پژوهشگران دانشگاه میشیگان در تازه‌ترین گزارش خود دریافتند که مدل‌های مولد هوش مصنوعی برای تولید متن در زبان‌های غیرانگلیسی، بین ۱٫۴ تا ۱۸۰ برابر انرژی بیشتری نسبت به زبان انگلیسی مصرف می‌کنند و در عین حال دقت پایین‌تری دارند. این شکاف به‌ویژه در زبان‌هایی با خط‌نویسی پیچیده‌تر مانند هندی، بنگالی و فارسی محسوس‌تر است.
تحلیل محققان نشان می‌دهد علت اصلی این ناکارآمدی، شکستن کلمات غیرانگلیسی به توکن‌های بیشتری است که حجم حافظه و پردازش را به‌طور قابل‌توجهی افزایش می‌دهد. به بیان دیگر، معماری غالب مدل‌های زبانی که عمدتاً در اکوسیستم‌های آمریکایی توسعه یافته‌اند، برای زبان‌هایی مانند فارسی به‌خوبی بهینه نشده و این امر محدودیت ساختاری روش‌های غربی را آشکار می‌سازد.
محققان دو مسیر عملی برای برطرف‌سازی این نابرابری پیشنهاد کرده‌اند: اول، آموزش مدل‌های اختصاصی برای هر زبان با توجه به ساختار لغوی و خط‌نویسی آن؛ دوم، ترجمه پیش‌فرض پرامپت کاربر به انگلیسی قبل از پردازش. این پیشنهادات در عمل، فرصتی جدی برای کشورهایی مانند ایران است که با سرمایه‌گذاری بر روی مدل‌های زبانی بومی، می‌توانند هم مصرف انرژی را کاهش دهند و هم دقت خروجی را برای زبان فارسی به‌مراتب ارتقا دهند.
توجه به این یافته‌ها در آخرین اخبار فناوری جهان، اهمیت توسعه زیرساخت‌های هوش مصنوعی بومی را دوچندان می‌کند. ایران با وجود ظرفیت‌های علمی و دانشگاهی گسترده، پتانسیل لازم برای طراحی مدل‌هایی دارد که در مقایسه با معیارهای فعلی غربی، کارآمدتر و اقتصادی‌تر عمل کنند.
