De bouw van gigantische datacenters voor kunstmatige intelligentie staat wereldwijd onder druk. Ze verbruiken enorme hoeveelheden elektriciteit en koelwater, wat leidt tot bezorgdheid over de impact op het energienet en het milieu. De huidige generatie AI-modellen, zoals de bekende grote taalmodellen, werkt volgens het principe van ‘brute kracht’: hoe groter het model en hoe meer data er doorheen wordt gejaagd, hoe beter het resultaat. Maar er is een alternatieve route die niet alleen veel zuiniger is, maar de AI ook een stuk slimmer maakt: Neuro-Symbolische AI.

Het probleem van de huidige ‘brute kracht’-AI

De populairste AI-systemen van dit moment zijn gebaseerd op diepe neurale netwerken. Deze netwerken zijn uitstekend in het herkennen van patronen in taal, beelden en geluid. Ze hebben echter één grote tekortkoming: ze begrijpen geen logica.

Om een simpel wiskundig probleem op te lossen of een logische redenering te volgen, moet een neuraal netwerk rekenen op basis van miljarden statistische waarschijnlijkheden. Het ‘gokt’ in feite wat het meest waarschijnlijke volgende woord of getal is. Dit proces kost gigantisch veel rekenkracht en leads tot ‘hallucinaties’ (fouten die zelfverzekerd worden gepresenteerd). Bovendien vereist het continu trainen en draaien van deze reusachtige modellen een steeds grotere capaciteit aan datacenters.

Wat is Neuro-Symbolische AI?

Neuro-Symbolische AI combineert twee verschillende benaderingen uit de computerwetenschap:

• Het Neurale Deel (Perceptie): Een neuraal netwerk dat goed is in het verwerken van ‘rommelige’ menselijke data, zoals spraak, geschreven tekst of camerabeelden.
• Het Symbolische Deel (Logica): Een klassiek, op regels gebaseerd systeem (symbolische AI) dat werkt met harde logica, feiten en wiskundige formules.

Door deze twee methoden te koppelen, ontstaat een systeem dat het beste van twee werelden biedt. Het neurale netwerk fungeert als de ‘ogen en oren’ die de input begrijpen en vertalen. Vervolgens neemt de symbolische module het over om de daadwerkelijke logica of berekening uit te voeren.

Waarom dit het energieprobleem oplost

Het slim verdelen van taken levert een enorme besparing op in rekenkracht, stroom en water:

• Veel kleinere modellen: Omdat het neurale netwerk niet alle logische regels en feiten van de wereld in de eigen parameters hoeft op te slaan, kan het model zelf vele malen kleiner blijven.
• Directe logica in plaats van gokken: Een rekensom of logische stap kost een symbolische module een fractie van een milliseconde. Het hoeft niet langs miljarden parameters te zoeken, wat het stroomverbruik per zoekopdracht drastisch verlaagt.
• Aanpasbaar zonder her-training: Als er nieuwe regels of feiten zijn, hoeft niet het hele AI-model wekenlang opnieuw te worden getraind in een datacenter. Je past simpelweg de logische regels in de database aan.

De toekomst van duurzame AI

Onderzoekers van onder meer MIT, IBM Research en Google DeepMind laten met projecten zoals AlphaGeometry al zien dat neuro-symbolische systemen complexe vraagstukken kunnen oplossen met een fractie van de energie die traditionele modellen nodig hebben.

De vraag of we onze hele leefomgeving moeten volbouwen met nieuwe datacenters krijgt hiermee een helder antwoord. Door AI niet alleen maar groter te maken, maar vooral architectonisch slimmer in te richten, kan de AI-revolutie worden voortgezet zonder dat ons energienet vastloopt.