greenai.guide

الرئيسية › مقالات › الذكاء الاصطناعي على الحافة: أكثر اخضرارًا، أم أقل ظهورًا فحسب؟

مقالة

الذكاء الاصطناعي على الحافة: أكثر اخضرارًا، أم أقل ظهورًا فحسب؟

تاريخ التحديث · مدة القراءة: 5 دقيقة

باختصار

تشغيل الذكاء الاصطناعي (AI) على الهواتف وأجهزة الاستشعار والخوادم المحلية بدلًا من مراكز البيانات البعيدة قد يخفّض طاقة نقل البيانات ويحمي الخصوصية. لكنه يوزّع الحوسبة على مليارات الأجهزة التي نادرًا ما تُقاس بصمتها من الطاقة والتصنيع. وكون الذكاء الاصطناعي على الحافة أكثر اخضرارًا أم لا يتوقف على النموذج والجهاز وعدد مرات تشغيله وما يحلّ محله، ولا تزال الأدلة شحيحة.

النقاط الرئيسية

  • يشغّل الذكاء الاصطناعي على الحافة النماذج على الجهاز الذي يجمع البيانات أو بالقرب منه، بدلًا من مركز بيانات مركزي.
  • يتجنب إرسال البيانات عبر الشبكات التي تستهلك الطاقة، ويحافظ على خصوصية البيانات، لكنه يتخلى عن كفاءة الخوادم المشتركة المستغَلّة بالكامل.
  • تختلف نتائج الدراسات التي تقارن الاستدلال على الحافة بالاستدلال السحابي؛ فالنتائج تتوقف كثيرًا على النموذج والعتاد وخط الأساس.
  • لتصنيع الأجهزة تكلفة كربونية كبيرة، ولذلك قد تفوق ميزاتُ الذكاء الاصطناعي التي تقصّر أعمار الأجهزة أو تتطلب عتادًا جديدًا أيَّ توفير في الطاقة.
  • يصعب قياس الذكاء الاصطناعي على الحافة وتنظيمه، إذ لا يوجد عدّاد لمركز بيانات ولا مؤشر PUE ولا واجب إبلاغ.

يدور معظم الجدل حول استهلاك الذكاء الاصطناعي (AI) للطاقة حول مراكز البيانات، لأنها المكان الذي توجد فيه العدّادات الكبيرة. لكن حصة متزايدة من الذكاء الاصطناعي تعمل في أماكن أخرى: على الهواتف والحواسيب المحمولة والسيارات والكاميرات وأجراس الأبواب ومستشعرات المصانع. هذا هو "الذكاء الاصطناعي على الحافة" (edge AI). وقد يكون جزءًا من الحل لبصمة الذكاء الاصطناعي، أو وسيلة لنقل البصمة إلى مكان لا يحصيها فيه أحد.

ما الذكاء الاصطناعي على الحافة؟

يشغّل الذكاء الاصطناعي على الحافة نموذجًا على الجهاز الذي يجمع البيانات أو بالقرب منه، بدلًا من إرسال البيانات إلى مركز بيانات بعيد. والذكاء الاصطناعي "على الجهاز" هو الحالة القصوى، حيث يعمل النموذج على الهاتف أو المستشعر نفسه.

الذكاء الاصطناعي على الحافة شائع بالفعل:

  • يصف التقرير التقني لشركة Apple لعام 2025 نموذجًا لغويًا يعمل على الجهاز يضم نحو ثلاثة مليارات مُعامِل (parameter)، مضغوطًا بتدريب يراعي التكميم إلى 2 بت (2-bit quantisation-aware training) ليتسع على الهواتف والحواسيب المحمولة ويعمل عليها.
  • تتيح خدمة Android AICore من Google للتطبيقات استخدام Gemini Nano، وهو نموذج يعمل على الجهاز، على هواتف Pixel وSamsung المدعومة.
  • تشغّل الكاميرات الصناعية والطائرات المسيّرة والسيارات والأجهزة الطبية نماذج الرؤية والتحكم محليًا لأنها لا تستطيع انتظار اتصال بالشبكة أو الاعتماد عليه.

عدد الأجهزة كبير ومتزايد. أحصت IoT Analytics نحو 18.5 مليار جهاز متصل من أجهزة إنترنت الأشياء (IoT) في نهاية 2024، دون احتساب الهواتف والحواسيب الشخصية والأجهزة اللوحية، وتوقعت نحو 39 مليارًا بحلول 2030.

لماذا قد يوفّر الذكاء الاصطناعي على الحافة الطاقة؟

لأن نقل البيانات يكلّف طاقة، والمعالجة المحلية قد تتجنب ذلك. كما أنها تُبقي البيانات الحساسة في مكانها.

