神經符號 AI 走向實用：研究稱可把耗能降至最多 1/100 並提升成功率

為何這條路徑再受關注

生成式 AI 帶來的算力需求正推高能源與基礎設施壓力，尤其在機器人等需要感知與動作閉環的場景，若仍以大量試錯學習，成本會迅速失控。最新研究提出一個更「像人類思考」的折衷：用神經網路負責感知與模式匹配，再用符號推理把任務拆解成可解釋的步驟與規則，減少無效探索。

實驗結果：更快學會、也更省電

研究以結構化的長程操作任務作示範，指出該方法在訓練階段只需要傳統系統約 1% 的能源；在運行時則約用到 5% 的能耗。更重要的是，成功率同樣提升：在經典的「河內塔」任務中達到高達 95% 的成功率，並在更高難度、未見過的變體中仍能維持顯著表現；訓練時間也縮短到約 34 分鐘，對比傳統方法往往需要超過一天。這些結果顯示，當任務具備明確結構與長步驟規劃需求時，單靠端到端試錯未必是最有效路線。

對產業落地的含義

如果這類方法能在更多真實任務中複製，將可能改變企業部署機器人與邊緣 AI 的成本曲線：更少訓練、更低運行功耗、以及更可解釋的決策過程，對安全與合規也更友好。對香港的物流、倉儲與零售自動化場景而言，真正的門檻往往不是「有沒有模型」，而是「能否在有限電力、有限算力與有限維護人手下持續穩定運行」。神經符號路線提供了一個值得追蹤的方向：把算力用在關鍵推理，而不是把大量能源耗在盲目試錯。