⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Energieverschillen bij meertalige AI: Lage-resource-talen kosten aanzienlijk meer stroom

Energieverschillen bij meertalige AI: Lage-resource-talen kosten aanzienlijk meer stroom

Een recent onderzoek onthult dat het energieverbruik van grote taalmodellen (LLM's) sterk varieert per taal. Terwijl Engels relatief efficiënt is, vereisen talen met minder beschikbare data en complexere schriften tot wel 179 keer meer energie voor dezelfde verzoeken.

De ecologische voetafdruk van kunstmatige intelligentie staat steeds meer in de schijnwerpers, maar de impact van taalkeuze bij het gebruik van deze systemen bleef tot nu toe grotendeels onbekend. In een systematische studie, getiteld The Language-Energy Divide, hebben onderzoekers onder leiding van Naihao Deng en Yiming Feng de energiekosten van inferentie bij meertalige LLM's in kaart gebracht. Het onderzoek is inmiddels geaccepteerd voor de conferentie EMNLP 2026, zoals vermeld in de publicatie op arxiv.org.

Extreme verschillen in energieverbruik

De resultaten van de studie tonen een aanzienlijke ongelijkheid in het energieverbruik per gegenereerd token. Volgens de data van varieert de energieconsumptie per output-token met een factor tot 8,3 afhankelijk van de taal. Wanneer men kijkt naar een vaste set verzoeken, worden de verschillen nog extremer: de totale energiebehoefte varieert tot wel 179 keer tussen de meest efficiënte en de minst efficiënte taal.

In concrete cijfers blijkt Engels de goedkoopste taal te zijn met een verbruik van 17,6 kJ. Aan de andere kant van het spectrum staat het Pashto, waarbij hetzelfde type verzoek een energieverbruik van 3.147 kJ vereist.

Oorzaken van de 'energiekloof'

De onderzoekers identificeren twee hoofdfactoren die deze enorme verschillen veroorzaken. Ten eerste zijn er hogere energiekosten per token voor talen die gebruikmaken van zeldzame of complexe schriften. Ten tweede genereren de modellen simpelweg meer tokens wanneer ze antwoorden formuleren in talen waarvoor minder trainingsdata beschikbaar zijn (low-resource languages).

Deze factoren versterken elkaar, wat leidt tot een systemische ongelijkheid. Opvallend is dat er sprake is van een dubbele straf: talen met de hoogste energetische voetafdruk vertonen vaak ook de laagste nauwkeurigheid bij het uitvoeren van taken. Deze "energie- en prestatiekloof" blijft consistent over verschillende modellen, hardwareconfiguraties en taken heen.

Academische context en aanbevelingen

Een van de co-auteurs, Yiming Feng, is een student aan de University of Michigan, waar hij zich specialiseert in de efficiëntie van LLM's en AI-veiligheid. Naast dit onderzoek naar energieverbruik heeft Feng ook gewerkt aan het kwantificeren van foutieve uitlijning (misfired alignment) in taalmodellen, zoals beschreven op zijn profiel bij alphaxiv.org.

Om deze ongelijkheid aan te pakken, stellen de auteurs van de studie voor om energieverbruik als een primair evaluatiepunt te beschouwen bij de ontwikkeling van AI. Ze adviseren de AI-gemeenschap om rapportagelijsten en zogenaamde 'model cards' uit te breiden met energiegegevens. Daarnaast pleiten ze voor mitigatiemaatregelen aan de kant van de implementatie om de energie-efficiëntie voor minder gebruikte talen te verbeteren.

Hoewel andere platforms zoals frontiersin.org zich breed bezighouden met de communicatieve aspecten van AI, benadrukt dit specifieke onderzoek dat de technische infrastructuur van meertalige AI onbedoeld een ecologische en functionele barrière opwerpt voor bepaalde taalgroepen.

Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!