Neurosymbolische KI spart 99 Prozent Energie

Datenzentren verbrauchten 2026 weltweit in etwa so viel Strom wie Japan insgesamt. Forscher der Tufts University im US-amerikanischen Medford haben jetzt ein KI-System für Roboter entwickelt, das nur ein Prozent der Energie herkömmlicher Modelle benötigt und dabei erheblich bessere Ergebnisse erzielt. Das Verfahren könnte die Richtung der KI-Forschung grundlegend verschieben.

Das Energieproblem der KI-Industrie

Seit dem Durchbruch großer Sprachmodelle im Jahr 2022 hat sich der weltweite Stromverbrauch von Rechenzentren nahezu verdoppelt. Besonders energieintensiv sind sogenannte Vision-Language-Action-Modelle, kurz VLA-Modelle, die in der Robotik eingesetzt werden. Sie kombinieren Bilderkennung, Sprachverständnis und die Steuerung physischer Bewegungen in einem einzigen System. Das Training eines solchen Modells dauert mehr als 36 Stunden und verbraucht enorme Mengen an Rechenkapazität, ohne dabei zuverlässige Ergebnisse zu liefern: In einem Standardtest, dem Turm-von-Hanoi-Puzzle, kommen herkömmliche VLA-Modelle nur auf eine Erfolgsrate von 34 Prozent.

In Deutschland spitzt sich der gesellschaftliche Konflikt um diesen Energiehunger zu. Im Rhein-Main-Gebiet verbrauchten mehr als hundert Rechenzentren zuletzt bis zu 40 Prozent des Frankfurter Stadtstroms. Der Stadtrat von Groß-Gerau stoppte Anfang 2026 das größte geplante Datenzentrum der Region. Die Frage, ob KI-Infrastruktur überhaupt rentabel betrieben werden kann, ohne lokale Stromnetze zu überlasten, ist politisch ungelöst.

Regeln statt Datenmuster

Matthias Scheutz, Karol-Family-Professor an der Tufts University und sein Team verfolgen einen grundlegend anderen Ansatz als die dominierenden Konzerne: neurosymbolische KI. Statt ein Modell mit Millionen von Beispielen zu trainieren, damit es Muster erkennt, verknüpft das System neuronale Netzwerke mit expliziten Regeln und abstrakten Konzepten. Der Ansatz orientiert sich daran, wie Menschen komplexe Probleme lösen: durch schrittweises Denken und das Anwenden erlernter Prinzipien auf neue Situationen.

Die Ergebnisse beim Turm-von-Hanoi-Test sind deutlich. Das neurosymbolische System erzielte eine Erfolgsrate von 95 Prozent, verglichen mit 34 Prozent bei herkömmlichen VLA-Modellen. Noch aufschlussreicher ist das Ergebnis bei einer schwierigeren Variante mit vier Blöcken, die das System zuvor nie gesehen hatte. Standardmodelle versagten vollständig bei null Erfolg. Das neurosymbolische System löste die unbekannte Aufgabe in 78 Prozent der Versuche.

Die Trainingszeit sank von mehr als 36 Stunden auf 34 Minuten. Der Energieverbrauch beim Training lag bei einem Prozent im Vergleich zu VLA-Modellen. Das ist der überraschendste Befund: Weniger Energie, weniger Zeit und trotzdem überlegene Leistung bei Aufgaben, die Generalisierung erfordern.

Kein universeller KI-Energiespar-Durchbruch

Die Ergebnisse beziehen sich ausschließlich auf Robotersteuerungssysteme, nicht auf große Sprachmodelle wie ChatGPT oder Gemini. Scheutz arbeitet an einem spezifischen Anwendungsbereich: KI-Systeme, die physische Objekte in der realen Welt manipulieren müssen. Ob der Ansatz auf Sprachverarbeitung oder andere Bereiche übertragbar ist, bleibt offen.

Die bisherigen Tests fanden in kontrollierten Laborumgebungen statt. Wie das System in chaotischeren realen Szenarien reagiert, also bei unbekannten Oberflächen, schlechter Beleuchtung oder physischen Störungen, wurde noch nicht untersucht. Das ist eine wesentliche Einschränkung, die Autoren selbst benennen.

Dennoch zeigt die Forschung, dass der Weg der KI-Industrie der letzten Jahre, nämlich mehr Daten, mehr Parameter und mehr Rechenkapazität, nicht der einzige ist. Thomas Dietterich, emeritierter Professor der Oregon State University und ein langjähriger Verfechter hybrider KI-Ansätze, sieht in neurosymbolischen Methoden die einzige realistische Möglichkeit, Roboter-KI effizienter und robuster zu machen. Der Ansatz ist nicht neu, aber er bekam lange nicht die Aufmerksamkeit, die er verdient.

Präsentation im Mai in Wien

Im Mai 2026 wird Scheutz' Team die Ergebnisse auf der International Conference on Robotics and Automation in Wien vorstellen. Die Arbeit erscheint in den Konferenzakten. Einen kommerziellen Einsatz gibt es bislang nicht. Wann und ob das System über die Labordemonstration hinausgeht, hängt von weiteren Tests in komplexeren Szenarien ab.