(Credit: Getty Images)
İngilizce dış metinleri işlerken ve üretirken üretken yapay zekanın daha fazla enerji harcadığı ve bazen daha az doğru yanıtlar verdiği, bu da potansiyel olarak mevcut küresel eşitsizlikleri pekiştirdiği araştırmacılar tarafından belirtildi.
Enerji uçurumu, Latin alfabesini kullanmayan ve eğitim için daha az dijital içeriğe sahip dillerde en büyük boyuta ulaşıyor. Yapay zeka modelleri, İngilizce dışı metin üretmek için 1,4 ile 180 arasında değişen oranlarda daha fazla enerji kullanabiliyor; çoğu Batı Avrupa dili ise iki katı veya daha az enerji harcamasıyla sonuçlanıyor. Ancak yüz milyonlarca kişi tarafından konuşulan Hintçe ve Bengalce, sırasıyla, eşdeğer bir İngilizce istemiyle karşılaştırıldığında 7,9 ve 15,3 kat daha fazla enerji gerektiriyor.
“Daha fazla enerji tüketen diller, model çıktısında genellikle daha az doğruluğa da sahip olma eğilimindedir,” diyor. Çalışmanın birinci yazarı ve Michigan Üniversitesi Yapay Zeka Laboratuvarı’ndan bilgisayar bilimi ve mühendisliği doktora öğrencisi Naihao Deng, çalışma Dil İşlemesi için Ampirik Yöntemler konferansında sunulan Dil Bilimsel Araştırmalar Birliği’nin (Association for Computational Linguistics) konferansında sunuldu.
“Çoğu kişi yapay zeka modellerini ana dillerinde sorular sorarak kullanmak isteyecek ve toplumun daha fazla yerine entegre edilmesi nedeniyle bunu kullanmaya zorlanmış hissedebilir; ancak çift ceza, belirli insanların yapay zekadan ücret nedeniyle uzaklaşma ihtimalini ve şirketlerin belirli dillerdeki modelleri hizmete sunmaktan daha isteksiz olma ihtimalini artırıyor.”
Mevcut durumda, araştırmacıların ölçümleri ve Ethnologue’dan erişilebilir demografik verilere göre, yaklaşık 5,2 milyar kişi ilk dillerinde metin üretmek için İngilizce konuşuculara kıyasla iki katından fazla enerji kullanmak zorunda. Ancak araştırmacılar aynı zamanda, kullanıcıların seçtikleri dilde yapay zeka kullanmaya çalışmaları nedeniyle cezalandırılmamalarını sağlamak için açığı kapatmaya yönelik öneriler de sunuyor.
Yapay zeka enerji kullanımını nicelendirmek ve verimliliği artırmak için Ulusal Bilim Vakfı ve Savunma İleri Araştırma Projeleri Ajansı (DARPA) araştırmayı kısmen finanse etti.
Araştırmacılar, enerji ve doğruluk farkını üç açık kaynaklı AI modelinin kullandığı enerji miktarını ölçerek tespit etti: Alibaba’ya ait Qwen 3, Google’ın Gemma 3’ü ve Meta’ya ait Llama 3.1. Modellerden, 122 farklı dilde AI modellerinin okuduğunu anlama yeteneğini değerlendiren Belebele adlı veri setindeki çoktan seçmeli soruları yanıtlamaları istendi. Ardından, ML.Energy çerçevesi kullanılarak her soruyu yanıtlamak için harcanan enerji miktarı ölçüldü; bu çerçeve Michigan Mühendisliği’nde geliştirildi.
Diğer görev türlerindeki farklılıkları da kontrol etmek için araştırmacılar, modellere aynı zamanda diğer değerlendirme setlerinde yer alan ilköğretim seviyesinde matematik sözel soruları ve açık uçlu kullanıcı isteklerini yanıtlamaları için kullandılar. Bu veri setleri çok dilli olmadığından, araştırmacılar İngilizce soruları Meta’ın dil çeviri aracı No Language Left Behind kullanarak yedi başka dile çevirdi.
Tüm modeller ortalama olarak İngilizce metin için daha az enerji kullandı. Enerji farklılığı, daha büyük model boyutlarında ve farklı bilgisayar işlemci türlerinde devam ediyor.
Diğer dillerde çalışırken modeller daha fazla enerji kullandı, çünkü daha fazla token üretmeleri gerekiyordu; token, AI’nın kullandığı verinin temel birimidir. Token’lar tüm cümleleri ve kelimeleri ya da tek heceleri ve karakterleri temsil edebilir. AI modelleri, istekleri işlemeden önce token’lara dönüştürür ve ardından son yanıt için çıktı token’larını insan diline çevirir.
Bu sorun, karakterlerinin gösterimi için daha fazla kod gerektiren yazı sistemlerinde daha da büyür. Örneğin, Hintçe, Nepalce ve Marathi’de kullanılan Devanagari yazısı ve Bengalce yazısı, biçimini değiştiren ve yukarı milyonlara kadar benzersiz karakter üretmek için akcentlerle birleşen temel karakterlere sahiptir.
Daha fazla token, daha fazla bilgisayar belleği kullanır ve daha fazla enerji yakar. Token’larda tüketilen daha fazla bellekle, modelin bilgiyi işlemek için ayırabileceği daha az alan kalır. Bu nedenle, token’ları daha küçük partilerde işler ve bu da token başına daha fazla enerji kullanır. Bu etki, İngilizce metne kıyasla enerji farklılığını daha da artırır.
Daha fazla belirteç aynı zamanda daha yüksek doğrudan maliyetlere de yol açabilir; çünkü şirketler model erişiminin fiyatlandırılmasını genellikle oluşturulan belirteç sayısına göre belirliyor.
Maliyet uçurumunu gidermeye yardımcı olmak için araştırmacılar, şirketlerin hizmetlerini daha fazla dil için optimize etmelerini öneriyor. Bu, kullanıcı sorgularının belirli dillere özel olarak uyarlanmış modellere yönlendirilmesini içerebilir. Şirketler, çeviri güvenilir olduğu sürece, kullanıcı istemlerini daha genel bir modele beslemeden önce İngilizce’ye çevirebilir.
“Yapay zeka geliştiricileri, enerji ve maliyet uçurumu yaşayan diller için daha fazla kaynak oluşturmalı,” diyor çalışmaның corresponding yazarı, bilgisayar bilimi ve mühendisliği profesörü, U-M Yapay Zeka Laboratuvarı direktörü Rada Mihalcea. “Kaynakları tercüme etmeye veya yeterli eğitim verisi elde etmek için kaynak oluşturmaya yardımcı olacak yerel konuşmacıları kitlelerden yararlanmak verimliliği iyileştirmeye de yardımcı olabilir.”
Ek finansman kaynakları arasında Ford, Laude Institute, OpenAI ve Survival and Flourishing Fund yer alıyor.
Çalışma, Michigan Üniversitesi’nin Great Lakes yüksek performanslı hesaplama kümesini kullandı.
Kaynak: Michigan Üniversitesi
