中文大模型比英文更燒錢，這居然是AI底層原理決定的？

來源：未來科技力

作者：李欣帥

ChatGPT等AI工具的使用正越來越普遍。在與AI交互時，我們知道，輸入的提示詞差異會對輸出結果產生影響。那麼，如果相同意思的提示詞，用不同語言分別表述，結果差異是否較大？另外，提示詞的輸入和輸出是和模型背後的計算量直接掛鉤的。因此，不同語言之間在AI輸出和成本消耗方面是不是有著天然的差異性或者說是“不公平性”？這種“不公平性”又是如何產生的呢？

據了解，提示詞背後其實對應的不是文字，而是token。當接收到用戶輸入的提示詞之後，模型會將輸入轉換為token列表進行處理和預測，同時將預測的token轉換為我們在輸出中看到的單詞。也就是，token是語言模型處理和生成文本或代碼的基本單位。可以關注到，各家廠商會宣稱自家模型支持多少token的上下文，而不是說支持的單詞或漢字的數量。

影響Token計算的因素

首先，一個token並不對應一個英文單詞或一個漢字，token跟單詞之間沒有具體的換算關係。比如，根據OpenAI發布的token計算工具，hamburger一詞被分解為ham、bur和ger，共計3個token。另外，同一個詞語，如果在兩句話中的結構不同，會被記作不同數目的token。

具體token如何計算主要取決於廠商使用的標記化（tokenization）方法。標記化是將輸入和輸出文本拆分為可由語言模型處理的token的過程。該過程可以幫助模型處理不同的語言、詞彙表和格式。而ChatGPT背後採用的是一種稱為“字節對編碼”（Byte-Pair Encoding，BPE）的標記化方法。

目前來看，一個單詞被分解成多少token，跟它的發音和在句子中的結構有關。而不同語言之間的計算差異似乎較大。

拿“hamburger”對應的中文“漢堡包”來說，這三個漢字被計作8個token，也就是被分解成了8部分。

圖源：OpenAI官網截圖

再拿一段話來進行中英文語言token計算的“不公平性”對比。

下面是OpenAI官網的一句話：You can use the tool below to understand how a piece of text would be tokenized by the API, and the total count of tokens in that piece of text.這段話共計33個token。

圖源：OpenAI官網截圖

對應的中文為：您可以使用下面的工具來理解API如何將一段文本標記化，以及該段文本中標記的總數。共計76token。

圖源：OpenAI官網截圖

中英文語言在AI上存在天然“不公平”

可以看到，相同意思的中文token數是英文的兩倍多。中文和英文在訓練和推理上的“不公平性”，也許是因為中文通常一個詞彙可以表達多種含義，語言組成較為靈活，中文還有著深厚的文化內涵，具有豐富的語境意義，這極大增加了語言的歧義性和處理難度；英語語法結構較為簡單，這使得英語在一些自然語言任務上比中文更容易被處理和理解。

中文需要處理的token更多，模型所消耗的內存和計算資源也就越多，當然所需要的成本也就越大。

同時，ChatGPT雖然可以識別包括中文在內的多種語言，但它訓練使用的數據集大都為英文文本，在處理非英語語言時，可能面臨語言結構、語法等方面的挑戰，進而影響輸出效果。近日的一篇題為《多語言語言模型在英語中表現得更好嗎？ 》（Do Multilingual Language Models Think Better in English?）的論文中提到，當將非英文語言翻譯成英文後輸出的結果，要好於直接使用非英文語言作為提示詞的結果。

對中文用戶來說，似乎先將中文翻譯成英文，然後再與AI交互，似乎效果更好，也更划算。畢竟使用OpenAI的GPT-4模型API，每輸入1千token至少要收費0.03美元。

那由於中文語言的複雜性，AI模型在使用中文數據進行準確訓練和推理方面可能面臨挑戰，並增加了中文模型應用和維護的難度。同時，對開發大模型的公司來說，做中文大模型由於需要額外的資源，或許要承擔更大的成本。