Investigadores de la Universidad Tufts han presentado una nueva arquitectura de IA que combina redes neuronales con un razonamiento simbólico similar al humano, lo que podría reducir el consumo de energía hasta en 100 veces. Este avance ofrece una solución a la creciente demanda energética de la inteligencia artificial moderna, que actualmente representa más del 10% de la producción total de electricidad en Estados Unidos.
Los modelos de IA tradicionales dependen de predicciones estadísticas basadas en la fuerza bruta, un método que consume mucha energía y es propenso a errores. El nuevo sistema, desarrollado en el laboratorio de Matthias Scheutz, profesor de tecnología aplicada de la universidad, integra reglas lógicas para guiar la toma de decisiones. Este enfoque imita la resolución de problemas humana al dividir tareas complejas en pasos manejables.
Un enfoque híbrido para la robótica
El equipo centró su investigación en modelos de visión-lenguaje-acción (VLA), utilizados para controlar robots físicos. A diferencia de los modelos de lenguaje extensos estándar, estos sistemas deben interpretar datos visuales de cámaras y traducir esa información en movimientos físicos, como operar una mano o un brazo robótico.
Los modelos VLA convencionales suelen tener dificultades con tareas sencillas. Dependen de conjuntos de datos masivos y del aprendizaje por ensayo y error para comprender los objetos, lo que a menudo provoca fallos mecánicos o interpretaciones erróneas del entorno. Scheutz sostiene que la naturaleza "predictiva" actual de estos sistemas es intrínsecamente ineficiente y propensa a imprecisiones.
"Una IA neuro-simbólica VLA puede aplicar reglas que limitan la cantidad de ensayo y error durante el aprendizaje, llegando a una solución mucho más rápido", afirmó Scheutz. "No solo completa la tarea con mayor celeridad, sino que el tiempo dedicado al entrenamiento del sistema se reduce significativamente".
En pruebas de rendimiento utilizando el rompecabezas de la Torre de Hanói, el sistema híbrido alcanzó una tasa de éxito del 95%, frente al 34% de los modelos estándar. Al enfrentarse a variaciones nuevas y más complejas del rompecabezas, el sistema neuro-simbólico tuvo éxito el 78% de las veces, mientras que los modelos tradicionales fracasaron en todos los intentos.
Las mejoras en eficiencia se extienden a los recursos computacionales necesarios para el desarrollo. Entrenar el nuevo modelo requirió solo el 1% de la energía consumida por un sistema VLA estándar. Durante su funcionamiento activo, el modelo utilizó apenas el 5% de la energía que suelen requerir las arquitecturas de IA convencionales.
El equipo de investigación presentará sus hallazgos en la Conferencia Internacional de Robótica y Automatización en Viena este mes de mayo. Al reducir la dependencia de conjuntos de entrenamiento masivos que consumen mucha energía, los investigadores creen que su trabajo proporciona un camino más sostenible para el futuro de la robótica.
