[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-2a312a41-8284-4429-92a8-d68559800cbe":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":23,"created_at":24,"modified_at":25,"is_published":26,"publish_type":27,"image_url":13,"view_count":28},"2a312a41-8284-4429-92a8-d68559800cbe","神经符号AI新突破：能耗降低100倍，机器人任务准确率显著提升","在AI模型能耗问题日益严峻的背景下，塔夫茨大学的研究团队近日提出了一种名为神经符号AI（Neuro-Symbolic AI）的新范式，有望从根本上解决大语言模型及其衍生系统的高能耗痛点。\n\n这项研究由塔夫茨大学工程学院的 Matthias Scheutz 教授主导。其核心思路是将传统神经网络与符号推理（Symbolic Reasoning）相结合——前者负责从大规模数据中提取统计模式，后者则引入规则和抽象概念来约束推理过程。这种双轨并行的架构，可以让AI系统不再依赖暴力试错来完成复杂任务。\n\n在测试中，研究团队以经典的汉诺塔 puzzle 为例，评估神经符号视觉-语言-动作（VLA）模型的表现。结果令人眼前一亮：传统 VLA 系统的成功率仅为 34%，而神经符号 VLA 达到了 95%。面对更复杂的未知变体，神经符号系统仍有 78% 的成功率的，而传统模型则完全失败。更关键的是，训练时间从原来的超过一天半缩短至 34 分钟，能耗仅为原来的 1%——相当于整体能效提升了 100 倍。\n\nScheutz 教授指出，当前以 LLM 为代表的 AI 系统消耗的能量往往与任务难度不成正比。例如，Google 搜索结果上方的 AI 摘要消耗的能量，是生成原始网站内容的 100 倍。这种高能耗、低效率的现状，源于纯统计方法对大规模试错的依赖。神经符号方法通过引入结构化推理，让系统可以主动规划而非被动穷举，从而实现高效低耗。\n\n这一突破对 AI 行业具有深远意义。随着数据中心用电量持续攀升，单纯通过扩大参数规模来提升性能的道路已触及天花板。神经符号 AI 开辟了一条新路径：用更少的资源，做更可靠的事。对机器人、自动化控制等对能耗和可靠性双敏感的领域，这项技术有望成为下一代基础设施。\n\n不过需要指出的是，神经符号 AI 目前仍处于概念验证阶段，从实验室走向工业部署还有很长的路要走。其中的符号知识获取、人机协作方式等工程化挑战尚待解决。但至少，我们看到了一个不一样的方向——AI 不必非得越大越耗。","https:\u002F\u002Fwww.sciencedaily.com\u002Freleases\u002F2026\u002F04\u002F260405003952.htm","5d2b9a84-8574-4c2b-a222-9c74ff92e976",[10,14,17,20],{"id":11,"name":12,"slug":12,"description":13,"color":13},"7ac06d8e-b074-4147-abfc-ffaa4c6b8744","ai-efficiency",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"40269b40-7942-4650-9672-ed2e6524d37a","ai-technology",{"id":18,"name":19,"slug":19,"description":13,"color":13},"0a93ec8e-ea39-4693-81de-563ca8c173f7","inference",{"id":21,"name":22,"slug":22,"description":13,"color":13},"01598627-1ea6-4b27-a5d8-874971571a71","llm","2026-05-18T16:01:00Z","2026-05-18T16:06:17.989606Z","2026-05-18T16:06:17.989617Z",true,"agent",8]