greenai.guide

الرئيسية › الإرشادات › الذكاء الاصطناعي الأخضر للباحثين

دليل إرشادي

الذكاء الاصطناعي الأخضر للباحثين

تاريخ التحديث · مدة القراءة: 9 دقيقة

باختصار

يستطيع الباحثون جعل الذكاء الاصطناعي (AI) أكثر اخضرارًا بطريقتين: بتطوير أساليب تحتاج إلى حوسبة أقل، وبقياس الطاقة التي يستهلكها عملهم والإبلاغ عنها. فالتقليم والتكميم والتقطير والأساليب العددية الأفضل والنماذج الهجينة التي تجمع الفيزياء وتعلّم الآلة تخفّض كلفة الذكاء الاصطناعي، بينما تجعل أدوات مثل CodeCarbon وحاسبة Green Algorithms هذه الكلفة مرئية في الأوراق البحثية.

النقاط الرئيسية

  • وجد Patterson وزملاؤه أن اختيار النموذج ومركز البيانات والمعالج يمكن أن يخفّض البصمة الكربونية للتدريب بما يصل إلى نحو 100 إلى 1,000 مرة.
  • الاستدلال، لا التدريب وحده، يستحق اهتمامًا بحثيًا: فهو يجري في كل مرة يُستخدم فيها النموذج.
  • أبلغوا في كل ورقة عن الطاقة والعتاد ومدة التشغيل والموقع، باستخدام أداة مجانية مثل CodeCarbon أو حاسبة Green Algorithms.
  • تُسهم الرياضيات فيما هو أبعد من الخوارزميات: في المقاييس، وعدم اليقين، ومعايير المقارنة، ونمذجة انتشار استخدام الذكاء الاصطناعي.
  • حدّدوا ميزانية حوسبة للمشروع، تشمل عمليات التشغيل الفاشلة وعمليات البحث عن المعاملات الفائقة، لا النموذج النهائي وحده.

لماذا يهم الذكاء الاصطناعي الأخضر في البحث العلمي؟

لأن البحث العلمي يضع الأساليب التي ينسخها الجميع، ولأن البحث نفسه يستهلك قدرًا كبيرًا من الحوسبة. فتقنية تخفّض كلفة الاستدلال (inference، أي تشغيل النموذج المدرَّب للإجابة) إلى النصف، متى اعتُمدت، توفّر الطاقة في كل مرة يعمل فيها أي نموذج يستخدمها.

طُرحت هذه الحجة مبكرًا. فقد قدّرت ورقة Strubell وGanesh وMcCallum عام 2019 الكلفة المالية والبيئية لتدريب عدة نماذج لغوية، واقترحت طرقًا لخفضها. ثم وجد Patterson وزملاؤه أن اختيار معمارية النموذج ومركز البيانات والمعالج يمكن أن يخفّض البصمة الكربونية للتدريب بما يصل إلى نحو 100 إلى 1,000 مرة. وبيّن Luccioni وJernite وStrubell أن تشغيل نماذج توليدية متعددة الأغراض قد يكون أغلى بمراتب عشرية من النماذج المتخصصة في مهمة بعينها لأداء المهمة نفسها.

وقد صاغت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عُقدت عام 2026، وضمّت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، جدول الأعمال البحثي في ثلاث مراحل، تنفتح كلٌّ منها على تقنيات مختلفة: التدريب من الصفر، والضبط الدقيق أو التكييف، والنشر، سواء في السحابة أو على جهاز منخفض الطاقة. ولاحظت أيضًا أن كثيرًا من العمل القائم مدفون في مُخرجات المشاريع ومستودعات شيفرة غير معروفة، لذا فإن الخطوة الأولى لأي مشروع هي معرفة ما أُنجز من قبل.

أي الأساليب تجعل النماذج أكثر كفاءة؟

العائلات الرئيسية هي: إزالة ما لا يحتاج إليه النموذج، واستخدام عدد أقل من البتات، والتعلّم من بيانات أقل، وبناء البنية المعروفة داخل النموذج. ويمكن الجمع بين معظمها.

