据密歇根大学（University of Michigan）发布的研究消息，生成式 AI 模型在处理非英语文本时，消耗的能源高于处理英语文本。该研究把一个此前较少被单独讨论的变量——语言——带入了 AI 能耗议题。
过去关于 AI 能源消耗的讨论，多集中在模型规模、芯片效率与数据中心选址上。语言维度的加入意味着，“同样一次调用”的代价可能并不相同。
对 AI 从业者而言，这一结论有几层现实含义。成本上，若不同语言的能耗存在差异，推理成本、延迟与容量规划就不能只以英语负载为基准，多语言产品的计费方式与资源调度假设需要重新审视。可持续性上，若仅按英语负载推算整体能耗与排放，得出的结论可能偏离真实情况。公平性上，非英语用户为获得相近质量的服务，可能对应更高的算力开销。
在研究层面，这也提示能效评测应当披露测试所用语言的分布：若不同模型的语言构成不一致，横向比较得到的能效数字就可能失真。语言差异究竟如何转化为能耗差异、这一现象在多大范围内成立，仍有待研究进一步说明。
对正在做多语言部署的团队来说，把语言作为一个维度纳入能效与成本监控，或许是当下较为务实的起点。