AI Nơ-ron biểu tượng: Hướng đi mới giúp giảm mạnh tiêu thụ năng lượng và nâng cao hiệu suất

Sự bùng nổ của trí tuệ nhân tạo đang kéo theo nhu cầu năng lượng khổng lồ, đặt ra thách thức lớn về tính bền vững. Theo ước tính của International Energy Agency, riêng các hệ thống AI và trung tâm dữ liệu tại Mỹ đã tiêu thụ khoảng 415 terawatt giờ điện trong năm 2024, tương đương hơn 10% tổng sản lượng điện quốc gia, và con số này có thể tăng gấp đôi vào năm 2030. Trước áp lực đó, các nhà nghiên cứu đang tìm kiếm những giải pháp mới nhằm giảm mức tiêu thụ năng lượng mà vẫn đảm bảo hiệu quả vận hành.

Các nhà khoa học do Giáo sư Karol dẫn đầu của phòng thí nghiệm Matthias Scheutz, thuộc Trường Kỹ thuật của Tufts University đã nghiên cứu đề xuất mô hình AI Nơ-ron biểu tượng, kết hợp giữa mạng nơ-ron truyền thống và suy luận biểu tượng, tương tự cách con người phân tích vấn đề theo từng bước và khái niệm và có thể giải quyết được các vấn đề trên.

Khác với các mô hình ngôn ngữ lớn như ChatGPT hay Gemini vốn chủ yếu xử lý văn bản trên màn hình, nhóm nghiên cứu tập trung vào các mô hình thị giác – ngôn ngữ – hành động (VLA) dành cho robot. Những hệ thống này sử dụng dữ liệu từ camera và ngôn ngữ để đưa ra hành động trong thế giới thực, chẳng hạn như điều khiển tay hoặc bánh xe của robot.

Trong các phương pháp truyền thống, để thực hiện một nhiệm vụ đơn giản như xếp chồng các khối hình, robot phải xử lý lượng lớn dữ liệu để xác định vị trí, hình dạng và hướng của từng vật thể. Quá trình này dễ dẫn đến sai sót, như nhận diện nhầm hình dạng do bóng đổ hoặc sắp xếp không ổn định khiến cấu trúc bị đổ. Những lỗi này tương tự hiện tượng “ảo giác” thường thấy ở các mô hình AI hiện nay khi tạo ra thông tin không chính xác.

Mô hình neuro-symbolic khắc phục hạn chế này bằng cách đưa các quy tắc suy luận vào quá trình học. Thay vì chỉ dựa vào xác suất từ dữ liệu huấn luyện, hệ thống có thể áp dụng các nguyên tắc như phân loại hình dạng hoặc tính toán trọng tâm để xây dựng chiến lược giải quyết bài toán. Cách tiếp cận này giúp giảm đáng kể số lần thử sai và tăng tốc độ tìm ra lời giải.

Kết quả thực nghiệm cho thấy sự khác biệt rõ rệt. Trong bài toán Tháp Hà Nội, hệ thống neuro-symbolic đạt tỷ lệ thành công 95%, trong khi mô hình truyền thống chỉ đạt 34%. Với phiên bản phức tạp hơn mà robot chưa từng được huấn luyện, hệ thống mới vẫn đạt 78% thành công, còn phương pháp cũ hoàn toàn thất bại. Đáng chú ý, thời gian huấn luyện giảm từ hơn một ngày rưỡi xuống chỉ còn 34 phút, trong khi mức tiêu thụ năng lượng chỉ bằng 1% so với mô hình thông thường. Khi vận hành, hệ thống cũng chỉ sử dụng khoảng 5% năng lượng so với các mô hình VLA truyền thống.

Theo Matthias Scheutz, các hệ thống AI hiện nay chủ yếu dự đoán từ hoặc hành động tiếp theo trong chuỗi, điều này không chỉ dễ gây sai lệch mà còn tiêu tốn năng lượng không tương xứng với nhiệm vụ. Ông dẫn ví dụ, việc tạo phần tóm tắt bằng AI trên công cụ tìm kiếm có thể tiêu tốn năng lượng gấp hàng chục lần so với việc hiển thị danh sách kết quả thông thường.

Trong bối cảnh nhu cầu AI ngày càng tăng và các trung tâm dữ liệu mở rộng nhanh chóng với mức tiêu thụ điện tương đương cả một thành phố nhỏ, bài toán năng lượng trở nên cấp thiết hơn bao giờ hết. Nghiên cứu cho rằng các mô hình AI hiện tại, dù phổ biến, có thể không phải là nền tảng tối ưu cho một tương lai bền vững. Thay vào đó, các hệ thống lai thần kinh – biểu tượng được kỳ vọng sẽ mở ra hướng đi mới, vừa tiết kiệm năng lượng, vừa nâng cao độ tin cậy trong các ứng dụng thực tế.

Công trình nghiên cứu sẽ được trình bày tại Hội nghị Quốc tế về Robot và Tự động hóa và đã được công bố trên nền tảng arXiv, đánh dấu một bước tiến quan trọng trong nỗ lực xây dựng thế hệ AI hiệu quả và bền vững hơn.

Diệu Huyền – Theo Techxplore.com