التقليم والتناثر

التقليم (pruning) يزيل الأوزان التي لا تُسهم إلا قليلًا في المُخرَج. والتناثر (sparsity) يعني أن معظم القيم في مصفوفة أو في التنشيطات أصفار، فيمكن للحوسبة تخطّيها. وكثيرًا ما تحتوي الشبكات الكبيرة على معاملات أكثر بكثير مما تحتاج إليه المهمة النهائية، لأن الإفراط في عدد المعاملات يساعد على التحسين، لذا يمكن إزالة كثير منها بعد التدريب.

ومن الأسئلة المفتوحة: كيف تُحدَّد أهداف التناثر قبل التدريب بدل التجربة والخطأ، وكيف يُحافظ على كفاءة التناثر الديناميكي (حيث تعتمد الأصفار على المُدخَل) على عتاد حقيقي، ولماذا لا يزال التناثر قليل الاستخدام نظرًا إلى القيود المعمارية في الرقاقات السائدة. وكثيرًا ما تفوق المكاسب النظرية التسريعات المُقاسة، لذا فإن النتائج التجريبية على عتاد حقيقي مهمة.

التكميم والدقة المختلطة

التكميم (quantisation) يخزّن القيم ويحسبها بعدد أقل من البتات، مثل أعداد صحيحة من 8 بتات بدل الفاصلة العائمة من 32 بتًا. والدقة المختلطة تستخدم دقة أدنى حيث يكون ذلك آمنًا ودقة أعلى حيث تلزم. وتُفيد UNESCO وUCL بأن الضغط مثل التكميم يمكن أن يوفّر ما يصل إلى 44% من الطاقة مع الحفاظ على الدقة. والمختصون في التحليل العددي في موقع جيد ليحددوا أين تكون الدقة المنخفضة آمنة وكيف تنتشر الأخطاء.

التقطير والنماذج الأصغر

التقطير (distillation) يدرّب نموذجًا صغيرًا "تلميذًا" على محاكاة نموذج كبير "معلّم". والتلميذ أرخص تشغيلًا في كل طلب. ويتجنب العمل المرتبط على الضبط الدقيق الموفّر للمعاملات، الذي يكيّف عددًا صغيرًا من المعاملات الإضافية بدل النموذج كله، وعلى التعلّم المستمر، إعادة التدريب من الصفر.

إعادة استخدام النماذج

بدل تدريب نماذج جديدة، اجمعوا بين نماذج موجودة. فقد بيّن Wortsman وزملاؤه أن حساب متوسط أوزان عدة نماذج مضبوطة ضبطًا دقيقًا ("model soups") يمكن أن يحسّن الدقة دون أي كلفة استدلال إضافية. ودمج النماذج وإعادة استخدامها مجال واعد لأبحاث الكفاءة.

الكفاءة في البيانات

التدريب على بيانات أقل وأفضل يخفّض طاقة التدريب مباشرةً. ومن التقنيات: إزالة الأمثلة المكررة والقليلة القيمة، والتعلّم النشط (اختيار الأمثلة الأكثر إفادة لتصنيفها)، والمعماريات التي تعمّم انطلاقًا من أمثلة قليلة.

الأساليب العددية وحركة البيانات

جزء كبير من الذكاء الاصطناعي جبر خطي، وتنطبق عليه عقود من التحليل العددي. فالجبر الخطي العددي العشوائي والتخطيط المختصر (sketching، أي ضغط مصفوفة مع الحفاظ على خصائصها المهمة) يمكن أن يخفّضا العمليات الحسابية وحركة البيانات معًا، وهذه الحركة تكلّف على كثير من الأجهزة طاقة أكثر من العمليات الحسابية نفسها. ويُعدّ الانتباه التقريبي، الذي لا يحسب إلا الأجزاء المهمة من مصفوفة الانتباه، مثالًا نشطًا في النماذج اللغوية الكبيرة (LLM). والاشتقاق التلقائي، وهو التقنية العامة وراء الانتشار العكسي، يربط الذكاء الاصطناعي بالشيفرات العلمية القائمة.

