Výzkumníci z Tufts University vyvinuli neuro-symbolický AI systém, který snižuje spotřebu energie stokrát ve srovnání s konvenčními přístupy a zároveň téměř ztrojnásobuje přesnost úloh. Hybridní architektura pod vedením profesora Matthiase Scheutze kombinuje neuronové sítě se symbolickým uvažováním — napodobuje tak způsob, jakým lidé rozkládají problémy na logické kroky místo spoléhání na čisté rozpoznávání vzorů.
Systém dosáhl 95% úspěšnosti ve strukturovaných manipulačních úlohách, jako je Hanojská věž, oproti pouhým 34 % u standardních modelů Vision-Language-Action (VLA) používaných v robotice. Trénink trval pouhých 34 minut oproti více než jednomu dni u tradičních metod a spotřeboval jen 1 % energie. Během provozu systém spotřeboval pouze 5 % energie potřebné konvenčními přístupy.
Výzkum bude prezentován na Mezinárodní konferenci robotiky a automatizace ve Vídni v květnu. V době, kdy energetická náročnost AI je rostoucím problémem a datová centra spotřebovávají stále více energie, tento průlom naznačuje, že chytřejší architektury, nikoliv jen větší modely, mohou být klíčem k udržitelné AI.
