# مسرد الذكاء الاصطناعي الأخضر

> تعريفات بلغة واضحة للمصطلحات المستخدمة في الذكاء الاصطناعي الأخضر، من الرموز والاستدلال وPUE إلى تأثير الارتداد والكفاية ودمج النماذج.

Source: https://greenai.guide/ar/المسرد/  
Updated: 2026-11-19

## باختصار

يعرّف هذا المسرد، بلغة واضحة، المصطلحات التي يصادفها من يبدأ القراءة عن التكلفة البيئية للذكاء الاصطناعي (AI)، مرتّبةً وفق الترتيب الأبجدي لأسمائها الإنجليزية. ولكل مصطلح رابطه الخاص، لتتمكن صفحات الموقع الأخرى من الإشارة إليه مباشرة.

## النقاط الرئيسية

- التدريب يبني النموذج مرة واحدة؛ والاستدلال هو كل استخدام له بعد ذلك.
- الكفاءة تعني إنجاز الشيء نفسه بموارد أقل؛ والكفاية تعني التساؤل عمّا إذا كانت المهمة تحتاج إلى الذكاء الاصطناعي أصلًا.
- يقارن مؤشر PUE إجمالي طاقة مركز البيانات بالطاقة التي تستهلكها حواسيبه؛ والقيمة 1.0 تعني الكمال.
- تأثير الارتداد هو أن تجعل الكفاءةُ شيئًا ما أرخص فيزداد الاستخدام الإجمالي.

يجمع الذكاء الاصطناعي الأخضر بين علوم الحاسوب والرياضيات والهندسة والطاقة والسياسات العامة، ولكل مجال منها مفرداته
الخاصة. فكلمات مثل «نموذج» و«كفاءة»، بل و«الذكاء الاصطناعي» نفسه، تعني أشياء مختلفة لأشخاص مختلفين. وقد وجدت ورشة
عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عُقدت في 2026 وجمعت علماء رياضيات وعلماء حاسوب وممثلين عن
الصناعة أن المصطلحات التي أراد الناس تحديدها أكثر من غيرها هي المصطلحات الأساسية، ولهذا يبدأ هذا المسرد من الصفر.
المصطلحات مرتّبة وفق الترتيب الأبجدي لأسمائها الإنجليزية، وهي الأسماء المذكورة بين قوسين، لتبقى روابطها متطابقة مع
النسخة الإنجليزية. وإذا كان مصطلح تحتاجون إليه غير موجود، [أخبرونا](/ar/اتصل-بنا/).

### الذكاء الاصطناعي الوكيلي (Agentic AI) {#agentic-ai}

ذكاء اصطناعي ينفّذ مهمة على عدة خطوات من تلقاء نفسه، كالبحث وكتابة الشيفرة وتشغيلها وإصلاح الأخطاء، بدلًا من تقديم
إجابة واحدة. ولأن كل خطوة تستخدم النموذج من جديد، قد يستهلك الذكاء الاصطناعي الوكيلي رموزًا (tokens) أكثر بكثير من
المحادثة، وقد تهدر الوكلاء العالقة في حلقات مفرغة الكثير. راجعوا
[الذكاء الاصطناعي الوكيلي وهدر الرموز](/ar/مقالات/الذكاء-الاصطناعي-الوكيلي-وهدر-الرموز/).

### الذكاء الاصطناعي (AI) {#ai}

اختصار لعبارة artificial intelligence: أنظمة حاسوبية تؤدي مهامًا نربطها بالذكاء البشري، مثل التعرف على الصور أو فهم
اللغة أو إجراء التنبؤات. وفي الكلام اليومي عام 2026، يُقصد بـ«الذكاء الاصطناعي» عادةً النماذج التوليدية الكبيرة مثل
روبوتات المحادثة، لكن المصطلح يشمل أيضًا أنظمة أصغر بكثير مثل مرشّحات الرسائل المزعجة ونماذج الطقس، لذا يحسن أن
توضّحوا ما تقصدونه.