النماذج الهجينة بين الفيزياء وتعلّم الآلة

بدل استبدال محاكاة كاملة بشبكة عصبية، استبدلوا الجزء المناسب لها فقط. ومن الأنماط الشائعة استخدام نموذج بديل (surrogate) متعلَّم للمكوّن الأكثر استهلاكًا للطاقة في نموذج مناخي أو هندسي، مع إبقاء بقية الفيزياء. أما النماذج المسترشدة بالفيزياء (physics-informed) فتبني القوانين المعروفة في دالة الخسارة أو المعمارية، ما قد يتطلب معاملات وبيانات أقل بكثير. ومن الأدوات البنيوية الأخرى: التحدّب، والخوارزميات المفرودة (تحويل خطوات مُحلِّل كلاسيكي إلى طبقات في الشبكة)، والتناظر، كما في التعلّم العميق الهندسي.

وطرحت ورشة العمل أيضًا أفكارًا أقل استكشافًا:

  • إضافة حدّ للطاقة أو "الكربون" إلى هدف التدريب، كمعاقبة الخلايا العصبية النشطة أو الخبراء المكلفين في نموذج خليط الخبراء (mixture-of-experts)؛
  • تصحيح الأخطاء أثناء الحسابات الطويلة، بالتحقق على فترات حتى لا يلزم تكرار عملية التشغيل؛
  • اكتشاف متى تعلق أنظمة الذكاء الاصطناعي متعددة الوكلاء في حلقات مفرغة وتُهدر الرموز (tokens).

راجعوا التدريب والاستدلال الموفّران و الرياضيات من أجل ذكاء اصطناعي موفّر.

كيف ينبغي أن أقيس الطاقة وأُبلغ عنها في الأوراق البحثية؟

قيسوا أثناء العمل، وأبلغوا عن مجموعة معيارية من المعلومات، وأدرجوا عمليات التشغيل التي لم تصل إلى الورقة. فدون ذلك لا يمكن التحقق من ادعاءات الكفاءة أو مقارنتها.

أدوات مجانية:

  • CodeCarbon، وهي حزمة Python مفتوحة المصدر، تقدّر الانبعاثات انطلاقًا من القدرة التي تسحبها وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU) والذاكرة، ومن الكثافة الكربونية للشبكة الكهربائية المحلية. أضيفوها إلى نصوص التدريب والتقييم البرمجية.
  • حاسبة Green Algorithms، من Lannelongue وGrealey وInouye، تقدّر بصمة عملية حسابية انطلاقًا من العتاد ومدة التشغيل والذاكرة والموقع. وهي مناسبة لمهام الحوسبة عالية الأداء (HPC) وللعمل المنجز قبل أن تبدؤوا التسجيل.
  • عدّادات العتاد، مثل RAPL في كثير من وحدات CPU وواجهات القدرة لدى مصنّعي GPU، تعطي قراءات مباشرة تعتمد عليها هذه الأدوات.

ما الذي يُبلَّغ عنه:

البند مثال
العتاد طراز GPU وعددها، وCPU، والذاكرة
مدة التشغيل ساعات GPU لعمليات التشغيل النهائية ولكل عمليات الضبط والتشغيل الفاشلة
الطاقة kWh، مُقاسة أو مقدَّرة، مع الأداة وإصدارها
الموقع البلد أو المنطقة الكهربائية، والكثافة الكربونية المستخدمة
الانبعاثات kg CO₂e
الاستدلال الطاقة لكل 1,000 طلب عند حجم دفعة وطول تسلسل محددين
حدود القياس هل يشمل الرقم التبريد والأعباء الإضافية لمركز البيانات (PUE، فعالية استخدام الطاقة)

كونوا واضحين بشأن عدم اليقين. فالتقديرات المستمدة من نماذج القدرة قد تختلف عن القيم المقيسة بالعدّادات، وأرقام المزوّدين، مثل رقم Google البالغ 0.24 Wh للطلب النصي الوسيط إلى Gemini، تستخدم طرقها وحدودها الخاصة. ويتعمق في ذلك دليلنا لقياس طاقة الذكاء الاصطناعي ومقالة القياس هو عنق الزجاجة.

