A inteligência artificial consome uma enorme quantidade de eletricidade nos Estados Unidos. De acordo com a Agência Internacional de Energia, os sistemas de inteligência artificial e os centros de dados consumirão cerca de 415 terawatts-hora de energia em 2024. Isto representa mais de 10% da produção total de eletricidade do país, e prevê-se que a procura duplique até 2030.
Este rápido crescimento levantou preocupações sobre a sustentabilidade. Em resposta, os pesquisadores da Escola de Engenharia criaram um sistema de inteligência artificial de prova de conceito projetado para ser muito mais eficiente. Sua abordagem pode reduzir o uso de energia em até 100 vezes e também melhorar o desempenho das tarefas.
Uma abordagem híbrida chamada inteligência artificial neuro-simbólica
A pesquisa está sendo conduzida no laboratório de Matthias Scheutz, professor de tecnologia aplicada da família Karol. Sua equipe está desenvolvendo inteligência artificial neurosimbólica, que combina redes neurais tradicionais com raciocínio simbólico. Este método reflete como as pessoas abordam os problemas, dividindo-os em estágios e categorias.
O trabalho será apresentado na Conferência Internacional sobre Robótica e Automação em Viena, em maio, e aparecerá nos anais da conferência.
Ensinando robôs a ver, compreender e agir
Ao contrário dos grandes modelos de linguagem (LLMs) familiares, como ChatGPT e Gemini, a equipe se concentra em sistemas de inteligência artificial usados em robótica. Esses sistemas são conhecidos como modelos de ação de linguagem visual (VLA). Eles ampliam as capacidades do LLM incorporando visão e movimento físico.
Os modelos VLA obtêm dados visuais de câmeras e instruções de linguagem e depois traduzem essas informações em ações do mundo real. Por exemplo, eles podem controlar as rodas, braços ou dedos do robô para completar uma tarefa.
Por que a IA tradicional tem dificuldade com tarefas simples
Os sistemas VLA convencionais dependem fortemente de dados e aprendizagem por tentativa e erro. Quando um robô é solicitado a empilhar blocos em uma torre, ele deve primeiro analisar a cena, identificar cada bloco e determinar como colocá-los corretamente.
Esse processo geralmente leva a erros. As sombras podem confundir o sistema quanto ao formato do bloco, ou o robô pode perder peças, causando o colapso da estrutura.
Esses erros são semelhantes aos problemas vistos no LLM. Assim como os bots podem derrubar blocos, os chatbots podem produzir resultados falsos ou enganosos. Os exemplos incluem a falsificação de processos judiciais ou a produção de imagens com detalhes irrealistas, como dedos extras.
Como o raciocínio simbólico aumenta a precisão e a eficiência
O raciocínio simbólico oferece uma estratégia diferente. Em vez de confiar apenas nos padrões dos dados, utiliza regras e conceitos abstratos como forma e equilíbrio. Isso permite que o sistema planeje com mais eficiência e evite tentativas e erros desnecessários.
“Como o LLM, os modelos VLA operam nos resultados estatísticos de grandes conjuntos de treinamento de cenários semelhantes, mas isso pode levar a erros”, disse Scheutz. “O VLA neuro-simbólico pode aplicar regras que limitam a quantidade de tentativa e erro durante a aprendizagem e chegar a uma solução muito mais rapidamente. Não só completa a tarefa muito mais rapidamente, mas o tempo gasto a treinar o sistema é significativamente reduzido.”
Bons resultados em testes de quebra-cabeças
Os pesquisadores testaram seu sistema com o quebra-cabeça da Torre de Hanói, um quebra-cabeça clássico que requer um planejamento cuidadoso.
O VLA neurosimbólico alcançou 95% de sucesso em comparação com apenas 34% dos sistemas padrão. Ao receber uma versão mais difícil do quebra-cabeça que ela não havia encontrado antes, o sistema híbrido ainda teve sucesso em 78% das vezes. Os modelos tradicionais falharam em todas as tentativas.
O tempo de treinamento também foi drasticamente reduzido. O novo sistema aprendeu a tarefa em apenas 34 minutos, enquanto os modelos convencionais demoraram mais de um dia e meio.
Enorme economia de energia no aprendizado e no uso
O consumo de energia também caiu drasticamente. O treinamento do modelo neural simbólico exigiu apenas 1% da energia usada por um sistema VLA padrão. Durante a operação, utilizou apenas 5% da energia necessária para abordagens convencionais.
Scheutz comparou essa ineficiência às ferramentas diárias de IA. “Esses sistemas estão simplesmente tentando prever a próxima palavra ou ação em uma sequência, mas isso pode ser imperfeito e eles podem obter resultados imprecisos ou alucinações. Seu gasto de energia costuma ser desproporcional à tarefa. Por exemplo, quando você pesquisa no Google, o resumo de IA no topo da página consome até 100 vezes mais energia do que gerar listagens de sites.”
Carga crescente de inteligência artificial na infraestrutura energética
À medida que a adoção da inteligência artificial pela indústria acelera, a procura por poder computacional continua a crescer. As empresas estão a construir centros de dados cada vez maiores, alguns dos quais requerem centenas de megawatts de electricidade. Este nível de consumo pode exceder as necessidades de pequenas cidades inteiras.
Esta tendência desencadeou uma corrida à expansão das infra-estruturas, levantando preocupações sobre restrições energéticas a longo prazo.
Um caminho mais sustentável para a IA
Os investigadores sugerem que as abordagens atuais baseadas em LLM e VLA podem não ser sustentáveis a longo prazo. Embora estes sistemas sejam poderosos, eles consomem muita energia e podem produzir resultados não confiáveis.
Em contraste, a IA neuro-simbólica oferece uma direção diferente. Ao combinar a aprendizagem com o raciocínio estruturado, isto poderia fornecer uma base mais eficiente e confiável para futuros sistemas de inteligência artificial.
