Արհեստական բանականության համակարգերն ու տվյալների կենտրոնները 2024 թվականին ԱՄՆ-ում սպառել են մոտ 415 տերավատտ/ժամ էլեկտրաէներգիա, ինչը կազմում է երկրի ընդհանուր արտադրության ավելի քան 10 տոկոսը։ Կանխատեսումների համաձայն՝ այդ պահանջարկը մինչև 2030 թվականը կարող է կրկնապատկվել, և էներգիայի սպառման աճը նոր հարցեր է առաջացնում արհեստական բանականության կայուն զարգացման վերաբերյալ։
Այս խնդրին լուծում գտնելու համար ինժեներները ստեղծել են փորձնական AI համակարգ, որը համատեղում է նեյրոնային ցանցերն ու խորհրդանշական տրամաբանությունը։ Մոտեցումը կոչվում է նեյրոխորհրդանշական արհեստական բանականություն և նախատեսված է ռոբոտների տեսնելու, հրահանգները հասկանալու և ֆիզիկական գործողություններ կատարելու համար։ Նման համակարգերը հայտնի են որպես տեսալեզու-գործողության՝ VLA մոդելներ։
Ի տարբերություն միայն տվյալների և փորձարկումների վրա հիմնված մոտեցումների՝ նոր համակարգը խնդիրները բաժանում է քայլերի ու կիրառում կանոններ, օրինակ՝ ձևի և հավասարակշռության մասին։ Դրա շնորհիվ այն կարողանում է ավելի քիչ սխալներով հասնել լուծման և նվազեցնել ուսուցման ընթացքում կատարվող ավելորդ փորձերը։
Հետազոտողները համակարգը փորձարկել են «Հանոյի աշտարակներ» դասական գլուխկոտրուկով։ Նեյրոխորհրդանշական VLA-ն հասել է 95 տոկոս հաջողության, մինչդեռ ստանդարտ համակարգերի արդյունքը կազմել է 34 տոկոս։ Ավելի բարդ տարբերակում, որը համակարգը նախկինում չէր տեսել, նոր մոդելը հաջողել է դեպքերի 78 տոկոսում, իսկ ավանդական մոդելները ձախողվել են բոլոր փորձերում։
Related News
Ուսուցման ժամանակը նույնպես կտրուկ նվազել է՝ ավելի քան մեկուկես օրվանից հասնելով ընդամենը 34 րոպեի։ Էներգիայի սպառումն ուսուցման փուլում կազմել է ստանդարտ VLA համակարգի պահանջածի ընդամենը 1 տոկոսը, իսկ աշխատանքի ընթացքում՝ 5 տոկոսը։ Հետազոտական թիմը նշում է, որ այս մոտեցումը կարող է մինչև 100 անգամ նվազեցնել էներգիայի օգտագործումը՝ միաժամանակ բարելավելով որոշ առաջադրանքների կատարումը։
Հետազոտողները կարծում են, որ նեյրոխորհրդանշական մոտեցումը կարող է այլընտրանքային ուղղություն դառնալ այն համակարգերի համար, որոնք այսօր մեծապես կախված են տվյալներից և հսկայական հաշվարկային ռեսուրսներից։ AI-ի տարածման հետ էներգիայի պահանջարկը շարունակում է աճել, իսկ տվյալների կենտրոնների ընդլայնումը նոր բեռ է ստեղծում էլեկտրաէներգետիկ ենթակառուցվածքների համար։
Այս արդյունքները ցույց են տալիս, որ AI-ի արդյունավետությունը միայն ավելի մեծ մոդելներ և ավելի շատ տվյալներ օգտագործելու հարց չէ։ Այստեղ փորձարկված համակարգը այլ ճանապարհ է ընտրում՝ ուսուցման ընթացքում վիճակագրական օրինաչափություններին ավելացնելով նախապես սահմանված կանոններ, ինչի շնորհիվ որոշ առաջադրանքներ լուծվում են ավելի քիչ փորձերով։
Սակայն ներկայացված արդյունքները վերաբերում են կոնկրետ փորձնական համակարգի և «Հանոյի աշտարակներ» առաջադրանքին, ուստի դրանք ինքնաբերաբար չեն նշանակում, որ նույն խնայողությունը հնարավոր կլինի ստանալ AI-ի բոլոր կիրառություններում։ Հետագա նշանակությունը հատկապես կապված է այն բանի հետ, թե որքան լավ կաշխատի այս մոտեցումը ավելի բարդ ռոբոտային խնդիրներում, որտեղ տեսողական տվյալները, լեզվային հրահանգներն ու ֆիզիկական գործողությունները միաժամանակ փոխկապակցված են։