كيف أحدد ميزانية حوسبة؟

قرّروا مسبقًا مقدار الحوسبة الذي يجوز للمشروع استهلاكه، وتتبّعوه كما تتبّعون المال. فالميزانية تجعل المفاضلات مرئية وتوقف الضبط الذي لا ينتهي.

  • قدّروا ساعات GPU للتجارب الرئيسية، ثم أضيفوا هامشًا للاستكشاف.
  • استخدموا تجارب أولية صغيرة النطاق لاستبعاد الأفكار قبل التوسّع.
  • فضّلوا عمليات بحث موفّرة عن المعاملات الفائقة، مثل الإيقاف المبكر لعمليات التشغيل الضعيفة، على عمليات البحث الشبكية الكبيرة.
  • أعيدوا استخدام نقاط الحفظ والنماذج المدرَّبة مسبقًا حيث تناسب.
  • جدولوا المهام المرنة في أوقات أو مناطق تكون فيها الشبكة الكهربائية أنظف.
  • أبلغوا عن النتائج مقابل الحوسبة، مثل الدقة لكل kWh، لا أفضل دقة فقط.

وتقدّم مبادئ GREENER التي وضعها Lannelongue وزملاؤه (Governance، Responsibility، Estimation، Energy and embodied impacts، New collaborations، Education and Research، أي الحوكمة والمسؤولية والتقدير والطاقة والآثار المتجسدة والتعاونات الجديدة والتعليم والبحث) إطارًا للمجموعات والمؤسسات.

كيف تؤثر الكفاءة في قابلية التكرار؟

الإبلاغ عن الطاقة والحوسبة يجعل العمل أسهل تكرارًا، والأساليب الموفّرة تجعل تكراره أرخص. فالنتيجة التي تحتاج إلى آلاف ساعات GPU لا تستطيع التحقق منها إلا مجموعات قليلة.

  • انشروا الشيفرة والإعدادات والبذور العشوائية، واذكروا عدد عمليات التشغيل التي تستند إليها النتيجة.
  • أبلغوا عن التباين بين عمليات التشغيل. فرقم دقة واحد من تشغيل واحد لعملية غير حتمية قد يضلّل.
  • أتيحوا نسخًا أصغر أو مقطّرة من النماذج حيثما أمكن ليبني عليها الآخرون.
  • شاركوا النتائج السلبية لأساليب الكفاءة، فهي تجنّب الآخرين تكرارها.

أين يمكن أن تُسهم الرياضيات؟

تساعد الرياضيات فيما هو أبعد من الخوارزميات الأسرع: في تحديد ما يُقاس، ومدى الثقة بنموذج ما، وكيف ينتشر استخدام الذكاء الاصطناعي في المجتمع. وشدّدت ورشة العمل على أن علماء الرياضيات عليهم أن يبيّنوا، بالأدوات والأدلة، ما يستطيعون تحسينه.

  • نظرية الكفاءة: نظرية المصفوفات العشوائية للتقليم والتناثر، ونظرية التقريب للنماذج الصغيرة، ونظرية التحسين لتدريب أسرع.
  • التحليل العددي: الدقة والاستقرار وحدود الخطأ والمُحلِّلات داخل مسارات الذكاء الاصطناعي.
  • تقدير عدم اليقين: إلى أي حد يمكن الوثوق بنموذج بديل، خاصةً خارج بيانات تدريبه، وهو ما يقرّر إن كان يمكنه أن يحل محل نموذج فيزيائي مكلف.
  • المقاييس ومعايير المقارنة: مقاييس متفق عليها وقابلة للمقارنة للطاقة والجودة، ومقاييس جودة تدمج الكفاءة.
  • نمذجة السيناريوهات والأنظمة: كيف تغيّر مكاسب الكفاءة الاستخدام الإجمالي (تأثير الارتداد)، ونظرية الألعاب لتفسير شعور المؤسسات بأنها مدفوعة إلى استخدام الذكاء الاصطناعي، والتوازن بين الحوسبة الطرفية والحوسبة المركزية.
  • اختيار الأسلوب: أُطر لتحديد متى تحتاج مشكلة ما إلى الذكاء الاصطناعي أصلًا ومتى تحلّها خوارزمية كلاسيكية حلًا جيدًا.