قدّرت الوكالة الدولية للطاقة أن شبكات نقل البيانات تستهلك نحو 1–1.5% من كهرباء العالم، وهي حصة مماثلة لحصة مراكز البيانات. ومعالجة البيانات حيث تُجمع، وإرسال النتائج فقط، قد يخفّف هذا العبء.

لكن ثمة محذورًا. فقد أظهر Mytton وLundén وMalmodin عام 2024 أن طاقة الشبكات لا تتناسب طرديًا مع حجم البيانات: إذ تُسحب معظم طاقة الشبكة سواء تدفقت البيانات أم لا. فإرسال بيانات أقل لا يوفّر الطاقة بنسبة واحد إلى واحد، ولذلك تبالغ التقديرات البسيطة القائمة على "كيلوواط ساعة لكل غيغابايت" في تقدير التوفير.

ومن الفوائد المحتملة الأخرى:

  • الخصوصية والسيادة. البيانات التي لا تغادر الجهاز أو المستشفى أو مشغّل الشبكة الكهربائية لا يمكن أن تتسرب أثناء النقل أو أن يستخدمها طرف ثالث.
  • المرونة. يستمر النموذج المحلي في العمل حين تتعطل الشبكة أو السحابة.
  • زمن الاستجابة. تصل الإجابات دون رحلة ذهاب وإياب، وهذا مهم للمركبات والآلات.

لماذا قد يكلّف الذكاء الاصطناعي على الحافة أكثر؟

لأن الأجهزة الصغيرة عادةً أقل كفاءة من الخوادم الكبيرة المشتركة المستغَلّة بالكامل، ولأن لتصنيع الأجهزة تكلفة كربونية كبيرة.

  • معدل الاستغلال. يستطيع مسرّع في مركز بيانات تجميع طلبات مستخدمين كثيرين في دفعات والبقاء مشغولًا. أما الهاتف أو المستشعر فيعالج طلب مستخدم واحد ثم يبقى خاملًا.
  • التصنيع. أفاد Wu وزملاؤه في Meta عام 2022 بأن الكربون المتجسد (embodied carbon)، الناتج عن صنع العتاد، أخذ يصبح المصدر الغالب في البصمة الإجمالية للذكاء الاصطناعي، ولاحظوا أن الحوسبة المنتقلة إلى الحافة قد تعمل حيث يكون الوصول إلى الطاقة المتجددة محدودًا. وميزات الذكاء الاصطناعي التي تتطلب هواتف جديدة، أو تجعل الهواتف القديمة تبدو بطيئة، تضيف انبعاثات تصنيع قد تفوق أي طاقة جرى توفيرها.
  • التضاعف. تكلفة صغيرة لكل جهاز، مضروبة في مليارات الأجهزة، تكلفة كبيرة. فجرس باب أو كاميرا يشغّل نموذجًا باستمرار قد يستهلك إجمالًا طاقة أكثر مما كانت ستستهلكه استدعاءات سحابية متفرقة.

ماذا تقول الأدلة؟

الأدلة متباينة، وتتوقف كثيرًا على طبيعة المقارنة. قارن Li وIslam وRen (2025) الاستدلال بالذكاء الاصطناعي التوليدي في السحابة وعلى أجهزة الحافة، ووجدوا بصمة بيئية أقل عند النشر على الحافة لعدة نماذج، مع توفير في الطاقة تجاوز 90% في اختباراتهم على هاتف حديث. ولم يكن خط الأساس السحابي لديهم خدمة إنتاجية محسّنة بالكامل، وهذا مهم: فالخوادم التي تجمّع الطلبات جيدًا في مركز بيانات كفؤ معيار يصعب التفوق عليه.

ولا تزال الدراسات الشاملة التي تتتبع خدمة ذكاء اصطناعي كاملة، من الجهاز عبر الشبكة إلى مركز البيانات، نادرة، لا سيما للنماذج اللغوية الكبيرة (LLM). وقد أدرجت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عام 2026، ضمّت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، نمذجةَ الأثر الصافي للذكاء الاصطناعي على الحافة في استهلاك الطاقة، عبر ملايين الأجهزة، بوصفها سؤالًا مفتوحًا.

لماذا يصعب قياس الذكاء الاصطناعي على الحافة وتنظيمه؟

لأنه لا يوجد عدّاد واحد. تُبلغ مراكز البيانات عن استهلاكها للطاقة وعن فعالية استخدام الطاقة (PUE، أي نسبة إجمالي طاقة المركز إلى طاقة أجهزته الحاسوبية)، وفي الاتحاد الأوروبي يجب على الكبيرة منها الإبلاغ ضمن نظام مشترك. أما الهواتف والمستشعرات ومحطات عمل الذكاء الاصطناعي المكتبية فلا يقع عليها مثل هذا الواجب.

