باختصار
لا الحافة ولا السحابة أكثر اخضرارًا بطبيعتها. فمراكز البيانات المركزية تشغّل عادةً النماذج الكبيرة بكفاءة أعلى، بينما يستطيع الذكاء الاصطناعي (AI) على الجهاز وعلى الحافة تجنّب حركة الشبكة، وإبقاء البيانات محلية، والعمل دون اتصال. قرّروا حالةً بحالة بمقارنة الطاقة لكل نتيجة مفيدة عبر النظام كله، بما في ذلك الأجهزة والشبكة والعتاد.
النقاط الرئيسية
- شغّلوا المهام الصغيرة أو المتكررة أو الحساسة لزمن الاستجابة محليًا؛ وأرسلوا المهام الكبيرة أو النادرة إلى عتاد مركزي موفّر.
- تقدّر الوكالة الدولية للطاقة أن شبكات نقل البيانات استهلكت 260–360 TWh في عام 2022، أي نحو 1–1.5% من كهرباء العالم، وكانت شبكات الهاتف المحمول نحو ثلثي ذلك.
- طاقة الشبكة لا تتناسب بدقة مع حجم البيانات، لذا كثيرًا ما يُبالغ في تقدير الوفورات لكل غيغابايت.
- مليارات الأجهزة تتراكم: احتسبوا أجهزة المستخدمين وبطارياتها والعتاد الذي قد يضطرون إلى استبداله.
- يُبقي الذكاء الاصطناعي المحلي البيانات على الجهاز، ما يخدم الخصوصية والسيادة والصمود.
أيهما أكثر اخضرارًا: الذكاء الاصطناعي على الحافة أم في السحابة؟
يعتمد ذلك على المهمة والنموذج والجهاز، لذا قارنوهما عبر النظام كله بدل الافتراض. تشغّل مراكز البيانات المركزية المسرّعات بمعدلات استخدام عالية مع تبريد متخصص، لذا فهي تُجري عادةً الحسابات الرياضية لنموذج كبير بكفاءة أعلى. أما الذكاء الاصطناعي (AI) على الحافة، الذي يعمل على الجهاز أو على خادم قريب، فيتجنب إرسال البيانات عبر الشبكة ويمكنه أن يتوقف تمامًا حين يكون خاملًا.
طرحت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عُقدت عام 2026، وضمّت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، هذا السؤال بالضبط. فالذكاء الاصطناعي ينتشر في أجهزة الاستشعار والكاميرات وأجراس الأبواب والسيارات ومساعدي الهواتف. وإذا ضُرب ذلك في ملايين الأجهزة، فهل يكلّف الذكاء الاصطناعي المحلي طاقة أكثر أم أقل من إرسال البيانات إلى مركز بيانات؟ ولاحظ المشاركون وجود دراسات شاملة للطاقة لبعض نماذج الرؤية الأصغر المنشورة على الحافة، لكنها قليلة للنماذج اللغوية الكبيرة (LLM). والإجابة الصادقة اليوم هي: قيسوا حالتكم.
ما المفاضلات؟
كل خيار يتفوق في أمور مختلفة.
| العامل | على الجهاز / الحافة | مركز بيانات مركزي |
|---|---|---|
| الطاقة لكل عملية حسابية | أعلى عادةً على الرقاقات العامة الغرض؛ وأفضل على المسرّعات العصبية المخصصة | أقل عادةً، خاصةً عند معدلات الاستخدام العالية |
| حجم النموذج | نماذج صغيرة، مكمَّمة في الغالب | أي حجم |
| طاقة الشبكة | قليلة أو معدومة | كل طلب ينتقل عبرها |
| طاقة الخمول | يمكن أن ينام الجهاز أو يتوقف | سعة مشتركة تبقى جاهزة |
| العتاد | موزَّع على مليارات الأجهزة؛ وقد يدفع إلى الترقية | مركَّز، ويُجدَّد كل بضع سنوات |
| زمن الاستجابة | سريع، ويعمل دون اتصال | يعتمد على الاتصال |
| الخصوصية | يمكن أن تبقى البيانات على الجهاز | تخرج البيانات عن سيطرة المستخدم |
| القياس | صعب: متفرق وغير مُبلَّغ عنه | ممكن، إذا أبلغ المزوّدون |
| التحكم | موزَّع | مركَّز في عدد قليل من المزوّدين |
إلى أي حد تهم الشبكة؟
تستهلك الشبكات في المجموع كثيرًا من الطاقة، لكن معظمها حمل أساسي شبه ثابت، لذا فإن أثر أي طلب منفرد أصغر مما توحي به الحاسبات القائمة على البايت.
- تقدّر الوكالة الدولية للطاقة أن شبكات نقل البيانات استهلكت 260 إلى 360 TWh في عام 2022، أي نحو 1 إلى 1.5% من كهرباء العالم، وكانت شبكات الهاتف المحمول نحو ثلثي ذلك.
