هوش مصنوعی مولد انرژی بیشتری را صرف متن غیر انگلیسی می کند

به گفته محققان، هنگام پردازش و ایجاد متن غیر انگلیسی، هوش مصنوعی مولد انرژی بیشتری مصرف می‌کند و گاهی اوقات پاسخ‌های دقیق‌تری ارائه می‌دهد که به طور بالقوه نابرابری‌های جهانی موجود را تشدید می‌کند.

اختلاف قدرت در زبان‌هایی که از الفبای لاتین استفاده نمی‌کنند و محتوای یادگیری دیجیتالی کمتری دارند، بیشتر است. مدل‌های هوش مصنوعی می‌توانند از 1.4 تا 180 برابر انرژی بیشتری برای تولید متن غیرانگلیسی استفاده کنند، در حالی که بیشتر زبان‌های اروپای غربی دو برابر یا کمتر انرژی مصرف می‌کنند. با این حال، هندی و بنگالی، که هر کدام توسط صدها میلیون نفر صحبت می شود، به انرژی 7.9 و 15.3 برابر بیشتر از یک نشانه معادل در انگلیسی نیاز دارند.

نایهائو دنگ، دانشجوی دکترای علوم و مهندسی کامپیوتر در آزمایشگاه هوش مصنوعی دانشگاه میشیگان و اولین نویسنده این مطالعه که در کنفرانس روش‌های تجربی انجمن زبان‌شناسی محاسباتی در پردازش زبان طبیعی ارائه شد، گفت: «زبان‌هایی که معمولاً انرژی بیشتری مصرف می‌کنند، دقت کمتری در خروجی مدل دارند.

اکثر مردم مایلند از مدل‌های هوش مصنوعی با پرسیدن سؤالات به زبان مادری خود استفاده کنند و ممکن است احساس کنند مجبورند از آن استفاده کنند زیرا در بخش‌های بیشتری از جامعه تعبیه شده است، اما مجازات مضاعف باعث می‌شود که برخی از افراد با هوش مصنوعی کنار گذاشته شوند و شرکت‌ها تمایل بیشتری به ارائه مدل‌ها به زبان‌های خاص نداشته باشند.»

بر اساس اندازه گیری های محققان و داده های جمعیت شناختی موجود در Ethnologue، در حال حاضر حدود 5.2 میلیارد نفر در حال حاضر باید بیش از دو برابر بیشتر از انگلیسی زبانان برای تولید متن به زبان اصلی خود انرژی مصرف کنند. اما محققان همچنین توصیه هایی را برای پر کردن شکاف و اطمینان از اینکه کاربران به دلیل تلاش برای استفاده از هوش مصنوعی در زبان انتخابی خود جریمه نمی شوند ارائه می دهند.

برای کمک به تعیین کمیت استفاده از انرژی هوش مصنوعی و بهبود کارایی، بنیاد ملی علوم و آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (دارپا) تا حدی بودجه این تحقیق را تامین کردند.

محققان با اندازه‌گیری میزان انرژی مورد استفاده در سه مدل هوش مصنوعی منبع باز، Qwen 3 Alibaba، Gemma 3 گوگل و Llama 3.1 متا، اختلاف انرژی و دقت را کشف کردند. آنها از هر مدل خواستند به سؤالات چند گزینه ای موجود در Belebele، مجموعه داده ای برای ارزیابی درک خواندن مدل های هوش مصنوعی به 122 زبان مختلف، پاسخ دهند. سپس میزان انرژی مورد استفاده برای پاسخ به هر سوال را با استفاده از چارچوب ML.Energy توسعه یافته در مهندسی میشیگان اندازه گیری کردند.

