Angesichts dieser ökologischen und wirtschaftlichen Spannung zeichnet sich ein vielversprechender hybrider Ansatz ab. Er besteht darin, das statistische Lernen neuronaler Netze mit dem logischen, symbolischen Denken zu vereinen. Diese Mischung, genannt neuro-symbolische KI, würde es Systemen ermöglichen, Aufgaben genauer zu erledigen und dabei viel weniger Strom zu verbrauchen.
Illustrationsbild Unsplash
Diese Methode ist nicht für einfache Chatbots gedacht, sondern richtet sich vor allem an Roboter, die mit der physischen Welt interagieren. Durch die Integration von Sehen und Bewegung werden sie in die Lage versetzt, Aktionen wie das geschickte Manipulieren von Objekten auszuführen und dabei Fehler durch unvollkommene Sicht oder ungeschickte Bewegungen zu begrenzen.
Die Versuche, zum Beispiel mit dem berühmten Türme-von-Hanoi-Puzzle, sind eindeutig. Das neuro-symbolische System erzielt eine deutlich höhere Erfolgsquote als klassische Modelle. Darüber hinaus benötigt es eine wesentlich kürzere Lernzeit und eine deutlich geringere Energiemenge – bis zu 100-mal weniger als bei konventionellen Ansätzen erforderlich. Die Ersparnis ist schlichtweg enorm.
Diese energetische Sparsamkeit kommt genau zum richtigen Zeitpunkt, da der Bedarf an Rechenleistung explodiert. Traditionelle, oft sehr ressourcenhungrige Modelle durch sparsamere Alternativen zu ersetzen, könnte somit die Stromnetze entlasten, ohne dabei Leistungseinbußen hinnehmen zu müssen.
Die auf der Plattform arXiv verfügbaren Arbeiten lassen erkennen, dass diese Hybridisierung auch auf andere Bereiche anwendbar sein könnte. Sie würde dann dazu beitragen, den digitalen CO2-Fußabdruck zu verringern und gleichzeitig neue Fortschritte in der Robotik und Automatisierung zu ermöglichen.
Symbolisches Denken in der künstlichen Intelligenz
Das symbolische Denken funktioniert, indem es logische Regeln und abstrakte Konzepte anwendet, um Lösungen zu finden, ähnlich wie ein Mensch, der einem Plan Schritt für Schritt folgt. Im Gegensatz zum statistischen Lernen, das riesige Datenmengen benötigt, um Vorhersagen zu treffen, leitet diese Methode Ergebnisse aus allgemeinen Prinzipien ab, was den Bedarf an rechenintensiven Operationen begrenzt.
Dieser Ansatz erweist sich als sehr effektiv für klar strukturierte Aufgaben, wie die Planung von Aktionen oder die Manipulation von Objekten, bei denen rein statistische Modelle Fehler machen können. Indem sie Regeln befolgen, z.B. über Stabilität oder Form, vermeiden Systeme zielloses Probieren und erreichen ihr Ziel direkter, was zu einer erheblichen Energieeinsparung führt.
Innerhalb einer hybriden neuro-symbolischen KI ergänzt das symbolische Denken die neuronalen Netze, indem es eine logische Ebene hinzufügt, die die Entscheidungen lenkt. Dies ermöglicht nicht nur eine höhere Genauigkeit, sondern macht auch die Funktionsweise der Systeme verständlicher, da ihre Aktionen aus expliziten Regeln anstelle von undurchsichtigen Korrelationen aus den Daten abgeleitet werden.