Учёные выяснили, что ИИ-модели тратят на некоторые языки до 180 раз больше энергии, чем на английский
Исследователи из Мичиганского университета измерили энергопотребление пяти языковых моделей при обработке запросов на 122 языках и обнаружили существенный разрыв между английским и другими языками.
Группа учёных из Мичиганского университета проверила, сколько энергии тратят ИИ-модели на обработку запросов на разных языках. В эксперименте участвовали пять моделей: Qwen 3 с 8, 14 и 32 млрд параметров от Alibaba, Gemma 3 с 27 млрд параметров от Google и Llama 3.1 с 8 млрд параметров от Meta. Запросы охватывали 122 языка, а для измерений использовалась система ML.Energy, разработанная самими исследователями. Вычисления проводились на графических ускорителях NVIDIA L40S и RTX 6000 Pro Blackwell.
Разница в затратах энергии для одного и того же набора запросов достигала 179 раз: от 17,6 кДж для английского языка до 3147 кДж для пушту. На один выходной токен разброс составил до 8,3 раза. Авторы объясняют это особенностями токенизаторов, которые обучены в основном на латинице и хуже справляются с другими системами письменности, разбивая слова на большее число фрагментов. Для языков с небольшим объёмом обучающих данных модели вдобавок генерировали значительно более длинные ответы — иногда в 20–25 раз больше токенов, чем на английском.
По расчётам учёных, генерация текста на хинди требует в среднем в 7,9 раза больше энергии, чем на английском, а на бенгальском — в 15,3 раза больше. Разрыв заметен и среди языков на латинице: для большинства западноевропейских языков затраты могут быть вдвое выше английских. Исследователи также зафиксировали связь между энергозатратами и качеством ответов: языки, требующие больше вычислений, в тестах Belebele, GSM8K и LM-Arena в среднем показывали худшие результаты.
Авторы отмечают, что около 5,2 млрд человек в мире говорят на языках, обработка которых требует как минимум вдвое больше энергии, чем английский. Это может повышать стоимость коммерческих ИИ-сервисов для таких пользователей и снижать интерес компаний к развитию моделей на этих языках. В качестве решения учёные предлагают создавать языково-специализированные модели, направлять запросы к подходящим моделям, переводить тексты на английский перед обработкой при достаточном качестве перевода, а также расширять обучающие корпуса за счёт материалов на недопредставленных языках.
