Neurosymbolic AI pode superar LLMs em eficiência e inteligência
Contexto da pesquisa
A pesquisa sobre inteligência artificial (AI) e machine learning está em constante evolução, com novos modelos buscando maior eficiência e menor impacto ambiental. Um grupo de pesquisadores propôs o uso de uma abordagem neurosimbólica, que pode apresentar uma alternativa sustentável às enormes demandas energéticas dos modelos de linguagem de grande porte (LLMs).
Método proposto
No artigo publicado na PNAS Nexus, Alvaro Velasquez e seus colegas destacam o modelo de AI neurosimbólica, que combina métodos neurais orientados por dados com abordagens simbólicas clássicas. “O cérebro humano opera com cerca de 20 watts de potência e exibe um raciocínio bimodal ágil e reflexivo” (“The human brain operates on about 20 watts of power and exhibits bimodal fast and slow reasoning”), explicam os autores. Essa abordagem permite que os modelos utilizem menos dados e parâmetros para gerar saídas confiáveis, podendo aprender axiomas básicos do conjunto de dados e inferir novos conhecimentos através da lógica simbólica.
Resultados e impacto
Os investigadores demonstraram que os modelos neurosimbólicos poderiam ser até 100 vezes menores que os LLMs mais avançados atuais, reduzindo substancialmente a necessidade de grandes volumes de dados para treinamento. “Os sistemas de AI neurosimbólicos podem possibilitar sistemas confiáveis sem o uso insustentável de energia” (“Neurosymbolic AI could enable efficient and trustworthy AI systems without unsustainable energy use”), afirmam os autores. Essa eficiência não apenas democratiza o acesso à tecnologia de AI, permitindo a entrada de participantes menores no setor, mas também busca minimizar as emissões de carbono associadas aos centros de dados que sustentam a AI.
Com esses avanços, as potenciais aplicações da AI neurosimbólica são variadas, desde aplicações em pesquisa até a implementação em sistemas críticos que requerem operações rápidas e sustentáveis.
Fonte: (TechXplore – Machine Learning & AI)
