Kun yksittäinen Google-haku tekoäly-yhteenvedolla kuluttaa jopa satakertaisesti perinteiseen hakuun verrattuna, tekoälyn energiankulutus ei ole enää abstrakti ongelma. Tuftsin yliopiston tutkijat ovat nyt osoittaneet, että suunta voi kääntyä: heidän kehittämänsä neuro-symbolinen järjestelmä käyttää vain sadasosan perinteisten mallien energiasta – ja tekee samalla vähemmän virheitä.
Hermoverkot ja logiikka samassa paketissa
Perinteiset tekoälyjärjestelmät, kuten suuret kielimallit, oppivat tunnistamaan tilastollisia kaavoja valtavista datamääristä. Tämä raakaan laskentatehoon nojaava lähestymistapa vaatii valtavasti energiaa. Tuftsin professori Matthias Scheutzin johtama tutkimusryhmä lähestyi ongelmaa toisesta suunnasta: he yhdistivät hermoverkot symboliseen päättelyyn, joka jäljittelee ihmisen tapaa pilkkoa ongelmat loogisiksi vaiheiksi.
Tutkimuksessa vertailtiin perinteistä VLA-mallia (Visual-Language-Action) ja neuro-symbolista versiota robotiikkatehtävissä. VLA-mallit laajentavat kielimalleja niin, että robotti tulkitsee kamerakuvaa, ymmärtää kielellisiä komentoja ja tuottaa fyysisiä liikkeitä. Neuro-symbolinen järjestelmä lisää tähän sääntöpohjaisen päättelykerroksen, jossa robotti ymmärtää abstrakteja käsitteitä kuten kappaleiden muodot ja painopisteet sen sijaan, että se opettelisi kaiken yrityksen ja erehdyksen kautta.
Luvut puhuvat puolestaan
Klassisessa Hanoin torni -tehtävässä neuro-symbolinen järjestelmä onnistui 95 prosentissa yrityksistä, kun perinteinen VLA-malli ylsi 34 prosenttiin. Monimutkaisemmassa versiossa, jota robotti ei ollut nähnyt harjoitteluvaiheessa, ero oli vielä jyrkempi: neuro-symbolinen järjestelmä ylsi 78 prosenttiin, perinteinen nollaan.
Energiansäästö oli yhtä vaikuttava. Neuro-symbolisen mallin kouluttaminen vei 34 minuuttia ja kulutti prosentin perinteisen mallin energiasta. Vertailumallin koulutus kesti yli 36 tuntia. Käyttövaiheessa energiankulutus oli viisi prosenttia tavanomaisesta, mikä tarkoittaa kokonaisuutena jopa satakertaista säästöä.
Käytännössä tämä tarkoittaa
Tekoälyjärjestelmä voi oppia uuden tehtävän lounastauon aikana sen sijaan, että koulutus veisi puolitoista vuorokautta – ja kuluttaa siihen sähköä suunnilleen saman verran kuin kahvinkeitin.
Energiakeskustelun käännekohta
Tekoälyn energiankulutus on noussut globaaliksi huolenaiheeksi. Yhdysvalloissa datakeskukset kuluttivat vuonna 2024 noin 415 terawattituntia sähköä, ja Gartnerin mukaan kysyntä kaksinkertaistuu vuoteen 2030 mennessä. Tekoälylle optimoitujen palvelimien osuus datakeskusten kokonaiskulutuksesta oli 21 prosenttia vuonna 2025, ja sen ennustetaan nousevan 44 prosenttiin vuosikymmenen loppuun mennessä.
Tuftsin tutkimus ei yksin ratkaise tätä yhtälöä, sillä se keskittyy robotiikan VLA-malleihin eikä suoraan suuriin kielimalleihin. Perusajatus on kuitenkin sovellettavissa laajemmin: symbolinen päättely voi vähentää sitä raakaa laskentatehoa, jota nykyiset järjestelmät vaativat. Scheutzin mukaan nykyiset LLM-pohjaiset ratkaisut eivät välttämättä ole kestävä perusta tekoälyn tulevalle kehitykselle.