تظهر الطاقة، إن ظهرت أصلًا، في صورة استنزاف للبطارية أو فاتورة كهرباء أعلى قليلًا موزعة على ملايين الأسر والشركات. وهذا يجعل من السهل ادعاء التوفير بنقل العمل إلى الحافة دون أن يتمكن أحد من التحقق. راجعوا القياس هو عنق الزجاجة.

ما الذي يجعل الذكاء الاصطناعي على الحافة أكثر اخضرارًا؟

نماذج صغيرة وكفؤة، لا تعمل إلا عند الحاجة، على عتاد يملكه الناس أصلًا. والأساليب نفسها التي تخفّض طاقة مراكز البيانات تكتسب أهمية أكبر حين يكون المصدر بطارية:

  • النماذج المضغوطة: التقليم والتكميم والتقطير. راجعوا الرياضيات التي تجعل الذكاء الاصطناعي أكثر كفاءة.
  • المعالجة المدفوعة بالأحداث: إيقاظ النموذج حين يحدث شيء ما، بدلًا من تشغيله باستمرار.
  • إرسال ملخصات لا بيانات خام حين تكون السحابة ضرورية.
  • دعم الأجهزة الأقدم، كي لا تفرض ميزات الذكاء الاصطناعي استبدالها.

ويؤكد GreenCode، وهو مشروع بحثي أوروبي في البرمجيات الموفّرة للطاقة، النقطة نفسها: النماذج الصغيرة المضبوطة، والاسترجاع بدلًا من حشو السياق بالقوة، والتوجيه إلى أرخص مكوّن قادر على المهمة، والجدولة، هي ما يجعل الذكاء الاصطناعي عمليًا على طاقة البطاريات والعتاد المحدود، حيث لا خيار لإنفاق مزيد من الطاقة.

ماذا تفعلون بعد ذلك

  • قرّروا بين الحافة والسحابة حالةً بحالة، مستعينين بالأسئلة الواردة في الحافة أم السحابة؟.
  • احسبوا طاقة التصنيع إلى جانب طاقة التشغيل، وتجنبوا الميزات التي تتطلب عتادًا جديدًا.
  • قيسوا طاقة الجهاز أثناء الاختبار، لا الدقة والسرعة فقط.
  • شغّلوا النماذج عند وقوع الأحداث لا باستمرار، وأرسلوا النتائج بدلًا من البيانات الخام.
  • إذا كنتم تشترون منتجات ذكاء اصطناعي على الحافة، فاطلبوا من المورّدين الطاقة لكل عملية استدلال وأعمار الأجهزة المدعومة. راجعوا الشراء المستدام للذكاء الاصطناعي.

الأسئلة المتكررة

ما الذكاء الاصطناعي على الحافة؟

ذكاء اصطناعي يعمل على الجهاز الذي تُجمع فيه البيانات أو بالقرب منه، مثل الهاتف أو الكاميرا أو السيارة أو مستشعر المصنع، بدلًا من مركز بيانات بعيد.

هل الذكاء الاصطناعي على الجهاز أفضل للبيئة؟

أحيانًا. قد يوفّر طاقة إرسال البيانات إلى السحابة، لكن الأجهزة الصغيرة أقل كفاءة من الخوادم المشتركة، وقد تدفع ميزات الذكاء الاصطناعي الجديدة الناس إلى شراء عتاد جديد. والأثر الصافي يتوقف على الحالة.

هل يستنزف الذكاء الاصطناعي على الجهاز بطارية هاتفي؟

تشغيل نموذج على الهاتف يستهلك البطارية مثل أي تطبيق آخر كثيف الاستهلاك. تستخدم الشركات المصنّعة نماذج صغيرة مضغوطة وشرائح مخصصة لخفض ذلك، لكن الطاقة تُستهلك مع ذلك، ولا تظهر في أي إحصاءات لمراكز البيانات.

المصادر

  1. Data centres and data transmission networks, International Energy Agency (2023)
  2. 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)
  3. Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
  4. Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
  5. Gemini Nano with Android AICore, Google, Android Developers (2024)
  6. A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
  7. Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
  8. Green AI and energy-aware computing, GreenCode (2026)
ممارسات جيدة

الحافة أم السحابة: أين ينبغي أن يعمل الذكاء الاصطناعي؟

كيف توازنون بين الذكاء الاصطناعي على الجهاز وعلى الحافة ومراكز البيانات المركزية: الطاقة والشبكة والعتاد والخصوصية والصمود، مع طريقة متدرجة لاتخاذ القرار.

ممارسات جيدة

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.

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.

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.

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