في عالم باتت فيه نماذج اللغات الضخمة (LLMs) تتربع على عرش تقنيات الذكاء الاصطناعي، تصدرت دراسة جديدة مشهد النقاش حول كفاءة استخدام الطاقة في هذه النماذج، لا سيما في سياقات تعددية لغوية. تتناول الدراسة الجديدة، التي تم نشرها في arXiv، موضوع استهلاك الطاقة أثناء عمليات الاستدلال على اللغات المختلفة، وهو جانب لم يتم استكشافه بشكل كاف حتى الآن.

وفقاً للدراسة، يكشف التحليل عن تفاوتات ملحوظة في استهلاك الطاقة لكل رمز مخرجات، حيث تتفاوت هذه التكاليف بما يصل إلى 8.3 مرة بين اللغات. فعلى سبيل المثال، فإن الطاقة المطلوبة لطلبات ثابتة يمكن أن تتجاوز 179 مرة، حيث تعد اللغة الإنجليزية من بين اللغات الأكثر اقتصاداً في استهلاك الطاقة بحوالي 17.6 كيلوجول، بينما اللغة البشتونية تصل تكلفة الطاقة فيها إلى 3,147 كيلوجول.

تسلط هذه الفجوات الضوء على عاملين رئيسيين:
1. ارتفاع تكاليف الطاقة لكل رمز في اللغات التي تستخدم كتابة معقدة أو نادرة.
2. زيادة عدد الرموز المولدة للغات منخفضة الموارد.

علاوة على ذلك، يتضح من الدراسة أن اللغات ذات البصمة الطاقية العالية تميل أيضاً إلى تحقيق دقة مهام أقل، مما يعكس تكلفة مزدوجة تؤثر سلباً على الأداء.

تقدم الدراسة مجموعة من التوصيات المهمة، منها ضرورة اعتماد الطاقة كعنصر رئيسي في تقييم الأداء، بالإضافة إلى أهمية توسيع قوائم التحقق الخاصة بالتقارير وبطاقات النماذج لتشمل بيانات استهلاك الطاقة.

في ظل هذه التحديات، يجب على مجتمع الذكاء الاصطناعي البحث عن حلول لتحسين كفاءة استهلاك الطاقة أثناء نشر النماذج متعددة اللغات. هل تمثل هذه النتائج دعوة لنا جميعاً للتفكير في كيفية استخدامنا للطاقة في عالم يعتمد بشكل متزايد على الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.