Michigan Üniversitesi: üretken AI, İngilizce dışındaki dillerde 1,4 ile 180 kat daha fazla enerji harcıyor
EMNLP'de yayımlanan çalışmaya göre Qwen 3, Gemma 3 ve Llama 3.1 modelleri İngilizce dışı metin üretirken çok daha fazla enerji tüketiyor; Bengalce için fark 15,3 kat. Araştırmacılar 5,2 milyar kişinin ana dilinde iki kattan fazla enerji harcadığını hesaplıyor.
Bir yapay zekâ modeline aynı soruyu İngilizce yerine başka bir dilde sormak, çoğu zaman daha fazla elektrik demek. Michigan Üniversitesi araştırmacılarının EurekAlert üzerinden duyurulan çalışmasına göre üretken AI modelleri İngilizce dışındaki dillerde metin üretirken 1,4 ile 180 kat arasında daha fazla enerji harcayabiliyor.
"The Language-Energy Divide: Measuring Energy Costs of Multilingual LLM Inference" başlıklı makale, EMNLP konferansında yayımlandı. Ekip, üç açık kaynaklı modeli inceledi: Alibaba'nın Qwen 3, Google'ın Gemma 3 ve Meta'nın Llama 3.1 modelleri. Testlerde 122 dili kapsayan Belebele veri seti ve yedi dile makine çevirisiyle aktarılmış sorular kullanıldı; enerji ölçümü Michigan'ın ML.Energy çerçevesiyle yapıldı.
Rakamlar
- Çoğu Batı Avrupa dili İngilizceye göre iki kat veya daha az enerji harcıyor.
- Yüz milyonlarca kişinin konuştuğu Hintçe 7,9 kat, Bengalce 15,3 kat daha fazla enerji gerektiriyor.
- Araştırmacılar, Ethnologue nüfus verileriyle birlikte yaklaşık 5,2 milyar kişinin ana dilinde metin üretmek için İngilizce konuşanların iki katından fazla enerji harcadığını hesaplıyor.
- Fark, daha büyük model boyutlarında ve farklı işlemci türlerinde de sürüyor.
Duyuruda Türkçe için ayrı bir sonuç yer almıyor.
Fark nereden geliyor?
Araştırmacılara göre asıl neden tokenizasyon. İngilizce dışındaki metinler, özellikle Devanagari ve Bengal alfabesi gibi harflerin şekil değiştirip birleştiği yazı sistemleri, daha fazla token'a bölünüyor. Daha fazla token daha çok bellek tüketiyor; bu da modeli daha küçük gruplar (batch) halinde çalışmaya zorluyor ve token başına enerji tüketimini artırıyor. Sağlayıcılar çoğunlukla token başına ücret aldığı için aynı fark faturaya da yansıyabiliyor.
İlk yazar doktora öğrencisi Naihao Deng'e göre daha fazla enerji tüketen diller, model çıktısında genellikle daha düşük doğrulukla da karşılaşıyor. Yani bu dillerin kullanıcıları hem daha pahalı hem daha zayıf bir hizmet alabiliyor.
Neden önemli?
AI hizmetlerinin enerji ve maliyet hesapları çoğunlukla İngilizce testlerle yapılıyor. Çalışma, aynı hizmetin farklı dil kullanıcılarına farklı maliyet ve kaliteyle ulaştığını sayılarla gösteriyor. Türkçe gibi eklemeli dillerde de kelimelerin daha fazla token'a bölündüğü bilinen bir durum; ancak bu çalışma Türkçe için ölçüm yayımlamadı.
Kimin işine yarar / ne yapabilirsiniz?
- Türkçe AI uygulaması geliştiren ekipler, maliyet ve gecikme tahminlerini İngilizce örneklerle değil, kendi Türkçe istemleriyle ölçmeli; aynı içeriğin token sayısını modeller arasında karşılaştırmak, tokenizer verimliliğini gösterir.
- Araştırmacılar, çok dilli hizmetlerde sorguların dile özel modellere yönlendirilmesini ve çeviri güvenilirse istemin önce İngilizceye çevrilmesini öneriyor; bu seçenek doğruluk testiyle birlikte değerlendirilmeli.
- Kurumlar, AI tedarikçilerinden Türkçe için token verimliliği ve doğruluk verisi istemeli.