Na 900 tych samych pytań model sztucznej inteligencji odpowiadał po angielsku, zużywając 16,8 tys. dżuli energii. Po polsku potrzebował 40 tys. dżuli, czyli 2,4 raza więcej, a poprawnych odpowiedzi udzielił o ponad 10 pkt proc. mniej. Takie wyniki przynosi badanie naukowców z Uniwersytetu Michigan, przedstawione na konferencji EMNLP w Budapeszcie, poświęconej przetwarzaniu języka naturalnego. Wnioski są niewygodne dla każdego, kto płaci za korzystanie z AI w języku innym niż angielski: rachunek za energię i za tokeny jest wyższy, a jakość niższa.
Badacze z laboratorium AI Uniwersytetu Michigan, kierowanego przez prof. Radę Mihalceę, sprawdzili trzy otwarte modele: Qwen 3 firmy Alibaba, Gemma 3 Google’a i Llama 3.1 Mety. Modele odpowiadały na pytania wielokrotnego wyboru z zestawu Belebele, który obejmuje 122 języki. Zużycie energii mierzono narzędziem ML.Energy, opracowanym na tej samej uczelni. Według PAP generatywna AI zużywa przy tekstach nieanglojęzycznych od 1,4 do 180 razy więcej energii niż przy angielskich.
Polski wymaga dwa razy więcej tokenów niż angielski
Główną przyczyną różnicy są tokeny, czyli fragmenty tekstu, na które model dzieli słowa. Z pełnych wyników badania opublikowanych w serwisie arXiv wynika, że model Qwen3-8B wygenerował w odpowiedziach po angielsku 167,6 tys. tokenów, a po polsku 333,6 tys., prawie dwa razy więcej. Energia zużyta na jeden token była przy tym w języku polskim o około 20 proc. wyższa. Obie różnice razem dały łączne zużycie energii wyższe o 139 proc.
Więcej tokenów oznacza też większe zużycie pamięci, co zmusza serwery do przetwarzania mniejszych porcji zapytań. To dodatkowo podnosi koszt energii w przeliczeniu na każdy token. Firmy oferujące modele AI często rozliczają klientów właśnie od liczby tokenów, więc wyższe zużycie oznacza dla użytkowników także wyższe bezpośrednie koszty, zwracają uwagę autorzy.
| Język | Zużycie energii względem angielskiego | Skala | Trafność odpowiedzi |
|---|---|---|---|
| angielski | 1,0 raza | 94,6 proc. | |
| francuski | 1,7 raza | 91,7 proc. | |
| niemiecki | 2,0 raza | 92,1 proc. | |
| polski | 2,4 raza | 84,0 proc. | |
| ukraiński | 2,8 raza | 87,3 proc. | |
| słowacki | 3,7 raza | 78,3 proc. | |
| czeski | 4,3 raza | 89,3 proc. |
Źródło: Uniwersytet Michigan, model Qwen3-8B, zestaw Belebele
Zobacz również:
TECHNOLOGIE · 07.11.2026MON negocjuje z Palantirem umowę dla wojska. Kosiniak-Kamysz mówi o „ogromnym lobbingu”Czeski i słowacki wypadają jeszcze gorzej
Na tle sąsiadów polski nie wypada najgorzej. W tym samym teście czeski pochłonął 4,3 raza więcej energii niż angielski, słowacki 3,7 raza, a ukraiński 2,8 raza. Niemiecki potrzebował mniej więcej dwa razy więcej energii, a francuski 1,7 raza. Według PAP większość języków zachodnioeuropejskich zużywa mniej więcej dwa razy więcej energii niż angielski, a polski mieści się blisko tej grupy. Wyróżnia się jednak słabszą trafnością odpowiedzi. Model odpowiedział poprawnie na 84 proc. pytań po polsku, wobec 92,1 proc. po niemiecku, 89,3 proc. po czesku i 94,6 proc. po angielsku.
Największe różnice dotyczą języków zapisywanych innym alfabetem niż łaciński i mających mało treści w internecie. Hindi wymaga według PAP około 7,9 raza więcej energii niż angielski, a bengalski około 15,3 raza. Jak policzyli autorzy, około 5,2 mld ludzi musi zużyć ponad dwa razy więcej energii, by uzyskać tekst w swoim ojczystym języku, niż osoba posługująca się angielskim.
Chcesz częściej widzieć treści BNBN w Google?Dodaj nas do ulubionych źródeł
Przewaga angielskiego nie zależy od rozmiaru modelu. W porównaniu ośmiu wybranych języków na pięciu modelach różnica w energii zużywanej na jeden token między najdroższym a najtańszym językiem wyniosła od 7,1 raza w modelu Llama 3.1 do 12,2 raza w modelu Qwen3-14B. Oprócz testu Belebele badacze sprawdzili też zadania matematyczne na poziomie szkoły podstawowej oraz otwarte pytania zadawane przez użytkowników. Przetłumaczyli je z angielskiego na siedem innych języków narzędziem No Language Left Behind firmy Meta. Także w tych zadaniach wszystkie modele zużywały średnio najmniej energii przy angielskim.
Pisma takie jak dewanagari, używane m.in. w hindi i nepalskim, czy pismo bengalskie mają złożone znaki, które wymagają więcej kodu. Według autorów może to dawać nawet miliony unikalnych form znaków, a to przekłada się na dłuższe ciągi tokenów i wyższe zużycie energii.
Podwójna kara dla nieanglojęzycznych użytkowników
„Języki, które zazwyczaj zużywają więcej energii, mają również zazwyczaj niższą dokładność wyników modelu”, mówi pierwszy autor badania Naihao Deng, doktorant informatyki na Uniwersytecie Michigan. Nazywa to podwójną karą, która przez wyższe koszty może odcinać część użytkowników od dostępu do AI. Różnica utrzymywała się niezależnie od wielkości modelu i rodzaju procesora.
Autorzy proponują, by firmy optymalizowały usługi pod więcej języków, np. kierując zapytania do modeli przygotowanych dla konkretnego języka. Innym rozwiązaniem może być tłumaczenie wiadomości użytkownika na angielski przed wysłaniem do modelu ogólnego, o ile tłumaczenie jest wiarygodne. „Twórcy sztucznej inteligencji powinni tworzyć więcej zasobów dla języków”, przekonuje prof. Mihalcea. Proponuje m.in. angażowanie rodzimych użytkowników do pomocy przy tłumaczeniach i tworzeniu danych.