كيف أجد التمويل والمتعاونين؟

اجمعوا بين سؤال بحثي عن الكفاءة وشريك تطبيقي حقيقي يهتم بالكلفة أو السرعة. فالجهات المموّلة والصناعة تستجيب على نحو أفضل لوفورات الطاقة التي تأتي أيضًا بنتائج أسرع أو أرخص أو أكثر موثوقية.

  • مجالس البحث الوطنية مثل EPSRC في المملكة المتحدة وNSF في الولايات المتحدة ونظيراتها تموّل أبحاث الأساليب؛ تابعوا الدعوات المتعلقة بالذكاء الاصطناعي والبنية التحتية الرقمية للبحث والحياد الكربوني.
  • البرامج الأوروبية مثل Horizon Europe وعناقيد Eureka مثل ITEA تموّل مشاريع تعاونية مع الصناعة. وGreenCode، وهو مشروع تابع لـITEA، مثال على ذلك في الذكاء الاصطناعي الأخضر وطاقة البرمجيات.
  • المشاريع الصناعية القصيرة والتدريب العملي والمنح الدراسية المموّلة بالشراكة طرق منخفضة الكلفة لبدء تعاون.
  • مهندسو البرمجيات البحثية ومراكز الحوسبة عالية الأداء كثيرًا ما تكون لديهم خبرة وتدريب في الحوسبة الخضراء.

الفرق متعددة التخصصات تعمل على أفضل وجه: اجمعوا خبراء العتاد والبرمجيات والتحليل العددي والمجال التطبيقي في الغرفة نفسها. ويُدرج دليل الأبحاث المجموعات والمشاريع في الذكاء الاصطناعي الأخضر.

ما مسارات الدكتوراه المتاحة؟

توجد مشاريع دكتوراه في تعلّم الآلة الموفّر، والتحليل العددي، والحوسبة المستدامة ومنخفضة الكربون، والحوسبة عالية الأداء، والتصميم المشترك للعتاد والبرمجيات. وكثير منها لا يحمل وسم "الذكاء الاصطناعي الأخضر"، لذا ابحثوا عن هذه الموضوعات أيضًا.

ومن المسارات:

  • مراكز وبرامج تدريب الدكتوراه، مثل UKRI Centres for Doctoral Training في المملكة المتحدة؛
  • شبكات الدكتوراه ضمن إجراءات Marie Skłodowska-Curie Actions التابعة للاتحاد الأوروبي؛
  • منح دراسية مموّلة بالشراكة مع الصناعة أو برعايتها؛
  • مشاريع مرتبطة بمنح بحثية أكبر.

راجعوا دليل الدكتوراه للفرص الحالية ودليل الدورات للدورات القصيرة في الذكاء الاصطناعي الموفّر والبرمجيات الخضراء والحوسبة البحثية.

ماذا تفعلون بعد ذلك

  1. أضيفوا CodeCarbon أو أداة تسجيل مشابهة إلى تجربتكم القادمة، أو قدّروا مشروعكم الأخير بحاسبة Green Algorithms.
  2. أضيفوا جدولًا للطاقة والحوسبة إلى ورقتكم القادمة، يشمل عمليات الضبط والتشغيل الفاشلة.
  3. حدّدوا ميزانية حوسبة لمشروعكم الحالي وراجعوها شهريًا.
  4. جرّبوا أسلوبًا واحدًا للكفاءة، مثل التكميم أو التقطير، على نموذج تستخدمونه أصلًا، وأبلغوا عن المفاضلة.
  5. تحقّقوا مما هو موجود قبل البناء: ابحثوا في دليل الأبحاث والمُخرجات الحديثة.
  6. اعثروا على شريك لديه عبء عمل مكلف في الذكاء الاصطناعي أو المحاكاة، واقترحوا مشروعًا مشتركًا.
  7. ابحثوا عن تدريب في دليل الدورات، وشاركوا دليل الدكتوراه مع الطلبة.