برای بررسی تفاوت‌ها در انواع دیگر کارها، محققان همچنین از مدل‌ها خواستند به مجموعه‌ای از مسائل کلمه ریاضی مدرسه ابتدایی و درخواست‌های کاربر باز که در سایر مجموعه‌های داده‌های معیار گنجانده شده است، پاسخ دهند. از آنجایی که این مجموعه داده ها چند زبانه نیستند، محققان سوالات انگلیسی را با استفاده از ابزار ترجمه متا، No Language Left Behind، به هفت زبان دیگر ترجمه کردند.

همه مدل ها به طور متوسط انرژی کمتری برای متن انگلیسی مصرف می کردند. اختلاف توان در اندازه های مدل بزرگتر و در انواع مختلف پردازنده های کامپیوتر وجود دارد.

وقتی به زبان‌های دیگر اجرا می‌شد، مدل‌ها انرژی بیشتری مصرف می‌کردند، زیرا باید توکن‌های بیشتری تولید می‌کردند، واحد پایه داده‌ای که توسط هوش مصنوعی استفاده می‌شد. نشانه ها می توانند عبارات و کلمات کامل یا هجاها و کاراکترها را نشان دهند. مدل‌های هوش مصنوعی، درخواست‌ها را قبل از پردازش به نشانه‌ها تبدیل می‌کنند و سپس توکن‌های خروجی را برای پاسخ نهایی به زبان انسانی تبدیل می‌کنند.

این مشکل برای اسکریپت هایی که نمادهای آنها به کد بیشتری برای نمایش نیاز دارند تشدید می شود. به عنوان مثال، خط دوانگاری که در هندی، نپالی و مراتی استفاده می‌شود، و خط بنگالی دارای نویسه‌های پایه هستند که با تغییر شکل و ترکیب با لهجه‌ها، میلیون‌ها کاراکتر منحصربه‌فرد ایجاد می‌کنند.

تعداد بیشتر توکن ها حافظه کامپیوتر بیشتری را اشغال می کند و انرژی بیشتری می سوزاند. با مصرف بیشتر حافظه در توکن ها، مدل اطلاعات کمتری برای پردازش در دسترس دارد. بنابراین توکن‌ها را در دسته‌های کوچک‌تری پردازش می‌کند که انرژی بیشتری در هر توکن مصرف می‌کند. این اثر اختلاف انرژی را در مقایسه با متن انگلیسی ترکیب می کند.

توکن‌های بیشتر همچنین می‌تواند منجر به هزینه‌های مستقیم بالاتری شود، زیرا شرکت‌ها اغلب دسترسی را بر اساس تعداد توکن‌های تولید شده قیمت‌گذاری می‌کنند.

برای کمک به اصلاح شکاف هزینه، محققان توصیه می کنند که شرکت ها خدمات خود را برای زبان های بیشتری بهینه کنند. این می تواند منجر به هدایت درخواست های کاربر به مدل هایی شود که برای زبان های خاص طراحی شده اند. شرکت‌ها همچنین می‌توانند دستورالعمل‌های کاربر را قبل از ارائه آنها به یک مدل عمومی‌تر به انگلیسی ترجمه کنند، مشروط بر اینکه ترجمه قابل اعتماد باشد.

رادا میهالکا، استاد علوم و مهندسی کامپیوتر، مدیر آزمایشگاه هوش مصنوعی U-M و نویسنده مسئول این مطالعه، گفت: «توسعه‌دهندگان هوش مصنوعی باید منابع بیشتری برای این زبان‌ها با اختلاف انرژی و هزینه ایجاد کنند. جمع سپاری سخنرانان بومی برای کمک به ترجمه مطالب یا ایجاد منابع برای به دست آوردن داده های آموزشی کافی نیز می تواند به بهبود کارایی کمک کند.

منابع مالی اضافی شامل فورد، موسسه لاود، OpenAI و صندوق بقا و شکوفایی است.

در این مطالعه از خوشه محاسباتی با عملکرد عالی دریاچه های بزرگ دانشگاه میشیگان استفاده شد.

منبع: دانشگاه میشیگان