Использование искусственного интеллекта на родном языке может требовать значительно больше электроэнергии, чем общение с нейросетью на английском. К такому выводу пришли исследователи Мичиганского университета, изучившие особенности работы современных языковых моделей. Выяснилось, что при выполнении сопоставимых заданий разница в энергопотреблении в отдельных случаях достигает почти 180 раз. Причём дополнительные вычислительные затраты далеко не всегда сопровождаются повышением качества ответов.

Проблема затрагивает миллиарды пользователей по всему миру и способна повлиять на доступность технологий искусственного интеллекта. Причины кроются в особенностях обработки текста, неравномерном представлении языков в обучающих данных и эффективности использования вычислительного оборудования. Учёные предупреждают, что без совершенствования многоязычных моделей развитие ИИ может усилить существующее цифровое неравенство.

Как исследователи измеряли энергопотребление нейросетей

Для эксперимента специалисты выбрали 122 языка и пять конфигураций популярных открытых языковых моделей. В исследование вошли три версии Qwen 3 от Alibaba с 8, 14 и 32 миллиардами параметров, Gemma 3 от Google с 27 миллиардами параметров и Llama 3.1 от Meta с 8 миллиардами параметров.

Энергозатраты фиксировались с помощью специализированного инструмента ML.Energy. Вычисления выполнялись на графических ускорителях NVIDIA L40S и RTX 6000 Pro Blackwell.

Исследователи сравнивали не только общее количество потреблённой энергии, но и эффективность генерации отдельных токенов, длину ответов и качество выполнения заданий.

Почему английский язык оказался экономичнее

Главная причина различий связана с токенизацией — процессом преобразования текста в небольшие фрагменты, которые нейросеть использует для вычислений.

Английский язык широко представлен в обучающих материалах большинства современных моделей. Поэтому алгоритмы обычно способны обрабатывать английские слова относительно компактными последовательностями токенов.

С другими языками ситуация сложнее. Особенно это касается письменностей, отличающихся от латиницы, и языков с небольшим количеством доступных цифровых текстов.

Одно и то же по смыслу сообщение может превращаться в значительно более длинную последовательность токенов. В результате нейросети приходится выполнять больше операций, расходовать дополнительную память и дольше задействовать графический процессор.

Дополнительную нагрузку создаёт и генерация ответов. Для некоторых недостаточно представленных языков модели формировали тексты, содержащие в 20–25 раз больше выходных токенов, чем аналогичные ответы на английском.

Разница в энергозатратах достигает десятков и сотен раз

Полученные результаты продемонстрировали существенный разрыв между языками.

При выполнении одного из наборов заданий суммарное энергопотребление для английского составило 17,6 килоджоуля, тогда как для пушту — 3147 килоджоулей. Разница достигла приблизительно 179 раз.

Для других языков исследователи зафиксировали следующие показатели относительно английского:

• Хинди — в среднем в 7,9 раза больше энергии.

• Бенгальский — в 15,3 раза больше.

• Некоторые западноевропейские языки — примерно вдвое больше.

При этом максимальное различие энергозатрат непосредственно на генерацию одного выходного токена составляло 8,3 раза.

Таким образом, рекордный разрыв объясняется не только стоимостью обработки отдельного токена, но и количеством вычислительных операций, необходимых для формирования полного ответа.

Важно учитывать, что эти показатели получены в конкретных экспериментальных условиях и не означают, что любая нейросеть всегда расходует в 180 раз больше энергии при работе на другом языке.

Больше вычислений не означает более точные ответы

Исследование выявило ещё одну неприятную закономерность: повышенное энергопотребление нередко сопровождалось снижением качества результатов.

Для проверки использовались многоязычный тест Belebele, математические задания GSM8K и пользовательские запросы из LM-Arena. Дополнительно специалисты применяли систему перевода No Language Left Behind от Meta.

Оказалось, что языки, требующие больше вычислительных ресурсов, в среднем показывали менее точные результаты.

Это означает, что пользователь может столкнуться сразу с двумя ограничениями: более высокой вычислительной стоимостью запроса и менее надёжным ответом.

Почему проблема касается миллиардов людей

По оценкам авторов исследования, примерно 5,2 миллиарда человек используют языки, обработка которых требует как минимум вдвое больше энергии по сравнению с английским.

Особенно важен экономический аспект. Многие коммерческие ИИ-платформы рассчитывают стоимость обслуживания исходя из количества входных и выходных токенов.

Следовательно, даже при одинаковой цене токена обработка сопоставимого по смыслу текста может обходиться дороже на языках с менее эффективной токенизацией.

Для разработчиков это увеличивает расходы на инфраструктуру, а для пользователей потенциально ограничивает доступность интеллектуальных сервисов.

Как разработчики могут сократить языковой разрыв

Учёные считают, что проблему необходимо решать одновременно на нескольких уровнях.

Одним из перспективных направлений является создание моделей и токенизаторов, лучше приспособленных к конкретным языкам. Также предлагается автоматически выбирать наиболее эффективную нейросеть в зависимости от языка запроса.

Ещё один подход предполагает предварительный перевод обращения на английский с последующим формированием ответа на языке пользователя. Однако такая схема подходит не для всех задач: перевод способен искажать смысл, особенно при работе со специализированными терминами и культурными особенностями.

Не менее важно расширять обучающие наборы качественными текстами на языках, которым сегодня уделяется недостаточно внимания. В этой работе существенную роль могут сыграть сами носители языков.

Многоязычность становится вопросом доступности ИИ

Результаты исследования показывают, что языковое разнообразие влияет не только на качество общения с нейросетями, но и на эффективность всей вычислительной инфраструктуры.

По мере распространения искусственного интеллекта в образовании, бизнесе и государственных сервисах эта проблема будет приобретать всё большее значение.

Разработчикам предстоит добиться того, чтобы выбор родного языка не приводил к неоправданному росту затрат и ухудшению качества ответов. Именно такая оптимизация станет одним из важных условий действительно массового и равноправного доступа к технологиям искусственного интеллекта.