Et centralt problem i udviklingen af flersprogede AI-modeller er det såkaldte 'curse of multilinguality': Jo flere sprog en model skal dække, desto dårligere bliver dens præstation på hvert enkelt sprog. Det har hidtil været opfattet som en uundgåelig teknisk begrænsning, men ny forskning fra arXiv udfordrer nu denne antagelse.
I et nyt paper beviser forskerne, at den minimale dimensionalitet, der kræves for 'perfekt flersprogethed', kun vokser logaritmisk med antallet af sprog. Med andre ord: Der er ingen teoretisk forbandelse — kapacitetsbehovet stiger langt langsommere end antallet af sprog. Det betyder, at den observerede forringelse i praksis skyldes data- og træningsforhold, ikke en fundamental begrænsning i modellens arkitektur.
For beslutningstagere, der overvejer at bygge eller købe flersprogede AI-løsninger, er dette en vigtig pointe: Den nuværende praksis med at acceptere lavere ydeevne på mindre sprog kan være et valg, ikke en nødvendighed. Hvis forbandelsen kan overvindes gennem bedre data og træningsmetoder, åbner det for mere retfærdig og effektiv sprogdækning i globale produkter og tjenester.
Forskerne bakker deres teoretiske resultat op med en lille empirisk undersøgelse, hvilket styrker troværdigheden. Det er dog værd at bemærke, at undersøgelsen er i tidlig fase, og at der stadig er lang vej til praktiske implementeringer.
