La IA generativa gasta más energía y a veces da respuestas menos precisas cuando las personas usan idiomas distintos del inglés, según investigadores de la Universidad de Michigan. La diferencia energética va de 1,4 a 180 veces, y los investigadores advierten que podría profundizar las desigualdades globales existentes.

¿Cuánta más energía usa la IA con textos que no están en inglés?

La brecha es más amplia en los idiomas que no usan el alfabeto latino y tienen menos contenido digital disponible para el entrenamiento. La mayoría de los idiomas de Europa occidental requieren el doble de energía o menos que una consulta equivalente en inglés. Sin embargo, el hindi y el bengalí, hablados cada uno por cientos de millones de personas, requieren 7,9 y 15,3 veces más energía, respectivamente.

Naihao Deng, estudiante de doctorado en ciencias de la computación e ingeniería y primer autor del estudio, dijo que los idiomas que más energía consumen también tienden a producir las respuestas menos precisas. El estudio fue presentado en la conferencia Empirical Methods in Natural Language Processing, organizada por la Association for Computational Linguistics.

“La mayoría de las personas querrá usar modelos de IA haciendo preguntas en sus idiomas nativos, y pueden sentir presión para usarlos a medida que se incorporan en más partes de la sociedad”, dijo Deng. “Pero la doble penalización hace más probable que ciertas personas queden excluidas de la IA por su costo, y que las empresas se muestren más reacias a ofrecer modelos en ciertos idiomas”.

Con base en las mediciones de los investigadores y en datos demográficos de Ethnologue, unas 5.200 millones de personas deben usar más del doble de energía que los hablantes de inglés para generar texto en su primer idioma.

¿Qué modelos de IA probó el estudio?

Para medir la brecha, el equipo probó tres modelos de código abierto: Qwen 3 de Alibaba, Gemma 3 de Google y Llama 3.1 de Meta. Les pidieron a los modelos que respondieran preguntas de opción múltiple de Belebele, un conjunto de datos diseñado para evaluar la comprensión de lectura en 122 idiomas. Los investigadores midieron la energía usada en cada respuesta con el marco ML.Energy, desarrollado en Michigan Engineering.

El equipo también probó problemas de matemáticas de primaria y mensajes abiertos de usuarios tomados de otros conjuntos de datos de referencia. Como esos conjuntos no son multilingües, los investigadores tradujeron las preguntas en inglés a otros siete idiomas con la herramienta de traducción No Language Left Behind de Meta.

En promedio, todos los modelos usaron menos energía con textos en inglés. La disparidad se mantuvo en modelos de mayor tamaño y en distintos tipos de procesadores de computador.

Por qué más tokens significan mayores costos

La energía adicional proviene en gran parte de los tokens, las unidades básicas de datos que procesan los modelos de IA. Un token puede ser una frase completa, una sola palabra, una sílaba o un carácter. Los modelos convierten las instrucciones en tokens antes de procesarlas y luego convierten los tokens de salida de nuevo en lenguaje humano.

¿Por qué el texto que no está en inglés consume más energía en los modelos de IA?

Cuando el texto está escrito en otro idioma, el modelo a menudo tiene que generar más tokens para producir la misma respuesta. El problema crece con los sistemas de escritura cuyos caracteres requieren más código para mostrarse. El alfabeto devanagari, usado para el hindi, el nepalí y el maratí, y el alfabeto bengalí tienen caracteres que cambian de forma y se combinan con tildes, lo que produce una cantidad muy grande de caracteres únicos.

Más tokens ocupan más memoria del computador, dejando menos espacio para procesar información. El modelo entonces maneja los tokens en lotes más pequeños, lo que consume más energía por token. Los investigadores dicen que este efecto agrava la brecha con el inglés.

Los tokens adicionales también afectan lo que pagan los usuarios. Las empresas suelen cobrar el acceso a los modelos según la cantidad de tokens generados, así que quienes hablan otros idiomas podrían enfrentar costos directos más altos.

Cómo reducir la brecha

Los investigadores recomiendan que las empresas optimicen sus servicios para más idiomas. Una opción es dirigir las consultas de los usuarios a modelos adaptados a idiomas específicos. Otra es traducir las instrucciones al inglés antes de enviarlas a un modelo de propósito general, siempre que la traducción sea confiable.

Rada Mihalcea, profesora titular Janice M. Jenkins de Ciencias de la Computación e Ingeniería, directora del U-M AI Lab y autora de correspondencia del estudio, dijo que los desarrolladores deberían invertir en recursos para los idiomas con las mayores brechas.

“Los desarrolladores de IA deberían crear más recursos para los idiomas con una disparidad de energía y costos”, dijo Mihalcea. “El crowdsourcing con hablantes nativos que ayuden a traducir material o a crear recursos para obtener suficientes datos de entrenamiento también podría mejorar la eficiencia”.

La National Science Foundation y la Defense Advanced Research Projects Agency financiaron parcialmente la investigación. Ford, el Laude Institute, OpenAI y el Survival and Flourishing Fund también brindaron apoyo adicional. El estudio se ejecutó en el clúster de computación de alto rendimiento Great Lakes de la universidad.

Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.