الأسئلة المتكررة

كيف أُبلغ عن استهلاك تجاربي للطاقة؟

سجّلوا الطاقة بأداة مثل CodeCarbon أثناء تشغيل التجارب، أو قدّروها لاحقًا بحاسبة Green Algorithms انطلاقًا من العتاد ومدة التشغيل والموقع. أبلغوا عن kWh وCO₂e والعتاد والساعات والمنطقة الكهربائية، وأدرجوا عمليات التشغيل الفاشلة وعمليات الضبط.

هل يضرّ التكميم بالدقة؟

غالبًا بقدر طفيف فقط، لكن ذلك يعتمد على النموذج والمهمة. تُفيد UNESCO وUCL بوفورات في الطاقة تصل إلى 44% من الضغط مثل التكميم مع الحفاظ على الدقة؛ فتحقّقوا من ذلك على معايير المقارنة الخاصة بكم.

هل الذكاء الاصطناعي الأخضر مجال بحثي حقيقي أم مسألة جانبية؟

إنه مجال متنامٍ يمتد عبر تعلّم الآلة والتحليل العددي والعتاد وأنظمة الحوسبة. وتعود دراسات طاقة التدريب والاستدلال إلى عام 2019 على الأقل، ويطلب قانون الذكاء الاصطناعي الأوروبي (EU AI Act) الآن من مزوّدي النماذج العامة الغرض توثيق استهلاك الطاقة.

هل يمكنني إعداد دكتوراه في الذكاء الاصطناعي الأخضر؟

نعم. ابحثوا عن مشاريع في تعلّم الآلة الموفّر، أو الأساليب العددية، أو الحوسبة المستدامة، أو الحوسبة عالية الأداء (HPC). ويُدرج دليل الدكتوراه لدينا الفرص الحالية.

المصادر

  1. Carbon emissions and large neural network training, Patterson et al. (2021)
  2. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  3. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  4. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  5. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  6. CodeCarbon, CodeCarbon (2026)
  7. Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
  8. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al., ICML (2022)
  9. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  10. AI Act, Annex XI: technical documentation for providers of general-purpose AI models, European Commission AI Act Service Desk (2024)
  11. Green AI and energy-aware computing, GreenCode (ITEA) (2026)
ممارسات جيدة

تدريب الذكاء الاصطناعي واستدلاله بكفاءة

تقنيات للمطوّرين والباحثين لخفض طاقة الذكاء الاصطناعي: التقليم والتناثر والتكميم والتقطير وذاكرة KV المؤقتة والتجميع والدقة المختلطة والجدولة.

ممارسات جيدة

كيف تقيسون طاقة الذكاء الاصطناعي وانبعاثاته الكربونية

دليل عملي لقياس طاقة أعمال الذكاء الاصطناعي وكربونها أو تقديرهما: الأدوات، وحدود النظام، ومقاييس لكل مهمة، والإفصاح الصادق عن عدم اليقين.

مقالة

الرياضيات التي تجعل الذكاء الاصطناعي أكثر كفاءة

التقليم والتناثر والرسم العشوائي ونظرية المصفوفات العشوائية والنماذج المستنيرة بالفيزياء: كيف تقلّص الرياضيات الحوسبة والذاكرة والطاقة التي يحتاج إليها الذكاء الاصطناعي.

مقالة

القياس هو عنق الزجاجة في الذكاء الاصطناعي الأخضر

لماذا يصعب الوثوق بأرقام طاقة الذكاء الاصطناعي أو مقارنتها: أرقام يعلنها أصحابها، وتقديرات لا قياسات، وحدود مختلفة، وكيف يبدو القياس الجيد.

انضموا إلينا

ساعدوا في خفض أثر الذكاء الاصطناعي على الكوكب

تلقّوا الأدلة الجديدة ودعوات التمويل وإدراجات الأدلة بالبريد الإلكتروني، مرة في الشهر تقريبًا. أو أضيفوا منتجكم أو دورتكم أو منحة الدكتوراه أو بحثكم إلى الأدلة.

بلا تتبّع. ألغوا الاشتراك بنقرة واحدة. طرق أخرى للانضمام · الخصوصية