美国AI和数据中心系统的电力消耗显著，国际能源署估计2024年其电力使用约占全国能源输出的10%以上，预计到2030年可能翻倍。为应对这一挑战，工程学院的研究人员开发了一种高效AI系统的概念验证，该系统可能比当前系统少用100倍的能源，同时提供更准确的结果。

该方法是Karol家族应用技术教授Matthias Scheutz的实验室开发的，采用神经符号AI，结合传统神经网络与符号推理，模拟人类分解任务的方式。这项研究将于5月在维也纳的国际机器人与自动化会议上展示，并已发表在会议论文集和arXiv预印本服务器上。

Scheutz团队专注于机器人与人类交互，因此使用视觉-语言-行动（VLA）模型，而非屏幕型大型语言模型（LLMs）。VLA模型扩展了LLMs，具备视觉和运动能力，通过摄像头和语言输入生成现实世界行动，如移动机器人部件。

传统VLA方法资源密集，可能导致错误，例如在堆叠积木任务中误解形状或放错位置。符号推理则基于规则和抽象类别，提供更高效的规划策略。Scheutz说：“神经符号VLA可以应用规则，限制学习过程中的试错量，并更快地找到解决方案。它不仅完成任务快得多，而且训练系统的时间也显著减少。”

在测试中，神经符号VLA系统在标准汉诺塔拼图中成功率达95%，而标准VLA为34%。对于未训练过的复杂版本，神经符号系统成功率为78%，标准VLA则失败。神经符号系统训练仅需34分钟，使用能源为训练VLA模型的1%，运行能源仅为VLA的5%。

随着AI需求增长，数据中心电力消耗加剧，研究人员认为当前LLMs和VLAs可能不是能源高效AI的正确基础。他们建议混合神经符号AI可提供更可持续和可靠的路径，以应对资源限制挑战。

出版详情：作者：Mike Silver, Tufts University；标题：《Neuro-symbolic AI could slash energy use while dramatically improving performance》；发表于：《arXiv》(2026)。