La notizia in sintesi
- Tufts University sviluppa un modello neuro-simbolico per robot più efficiente.
- Il sistema combina reti neurali e ragionamento basato su regole.
- Nei test ha ridotto tempi di addestramento e consumi energetici.
- La ricerca sarà presentata a Vienna nel mese di maggio.
(Riassunto generato con AI)
AI neuro-simbolica, il progetto di Tufts University
Tufts University, attraverso il laboratorio di Matthias Scheutz, ha realizzato un sistema sperimentale di intelligenza artificiale neuro-simbolica destinato alla robotica, con l’obiettivo di ridurre il consumo energetico e aumentare l’affidabilità delle decisioni. Il progetto arriva mentre la domanda elettrica di AI e data center negli Stati Uniti continua a crescere: secondo l’Agenzia internazionale dell’energia, nel 2024 questi sistemi hanno utilizzato circa 415 terawattora, oltre il 10% della produzione elettrica nazionale.
Il gruppo guidato da Scheutz, Karol Family Applied Technology Professor, punta a integrare apprendimento statistico e regole logiche. La ricerca sarà presentata all’International Conference of Robotics and Automation di Vienna, nel mese di maggio, e comparirà negli atti del congresso.
La ragione dell’interesse è concreta: la crescita dei modelli AI richiede infrastrutture sempre più energivore, mentre i sistemi tradizionali possono ancora commettere errori in compiti apparentemente semplici.
Regole e reti neurali per robot più affidabili
A differenza dei grandi modelli linguistici come ChatGPT e Gemini, il lavoro riguarda i modelli visual-language-action, o VLA: sistemi che ricevono immagini e istruzioni linguistiche, quindi controllano movimenti reali di ruote, bracci o dita robotiche. Per completare un’azione, un robot deve riconoscere gli oggetti, comprenderne la disposizione e pianificare la sequenza di movimenti.
Nei modelli convenzionali, l’apprendimento dipende in larga misura da dati e tentativi ripetuti. Ombre, forme interpretate in modo errato o collocamenti imprecisi possono portare un robot a far crollare una torre di blocchi; analogamente, un chatbot può produrre informazioni inesatte o immagini con dettagli irrealistici.
Il metodo neuro-simbolico aggiunge concetti astratti e regole, come forma ed equilibrio, al riconoscimento basato sui dati. “Come un LLM, i modelli VLA agiscono sui risultati statistici di grandi set di addestramento, ma questo può portare a errori”, ha spiegato Matthias Scheutz. “Un VLA neuro-simbolico può applicare regole che limitano tentativi ed errori durante l’apprendimento e arrivare a una soluzione molto più rapidamente”.
I risultati nei test e il nodo dell’energia
Nel test della Torre di Hanoi, rompicapo che richiede pianificazione, il sistema neuro-simbolico ha raggiunto il 95% di successo, contro il 34% dei sistemi standard. In una versione più complessa e mai incontrata prima, il modello ibrido ha ottenuto il 78% di successi, mentre i modelli tradizionali non hanno completato alcun tentativo.
L’addestramento è durato 34 minuti, rispetto a oltre un giorno e mezzo richiesto dagli approcci convenzionali. Sul fronte energetico, il nuovo modello ha usato l’1% dell’energia necessaria all’addestramento di un VLA standard e il 5% durante l’uso operativo.
Scheutz osserva che persino il riepilogo AI nei risultati di Google può consumare fino a 100 volte più energia della generazione dell’elenco dei siti. Il dato rafforza l’interesse per architetture capaci di limitare calcolo superfluo e risposte non affidabili.
FAQ
Chi guida la ricerca sull’AI neuro-simbolica?
Sì, il progetto è guidato da Matthias Scheutz nel laboratorio della Tufts University, dove ricopre il ruolo di Karol Family Applied Technology Professor.
Che cosa sono i modelli visual-language-action?
Sì, i VLA elaborano immagini e istruzioni linguistiche per trasformarle in azioni fisiche di robot, come il controllo di ruote, bracci e dita.
Quale risultato ha ottenuto la Torre di Hanoi?
Sì, il modello neuro-simbolico ha ottenuto il 95% di successo nel test, contro il 34% registrato dai sistemi convenzionali.
Quanto consuma il nuovo modello durante l’addestramento?
Sì, l’addestramento ha richiesto l’1% dell’energia utilizzata da un VLA standard; nell’operatività il consumo è stato pari al 5%.
Come è stata verificata questa ricostruzione?
Sì, il contenuto nasce da un’analisi approfondita e da una verifica incrociata della nostra Redazione su numerose fonti, tra cui ScienceDaily.
