Yapay Zeka Enerji Tüketimini 100 Kat Azaltıyor

Yapay zeka, son yıllarda enerji tüketiminde büyük bir artış yaşamaktadır. Uluslararası Enerji Ajansı'na göre, 2024 yılında yapay zeka sistemleri ve veri merkezleri yaklaşık 415 terawatt saat enerji tüketmiştir. Bu, ABD'nin toplam elektrik üretiminin %10'unun üzerinde bir miktar olup, 2030 yılına kadar talebin iki katına çıkması beklenmektedir. Bu hızlı büyüme, sürdürülebilirlik konusunda endişelere neden olmaktadır. Tufts Üniversitesi'ndeki araştırmacılar, enerji tüketimini azaltmak amacıyla bir prova konsepti yapay zeka sistemi geliştirmişlerdir. Bu sistem, enerji tüketimini %100 oranında azaltırken aynı zamanda görev performansı da artırmaktadır.

Matthias Scheutz'un laboratuvarından gelen bu araştırma, nöro-semantik yapay zeka üzerine odaklanmaktadır. Bu yöntem, geleneksel sinir ağları ile semantik akıl yürütme birleştirerek, insanların sorunları çözmek için kullandıkları yöntemi taklit etmektedir. Araştırma, Mayıs ayında Viyana'da yapılacak Uluslararası Robotik ve Otomasyon Konferansı'nda sunulacak ve konferans bildirilerinde yer alacaktır. Araştırmacılar, robotların görmesini, anlamasını ve eylemde bulunmasını öğretmeye odaklanmaktadır. Bu sistemler, büyük dil modellerinden farklı olarak, görme ve fiziksel hareketi içerebilen görsel-dil-eylem modelleri olarak bilinmektedir.

Geleneksel yapay zeka sistemleri, büyük miktarda veri ve deneme-yanılma öğrenimi gerektirmektedir. Bir robota blokları bir kuleye dizme görevi verildiğinde, önce sahneyi analiz etmesi, her bloğu tanımlaması ve onları doğru şekilde yerleştirerek kuleyi oluşturması gerekir. Bu süreç genellikle hatalara neden olur. Gölge, sistemin bir bloğun şeklini yanlış yorumlamasına neden olabilir veya robot parçaları yanlış yerleştirerek kuleyi devirebilir. Bu hatalar, büyük dil modellerinde görülen sorunlara benzerdir. Chatbot'lar gibi, robotlar da yanlış veya aldatıcı çıktılar üretebilirler.

Semantik akıl yürütme, farklı bir strateji sunmaktadır. Sadece veri kalıplarına dayanmak yerine, kurallar ve soyut kavramlar gibi şekilleri ve dengeleri kullanır. Bu, sistemin daha etkili bir şekilde planlamasını ve gereksiz deneme-yanılma işlemlerinden kaçınmasını sağlar. Araştırmacılar, nöro-semantik sistemi, Tower of Hanoi bulmacası gibi klasik bir problemde test etmişlerdir. Nöro-semantik sistem, %95'lik bir başarı oranına ulaşırken, geleneksel sistemler sadece %34'lük bir başarı elde edebilmiştir. Daha karmaşık bir bulmaca verildiğinde, nöro-semantik sistem hala %78'lik bir başarı oranına ulaşmıştır. Geleneksel modeller ise tüm girişimlerde başarısız olmuştur. Eğitim süresi de önemli ölçüde azaltılmıştır. Yeni sistem, görevi sadece 34 dakika içinde öğrenirken, geleneksel modeller bir buçuk günden fazla zaman almıştır.

Enerji tüketimi de dramatik bir şekilde azaltılmıştır. Nöro-semantik modelin eğitimi, geleneksel bir VLA sisteminin kullandığı enerjinin sadece %1'i kadar enerji gerektirmiştir. İşlem sırasında da, geleneksel yaklaşımların benötirdiği enerjinin sadece %5'i kadar enerji tüketmiştir. Matthias Scheutz, bu verimsizliği günlük yapay zeka araçlarına benzetti. "Bu sistemler, sadece bir dizi içindeki sonraki kelimeyi veya eylemi tahmin etmeye çalışıyorlar, ancak bu mükemmel olmayabilir ve yanlış sonuçlar veya hayal güçleri ortaya çıkabilir. Enerji giderleri, genellikle görevle orantısızdır. Örneğin, Google'da arama yaptığınızda, sayfanın üst kısmındaki AI özeti, web sitesi listelerinin oluşturulmasından 100 kat daha fazla enerji tüketebilir."