Ein Forscherteam der Tufts University präsentiert einen hybriden KI-Ansatz, der neuronale Netze mit logischer Schlussfolgerung verbindet – und dabei den Energieverbrauch um den Faktor 100 senken soll. Eine Entwicklung, die für die gesamte KI-Branche und besonders für energieintensive Robotikanwendungen wegweisend sein könnte.
Neuro-Symbolische KI: Forscher senken Energieverbrauch um Faktor 100
Wachsender Energiehunger als Ausgangsproblem
Der Hintergrund der Forschung ist konkret: Laut Internationaler Energiebehörde (IEA) verbrauchten KI-Systeme und Rechenzentren im Jahr 2024 rund 415 Terawattstunden Strom in den USA – mehr als zehn Prozent der gesamten nationalen Stromproduktion. Bis 2030 soll sich dieser Bedarf laut Prognosen verdoppeln.
Großprojekte wie Microsofts und OpenAIs „Stargate”-Initiative oder xAIs Colossus-Cluster in Memphis verstärken diesen Trend weiter.
Genau hier setzt die neue Forschung an: Wenn KI-Systeme effizienter denken, müssen sie weniger Strom verbrauchen.
Hybridansatz verbindet zwei KI-Paradigmen
Das Team um Matthias Scheutz, Professor an der School of Engineering der Tufts University, verfolgt einen sogenannten neuro-symbolischen Ansatz. Dabei werden klassische neuronale Netze mit symbolischer Schlussfolgerung kombiniert – einem Verfahren, das dem menschlichen Problemlösungsverhalten ähnelt:
- Aufgaben werden in logische Teilschritte und Kategorien zerlegt
- Anstelle von datengetriebenem Trial-and-Error wird strukturiertes Denken eingesetzt
- Das Ergebnis: weniger Rechenaufwand bei gleichzeitig verbesserter Genauigkeit
Im Unterschied zu Large Language Models wie ChatGPT oder Gemini liegt der Fokus auf sogenannten Visual-Language-Action-Modellen (VLA-Modellen), die in der Robotik eingesetzt werden. Diese Systeme verarbeiten gleichzeitig:
- visuelle Eingaben von Kameras
- Sprachanweisungen
- physische Bewegungssteuerung
Ein deutlich komplexeres Anforderungsprofil als reine Textgenerierung.
Weniger Rechenaufwand durch strukturiertes Denken
„Wenn ein KI-System Probleme logisch gliedert statt massenhaft Trainingsdaten mit Rechenleistung zu verarbeiten, sinkt der Energiebedarf erheblich.”
In frühen Tests soll das Proof-of-Concept-System bestehende VLA-Modelle sowohl in der Energieeffizienz als auch in der Aufgabengenauigkeit übertreffen. Die Forschungsergebnisse werden im Mai auf der International Conference on Robotics and Automation (ICRA) in Wien präsentiert und in den Konferenzbänden veröffentlicht.
Noch kein Produkt – aber eine relevante Richtung
Das System befindet sich noch im Stadium eines Forschungsprototyps. Bis zur industriellen Einsatzreife sind weitere Entwicklungsschritte notwendig, insbesondere hinsichtlich Skalierbarkeit und Integration in bestehende Infrastrukturen.
Die Forschungsrichtung selbst ist allerdings nicht neu: Neuro-symbolische KI wird seit Jahren als möglicher Mittelweg zwischen erklärbarer Logik und lernfähigen Systemen diskutiert – praktische Durchbrüche auf diesem Niveau waren bislang jedoch selten.
Warum das für deutsche Unternehmen relevant ist
Für Unternehmen, die KI-Systeme im Produktions- oder Logistikumfeld einsetzen oder planen, ist diese Entwicklung aus zwei Gründen bedeutsam:
- Steigende Energiekosten: Effizientere KI-Architekturen können direkte Kosteneinsparungen bei Inferenz und Training bedeuten.
- Regulatorischer Druck: EU-Regelwerke wie der AI Act und kommende Nachhaltigkeitsberichtspflichten verschärfen die Anforderungen an den ökologischen Fußabdruck von KI-Anwendungen.
Wer heute die Entwicklung effizienter KI-Architekturen verfolgt, verschafft sich mittelfristig einen strategischen Vorteil.
Quelle: ScienceDaily AI
