A crescente demanda energética da Inteligência Artificial
A inteligência artificial (IA) consome enormes quantidades de eletricidade nos Estados Unidos. Além disso, segundo a Agência Internacional de Energia, sistemas de IA e centros de dados utilizaram cerca de 415 terawatts-hora de energia em 2024. Isso representa mais de 10% da produção total de eletricidade do país; portanto, a demanda deve dobrar até 2030.
Uma solução híbrida: IA Neuro-Simbólica
Essa rápida expansão gera preocupações ambientais e debates sobre sustentabilidade. Por isso, pesquisadores da Escola de Engenharia desenvolveram um sistema de IA experimental muito mais eficiente. Além disso, a abordagem reduz o uso de energia em até 100 vezes e ainda melhora a performance em diversas tarefas.
O trabalho, liderado por Matthias Scheutz, Professor de Tecnologia Aplicada da Família Karol, foca na IA neuro-simbólica, que combina redes neurais tradicionais com raciocínio simbólico. Dessa forma, o método espelha a forma como humanos resolvem problemas por etapas e categorias.
O estudo será apresentado na Conferência Internacional de Robótica e Automação, em Viena, e divulgado nos anais do evento.
Nexus: Uma breve história das redes de informação
Produto altamente avaliado, ideal para quem busca qualidade e excelente custo-benefício.
★★★★☆ 4.7
Ver na Amazon →* Link de afiliado. Você pode gerar comissão sem custo adicional.
Robôs que veem, entendem e agem
Diferente dos conhecidos modelos de linguagem grande (LLMs) como ChatGPT e Gemini, a equipe concentra-se em sistemas IA utilizados em robótica, chamados modelos visual-linguagem-ação (VLA). Eles ampliam as capacidades dos LLMs ao incorporar visão computacional e movimentos físicos.
Esses modelos VLA recebem dados visuais das câmeras e comandos em linguagem, para transformar informações em ações concretas. Por exemplo, podem controlar rodas, braços ou dedos robóticos para executar tarefas específicas.
Por que a IA tradicional tem dificuldades com tarefas simples
Sistemas VLA convencionais dependem muito de aprendizado por tentativa e erro baseado em grandes quantidades de dados. Se um robô precisa empilhar blocos, ele deve analisar a cena, identificar os blocos e calcular onde posicioná-los corretamente.
Entretanto, esse processo pode causar erros. Por exemplo, sombras confundem a forma dos blocos, ou o robô posiciona mal as peças, levando a quedas da estrutura.
Esses erros se assemelham aos encontrados em LLMs, que podem gerar respostas falsas ou imagens com detalhes irreais, como dedos extras. Portanto, a precisão ainda é um desafio.
Como o raciocínio simbólico aprimora precisão e eficiência
O raciocínio simbólico utiliza regras e conceitos abstratos, como forma e equilíbrio, ao invés de depender apenas em padrões extraídos dos dados. Assim, o sistema planeja melhor e evita apelar para muitos testes e erros desnecessários.
“Assim como um LLM, modelos VLA agem segundo estatísticas de vastos conjuntos de treinamento, o que pode gerar erros”, explicou Scheutz. “Um VLA neuro-simbólico aplica regras que limitam esse processo e alcança a solução muito mais rápido, além de reduzir significativamente o tempo de treinamento.”
Resultados expressivos em testes com quebra-cabeças
Os pesquisadores testaram o sistema com o quebra-cabeça Torre de Hanoi, que exige planejamento sofisticado.
Enquanto os modelos tradicionais tiveram 34% de sucesso, o VLA neuro-simbólico alcançou 95%. Em versões mais complexas e inéditas do puzzle, o sistema híbrido manteve 78% de acerto; os modelos convencionais falharam em todas as tentativas.
Além disso, o tempo de treinamento despencou: 34 minutos contra mais de um dia e meio dos métodos tradicionais.
Perspectivas para sustentabilidade e tecnologia
Com a demanda energética da IA aumentando e seus impactos ambientais tornando-se mais visíveis, esse avanço representa um caminho promissor. Portanto, soluções assim podem apoiar a criação de sistemas mais sustentáveis.
Além disso, para entender inovações na saúde, veja nosso artigo sobre terapia celular contra o câncer, ou para cuidados com órgãos, leia sobre doença renal.
Matéria original: https://www.sciencedaily.com/releases/2026/04/260405003952.htm
Deixe seu comentário