随着人工智能算力需求激增，全球能源基础设施正承受前所未有的压力。根据国际能源署的数据，2024年AI系统与数据中心消耗约415太瓦时电力，这一数字超过全球多数国家全年用电量，且预测到2030年还将翻倍。在此背景下，塔夫兹大学工程学院团队的最新突破，或许为AI的可持续发展提供了一条极具潜力的替代路径。
塔夫兹大学Matthias Scheutz教授团队开发的神经符号式AI系统，将传统神经网络与符号推理深度融合。神经网络负责环境感知与对象识别，符号推理模块则承担逻辑规划与规则约束，分工明确、各司其职。这一设计从根本上改变了AI系统“用海量数据和暴力试错换取智能”的传统范式——符号推理在CPU上即可高效运行，无需依赖高功耗的张量计算单元。
据称，这套概念系统做特定任务可将训练能源消耗削减至传统方法1%，推论阶段也只需约5%能量，最高可节能百倍。
图片来源：千库网
与ChatGPT、Gemini等大众熟悉的大语言模型不同，该团队专注于机器人领域的AI系统，即视觉-语言-动作模型（VLA模型）。这类模型在大语言模型的基础上扩展了视觉感知与物理运动能力，能够同时读取影像与语言指令，再转为机器手臂、轮子或手指等实际动作。团队指出，传统VLA模型高度依赖大量数据与反复试错，遇到阴影、形状判读或步骤规划等时，容易错误判断导致任务失败。
Scheutz介绍，"神经符号VLA能够运用规则来限制学习过程中的试错次数，更快找到解决方案。它不仅能更快完成任务，还能显著缩短系统训练所需的时间。"这种方法更接近人类拆解问题、逐步思考模式，同时也能缩短训练时间。
在经典的汉诺塔操作任务测试中，实验数据进一步印证了该模型的优势：神经符号式VLA（视觉-语言-动作）模型实现了95%的成功率，而传统VLA模型仅为34%；面对训练中从未见过的更复杂版本谜题时，混合系统成功率仍达78%，传统模型则全面失败。训练阶段，新系统仅用34分钟即完成任务学习，而传统模型需超36小时；训练能耗仅为传统系统的1%，运行能耗也仅为传统方案的5%。能耗降低幅度高达两个数量级，准确率不降反升。
塔夫兹大学团队认为，若AI持续朝更大规模发展，电力基础设施将面临更大挑战。全球高科技产业研究机构TrendForce集邦咨询最新调研进一步印证了能效压力：2026年受惠于北美大型CSPs提高资本支出，以及各国主权云兴起，对AI数据中心建置需求旺盛，预估全球AI服务器出货量年增约28%。此外，2026下半年全球人形机器人产业将进入商业化的关键期。其中，中国厂商锁定的商用化目标与场景逐渐明确，并积极提升产量，TrendForce预估2026全年中国人形机器人市场产量年增高达94%；美系厂商同样致力于产品商业落地。
在AI数据中心建置需求旺盛、机器人规模化部署即将提速的节点上，塔夫兹大学的研究提供了宝贵的理性锚点——不盲目堆砌算力，而是让AI学会“动脑”。结合学习与结构化推理的神经符号式AI，可能为未来AI提供更有效率，也更可靠的方向。
业内人士表示，塔夫茨大学的这一突破，不仅为机器人领域提供了高效低耗的解决方案，也为机器人提供了一种更接近人类认知的方式——用逻辑推理替代暴力搜索，用精准规划削减冗余计算。更打破了行业“规模即能力”的固有认知，为AI产业能效优化提供了全新思路。
