本日报作者不通中文。这些译文由人工智能自动生成，作者本人无法亲自核对其语言准确性和文化适切性。我们以谦逊和真诚的态度发布此版本，希望与中文读者建立连接。若发现翻译错误、表达不当或文化误读之处，恳请告知 — 我们将虚心接受并改进。
L'auteur du Journal d'un Progressiste ne parle pas chinois ; ces traductions sont produites par intelligence artificielle et n'ont pas été vérifiées par lui. Cette version est publiée dans un esprit d'échange et d'humilité — vos retours sur les erreurs éventuelles ou les contresens culturels sont les bienvenus.
— 《进步者日报》编辑部 / La rédaction
能耗降低100倍、成功率达95%：塔夫茨大学开发的神经符号方法证明，它能从根本上改变人工智能的能源消耗模式。这一方法有望让AI更广泛普及，但在泛化能力上仍存在明显局限。
人工智能已消耗美国超过10%的电力，且需求持续攀升。全球数据中心能耗预计到2030年将从415太瓦时增至945太瓦时，翻逾一番。塔夫茨大学开发的神经符号方法将机器学习与逻辑推理结合，提出了一条截然不同的技术路径。
神经符号方法将运行能耗降至传统方案的5%
神经符号模型的训练仅需标准VLA系统1%的能耗。运行阶段，其能耗仅为传统方法的5%。这一效率来自逻辑规则的嵌入——规则约束减少了系统的试错次数。
训练时间方面，神经符号系统仅需34分钟，标准VLA模型则需超过36小时。符号规则直接引导学习过程朝最优解收敛，无需穷举式探索。
成功率：95%对34%
在汉诺塔谜题测试中，神经符号VLA系统成功率为95%，标准VLA仅为34%。面对训练中未见过的更复杂版本，混合系统成功率仍有78%，标准模型则全部失败。
这一优势源于混合架构。神经符号方法将神经网络与符号推理结合，后者依据谜题规则和积木形状、重心等抽象类别制定规划策略，而非依赖数据拟合。
数据中心触及物理极限
企业正建设规模越来越大的数据中心，部分设施需要数百兆瓦电力，超过一些小城镇的全部用电量。卡内基梅隆大学研究估计，到2030年，数据中心与加密货币挖矿将推动美国平均电费上涨8%，在弗吉尼亚州中北部高需求市场涨幅可能超过25%。
国际能源署警告，若不对输电基础设施进行大规模投入，多达20%的计划中数据中心项目可能延期。发电设备的供应链压力同样突出，制造商难以跟上行业扩张的速度。
符号AI的固有局限
处理大型知识图谱或复杂规则集时，符号推理速度慢、计算成本高。这使其在自动驾驶、视频处理等实时应用中难以有效部署。
符号AI对大规模非结构化数据的处理能力有限。它依赖预定义规则和结构化知识，无法像现代机器学习系统那样从原始数据中自动发现模式。每一条规则和关系都需要人工手动编码。
效率优势仅限于结构化任务
塔夫茨大学研究表明，对于结构化机器人任务，架构选择比模型规模更关键。神经符号系统以顶尖VLA模型1%的训练能耗，达到95%的任务成功率。但这一效率优势仅适用于规则明确、逻辑顺序清晰的任务。
面对就业转型等复杂应用场景，神经符号方法无法替代生成式模型。研究人员指出，当前基于LLM和VLA的方案长期来看难以为继——这些系统能耗大，且仍可能输出不可靠的结果。
行业启动首批商业测试
主要互联网基础设施提供商Cloudflare已在其数据中心测试Positron芯片。该公司硬件负责人Andrew Wee曾任职苹果和Meta，他将Positron技术列为少数值得大规模验证的可信替代方案之一。
对部署机器人系统的工程团队而言，结论直接：盘点任务清单，识别其中的结构化流程。若工作负载中有大量由规则驱动的顺序任务，混合神经符号架构可在大幅降低计算成本的同时提升精度。相关工具已可获取。
神经符号方法揭示了一个清晰的逻辑：AI能效提升不靠通用大模型，而靠针对特定任务的架构专业化。在扩大普及与功能局限之间，这条路线提供了让人工智能走向可持续的务实选择。