- بيّن Mytton وLundén وMalmodin عام 2024 أن طاقة الشبكة لا تتناسب تناسبًا مباشرًا مع حجم البيانات. فمعدات الشبكة تسحب الطاقة سواء أكانت مشغولة أم لا، لذا فإن تحويل الغيغابايتات مباشرةً إلى كيلوواط ساعة يبالغ في تقدير الوفورات الناتجة عن إرسال كمية أقل.
- قلّلوا البيانات مع ذلك: فهذا يوفّر الطاقة على الخوادم والأجهزة، والحركة التي تُتجنَّب قد تُغني عن سعة شبكية مستقبلية. لكن لا تجعلوا وفورات الشبكة لكل غيغابايت الحجة الرئيسية للذكاء الاصطناعي على الحافة.
لاحظوا أن كثيرًا من الأرقام المنشورة لكل طلب تستبعد الشبكة وأجهزة المستخدمين. فأرقام Google لعام 2025 الخاصة بـGemini، مثلًا، تستبعد الاثنين. تحقّقوا من حدود القياس قبل مقارنة أرقام الحافة والسحابة.
وماذا عن الأجهزة نفسها؟
احتسبوا طاقة الأجهزة التي يعمل عليها ذكاؤكم الاصطناعي وبطارياتها وعتادها، لأنها جزء من بصمتكم.
- الانبعاثات المتجسدة: تصنيع الأجهزة يُنتج الكربون. وتُدرج مواصفة SCI (كثافة الكربون في البرمجيات) حصة من الانبعاثات المتجسدة في بصمة أي نظام برمجي. وإذا دفع الذكاء الاصطناعي على الجهاز الناس إلى استبدال هواتف أو حواسيب محمولة تعمل قبل أوانها، فقد تفوق هذه الكلفة أي وفورات تشغيلية.
- استنزاف البطارية كلفة طاقة خفية يدفعها المستخدم. وأشارت ورشة العمل إلى مساعدي الذكاء الاصطناعي في الهواتف مثالًا.
- التكيّف: تقترح Green Software Foundation التحوّل إلى نماذج أصغر أو تردد أقل حين تكون البطارية منخفضة أو يكون الجهاز ساخنًا.
- الحجم: وفورات أو تكلفة ضئيلة لكل جهاز تصبح كبيرة عبر ملايين الأجهزة التي تعمل طوال الوقت.
كيف تدخل الخصوصية والصمود في الحسبان؟
يُبقي الذكاء الاصطناعي المحلي البيانات على الجهاز، ويواصل العمل حين ينقطع الاتصال أو تتعطل الخدمة المركزية.
- الخصوصية: البيانات التي تُعالج محليًا لا حاجة إلى أن ينقلها مزوّد أو يخزّنها. وهذا يدعم مبدأ تقليل البيانات إلى الحد الأدنى في قوانين حماية البيانات في المملكة المتحدة والاتحاد الأوروبي، ويناسب البيانات الحساسة مثل السجلات الصحية أو سجلات البنية التحتية الحيوية. ولاحظت ورشة العمل أن البيانات التشغيلية الحساسة في قطاعات البنية التحتية الحيوية كثيرًا ما يجب أن تبقى داخل المؤسسة، ما يستدعي نماذج محلية موفّرة.
- السيادة والتحكم: الاستدلال الموزَّع ينقل التحكم بعيدًا عن عدد قليل من المزوّدين الكبار.
- الصمود: طرحت ورشة العمل أيضًا مسألة الاعتماد: ماذا يحدث حين يعتمد المجتمع على الذكاء الاصطناعي وينقطع الاتصال أو الكهرباء؟ القدرة المحلية يمكن أن تُبقي الوظائف الأساسية قائمة.
- المساءلة: الذكاء الاصطناعي على الحافة أصعب في المراقبة. وإذا نشرتموه، فخطّطوا لكيفية قياسه والإبلاغ عنه.
كيف أقرّر، خطوة بخطوة؟
احسبوا الطاقة لكل نتيجة مفيدة لكل خيار، ثم وازنوا بين الخصوصية وزمن الاستجابة والصمود.
- حدّدوا المهمة ومستوى جودتها. ما الذي يُعدّ نتيجة ناجحة؟
- اعثروا على أصغر نموذج يبلغ المستوى (اختاروا النموذج المناسب). النماذج المكمَّمة تحتاج إلى ذاكرة أقل: فقد خفّض الاستدلال بـ8 بتات احتياجات الذاكرة إلى النصف في دراسة LLM.int8().
- قدّروا طاقة السحابة لكل نتيجة، بما في ذلك الأعباء الإضافية لمركز البيانات، والشبكة حيثما أمكن.
- قيسوا طاقة الجهاز لكل نتيجة على أجهزة تمثيلية، بما فيها الأجهزة الأقدم ومنخفضة القدرة.
