa enemmän energiaa kuin sen alla olevat perinteiset hakutulokset.”
Pienempi laite, pidempi akunkesto
Tulos on merkittävä reunalaskennan kannalta. Nykyiset suuret tekoälymallit vaativat pilviyhteyden ja datakeskuksen laskentatehon, mikä rajoittaa niiden käyttöä kentällä toimivissa roboteissa, droneissa ja teollisuuden IoT-laitteissa. Jos tekoäly selviää sadasosalla energiasta, se mahtuu pienempiin laitteisiin ja toimii akkuvirralla pidempään.
Tavalliselle käyttäjälle tämä näkyy hitaasti mutta varmasti. Tekoälyominaisuudet puhelimissa, kuulokkeissa ja älylaitteissa ovat tähän asti vaatineet jatkuvaa pilviyhteyttä, koska laitteen oma laskentateho ei riitä. Energiatehokkaammat mallit voivat muuttaa tämän asetelman: tekoäly toimisi laitteessa itsessään, ilman viivettä ja ilman jatkuvaa riippuvuutta verkosta.
Tutkimus nostaa esiin laajemman kysymyksen: tarvitaanko kaikkeen tekoälyyn massiivisia yleismalleja? Neurosymbolinen lähestymistapa osoittaa, että tehtäväkohtainen rakenne ja logiikka voivat korvata osan raakadatasta ja laskentatehosta. Jos jokaiseen ongelmaan ei tarvitse heittää miljardin parametrin mallia, tekoälyn ympäristöjalanjälki pienenee merkittävästi.
Laitteistopuolella neuromorfiset piirit, kuten Intelin Loihi 3 ja IBM:n NorthPole, tavoittelevat vastaavia säästöjä eri kulmasta. Yhdistelmä energiatehokkaasta ohjelmistoarkkitehtuurista ja erikoistuneesta raudasta voisi viedä tekoälyn pois datakeskuksista sinne, missä sitä todella tarvitaan.
Lähestymistapa, jossa neuroverkko hoitaa havainnoinnin (esim. kuvan tunnistamisen) ja erillinen logiikkajärjestelmä tekee päätökset sääntöjen perusteella. Yhdistelmä on kevyempi kuin pelkkä neuroverkko.
Reunalaskenta (edge computing)
Tietojen käsittelyä lähellä käyttökohdetta, esimerkiksi robotissa tai puhelimessa, sen sijaan että data lähetettäisiin pilvipalvelimelle laskettavaksi.
Neuromorfiset piirit
Prosessorit, jotka jäljittelevät aivojen hermosolujen toimintaa ja kuluttavat siksi murto-osan perinteisen piirin energiasta.
Mitä seurata
Timothy Duggan, Pierrick Lorang, Hong Lu ja Matthias Scheutz esittelevät tuloksensa ICRA-robotiikkakonferenssissa Wienissä toukokuussa 2026. Tutkimus on julkaistu nimellä "The Price Is Not Right" ja se on saatavilla avoimesti arXiv-palvelussa. Seuraava avoin kysymys on, skaalautuuko menetelmä Hanoin torneista todellisen maailman tehtäviin, joissa ympäristö on ennakoimaton ja muuttuva. Tuftsin HRI-laboratorio jatkaa tutkimusta ihmisten ja robottien vuorovaikutuksesta, ja vastaavia neurosymbolisia kokeiluja on odotettavissa muilta tutkimusryhmiltä kuluvan vuoden aikana.
Viikoittainen uutiskirje
Tule firmasi fiksuimmaksi AI-osaajaksi
Yksi uutiskirje kerrallaan. Kokoamme viikon tärkeimmät tekoälyuutiset suomeksi ja kerromme, mitä ne tarkoittavat sinun työsi kannalta. Luet sen kahvitauolla.
