В эксперименте робот должен был решать «Ханойскую башню» — задачу с чёткими правилами перемещения дисков. Современные Vision-Language-Action модели учатся действовать прежде всего на больших массивах примеров: изображение, команда, движение, результат.

Команда Tufts пошла другим путём. Нейросеть отвечала за восприятие реального мира — распознавала положение и размер предметов, — а символическая часть системы заранее знала правила задачи.

На варианте с тремя дисками такая система успешно справилась в 95% случаев против 34% у сравниваемой VLA-модели. На более сложной версии с четырьмя дисками, которой она раньше не видела, успешность составила 78%, тогда как две большие модели не смогли завершить задачу ни разу.

Разница оказалась заметна и в ресурсах. Обучение нейросимволической системы заняло около 34 минут вместо более чем полутора суток и потребовало порядка 1% энергии, необходимой большой модели. Во время выполнения задачи расход энергии составлял около 5%.

Это не означает, что маленькие специализированные системы способны заменить большие модели вообще. Эксперимент проводился на структурированной задаче с заранее известными правилами.

Но он ставит важный инженерный вопрос: обязательно ли для каждой задачи использовать максимально мощный из доступных инструментов?

В ООО «Инновационный Интеллектуальный Капитал» похожий принцип закладывают в архитектуру собственных образовательных решений — «Своей Доски», виртуальных лабораторий и будущей платформы.

«Мы исходим не из вопроса, какая модель самая мощная, а из вопроса, какую задачу необходимо решить. Если системе требуется выполнить простое действие, нет смысла подключать к нему дорогую модель с максимальными возможностями. Для сложного стратегического анализа, где нужно одновременно учитывать множество условий, наоборот, потребуется более сильный инструмент. Поэтому мы разрабатываем систему, которая сможет оценивать тип и сложность задачи и направлять её подходящей ИИ-модели или агенту», — поясняют в ИИ Капитал.

www.iicapitalgroup.ru

Такой подход позволяет экономить не только вычислительные ресурсы. Он делает работу ИИ более управляемой: для каждой задачи можно заранее определить необходимый уровень возможностей, требования к точности и допустимую стоимость решения.

Возможно, следующий этап развития искусственного интеллекта будет заключаться не только в создании всё более мощных моделей.

Но и в умении вовремя понять, сколько именно ума требуется задаче.