- أضيفوا آثار العتاد: هل سيتطلب ذلك أجهزة جديدة أو خوادم حافة مخصصة؟
- خذوا التكرار في الحسبان: المهام الصغيرة المتكررة تناسب الجهاز في الغالب؛ والنادرة الثقيلة تناسب السحابة.
- وازنوا بين الخصوصية وزمن الاستجابة والاستخدام دون اتصال والصمود.
- فكّروا في التقسيم: نموذج محلي صغير يتولى معظم الطلبات ويصعّد الصعبة منها إلى السحابة.
- قيسوا بعد النشر وراجعوا الأمر مع تغيّر النماذج والعتاد.
قائمة التحقق
- [ ] قورنت الطاقة لكل نتيجة مفيدة للحافة والسحابة والتقسيم
- [ ] تشمل حدود القياس الأجهزة، والشبكة حيثما أمكن
- [ ] اختير أصغر نموذج كافٍ، ومكمَّم للأجهزة حيث يحافظ على الجودة
- [ ] لا ترقيات أجهزة تفرضها ميزة الذكاء الاصطناعي
- [ ] عولجت مسألتا البطارية والحرارة، مع وضع أخف عند انخفاضهما
- [ ] سُجِّلت فوائد الخصوصية وحماية البيانات
- [ ] خُطِّط لمراقبة عمليات النشر على الحافة
ماذا تفعلون بعد ذلك
- اختاروا ميزة ذكاء اصطناعي واحدة وارسموا خياراتها على الحافة وفي السحابة والتقسيم بينهما.
- قيسوا الطاقة لكل نتيجة على جهاز نموذجي وقدّروا ما يعادلها في السحابة؛ راجعوا قيسوا طاقة الذكاء الاصطناعي.
- اختبروا نموذجًا صغيرًا مكمَّمًا على أقدم جهاز تدعمونه.
- قرّروا أي البيانات يجب أن تبقى محلية لأسباب تتعلق بالخصوصية أو السيادة.
- اقرؤوا الذكاء الاصطناعي على الحافة للصورة الأوسع، و الاستضافة ومراكز البيانات للجانب السحابي.
- اعثروا على أدوات الذكاء الاصطناعي على الحافة في دليل المنتجات وعلى المجموعات البحثية في الأبحاث.
الأسئلة المتكررة
هل الذكاء الاصطناعي على الجهاز أكثر اخضرارًا من الذكاء الاصطناعي السحابي؟
أحيانًا. فنموذج صغير على هاتف يتجنب طاقة مركز البيانات والشبكة، لكن الأجهزة أقل كفاءة لكل عملية حسابية من مسرّعات مراكز البيانات، وشراء عتاد جديد لتشغيل الذكاء الاصطناعي له بصمته الخاصة. قارنوا النظام كله.
هل يستهلك إرسال البيانات إلى السحابة كثيرًا من الطاقة؟
تستهلك الشبكات طاقة كبيرة، لكن معظمها حمل أساسي شبه ثابت. وتقليل البيانات يفيد الأجهزة والخوادم مع ذلك، لكن الوفورات في الشبكة لكل غيغابايت يُبالغ في تقديرها عادةً.
ما الحوسبة الطرفية (حوسبة الحافة)؟
حوسبة تُجرى قرب المكان الذي تُنتَج فيه البيانات أو تُستخدم: على الجهاز نفسه، أو على بوابة قريبة أو خادم محلي صغير، بدل مركز بيانات بعيد.
لماذا تدخل الخصوصية في المسألة؟
البيانات التي تُعالج على الجهاز لا حاجة إلى خروجها منه. وهذا يقلّل تعرّضها وقد يسهّل الامتثال لقواعد حماية البيانات مثل تقليل البيانات إلى الحد الأدنى.
المصادر
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
- Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- Principle (c): Data minimisation, Information Commissioner's Office (2023)
- LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)
ذو صلة
الذكاء الاصطناعي على الحافة: أكثر اخضرارًا، أم أقل ظهورًا فحسب؟
قد يوفّر الذكاء الاصطناعي على الجهاز وعلى الحافة طاقة الشبكات ومراكز البيانات، لكنه يوزّع الحوسبة على مليارات الأجهزة التي لا يقيسها أحد. ما نعرفه وما لا نعرفه.
استضافة الذكاء الاصطناعي الأخضر ومراكز البيانات
كيف تختارون مكان تشغيل الذكاء الاصطناعي: شدة الكربون في الشبكة، وPUE وWUE، وادعاءات الطاقة المتجددة، واستهلاك المياه، واختيار المواقع، مع أسئلة تطرحونها على المستضيفين.
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.
اختاروا النموذج المناسب للمهمة
كيف تختارون ذكاءً اصطناعيًا بالحجم المناسب: متى تستخدمون نماذج صغيرة أو متخصصة، ومتى يستحق نموذج متقدم كلفته، وكيف يعمل التوجيه، ومتى لا تستخدمون الذكاء الاصطناعي.