### الثقافة في الذكاء الاصطناعي (AI literacy) {#ai-literacy}

المعرفة والمهارات اللازمة لفهم الذكاء الاصطناعي واستخدامه والحكم عليه بتعقّل: ما يستطيع فعله وما لا يستطيع، وكيف
تتحققون من مخرجاته، وما تكاليفه، بما فيها تكاليفه البيئية.

### الاشتقاق التلقائي (Automatic differentiation) {#automatic-differentiation}

تقنية تتيح للحاسوب أن يحسب بدقة كيف يتغير ناتج عملية حسابية مع تغيّر كل مُدخل. وبها تتعلم الشبكات العصبية (حيث
تُسمّى الانتشار العكسي backpropagation)، وتُستخدم أيضًا لتحسين المحاكاة العلمية.

### مقياس الأداء المعياري (Benchmark) {#benchmark}

اختبار معياري يُستخدم لمقارنة الأنظمة بإنصاف، مثل مدى دقة النماذج في مجموعة الأسئلة نفسها، أو كمية الطاقة التي
تستهلكها في المهمة نفسها. ولا تتجاوز فائدة مقاييس الأداء جودة المهام والقياسات التي تتضمنها.

### الحوسبة المراعية للكربون (Carbon-aware computing) {#carbon-aware-computing}

تشغيل مهام الحوسبة في أوقات أو أماكن تكون فيها الكهرباء أنظف، مثل تأجيل عملية تدريب كبيرة حتى تهبّ الرياح. وهي
تناسب الأعمال التي لا تحتاج إلى إجابة فورية.

### شدة الكربون (Carbon intensity) {#carbon-intensity}

كمية ثاني أكسيد الكربون (أو ما يعادله من غازات الدفيئة) المنبعثة عن كل وحدة كهرباء، وتُقاس عادةً بالغرامات من مكافئ
ثاني أكسيد الكربون (CO₂e) لكل كيلوواط ساعة. وتختلف من بلد إلى آخر ومن ساعة إلى أخرى، بحسب حصة الكهرباء المولّدة من
الوقود الأحفوري أو من المصادر المتجددة.

### مركز البيانات (Data centre) {#data-centre}

مبنى مليء بالحواسيب ومعدات التخزين والشبكات، مع ما يلزم من كهرباء وتبريد لإبقائها تعمل. ومعظم روبوتات المحادثة
العاملة بالذكاء الاصطناعي تعمل في مراكز البيانات، لا على جهاز المستخدم.

### نموذج الانتشار (Diffusion model) {#diffusion-model}

نوع من الذكاء الاصطناعي التوليدي، يُستخدم على نطاق واسع للصور والفيديو، يتعلّم تحويل ضجيج عشوائي خطوة بخطوة إلى
صورة. وتساعد خطواته الكثيرة في تفسير سبب استهلاك توليد الصور طاقة أكبر بكثير من النصوص القصيرة.

### التقطير (Distillation) {#distillation}

تدريب نموذج «تلميذ» صغير على محاكاة نموذج «معلّم» كبير، ليتمكن الصغير من أداء مهمة بجودة تقارب جودة الكبير بجزء
يسير من تكلفة الحوسبة.

### الذكاء الاصطناعي الطرفي (Edge AI) {#edge-ai}

ذكاء اصطناعي يعمل على الجهاز الذي توجد فيه البيانات أو بالقرب منه، مثل الهاتف أو الكاميرا أو مستشعر في مصنع، بدلًا
من مركز بيانات بعيد. يمكنه توفير طاقة الشبكة وحماية الخصوصية، لكن الأجهزة الصغيرة إذا تضاعفت بالملايين تتراكم
هي الأخرى. راجعوا [الطرف أم السحابة](/ar/الممارسات-الجيدة/الحافة-أم-السحابة-أين-ينبغي-أن-يعمل-الذكاء-الاصطناعي/).

### الكفاءة (Efficiency) {#efficiency}

الحصول على النتيجة المفيدة نفسها بمُدخلات أقل: طاقة أو وقت أو مياه أو عتاد أقل لكل مهمة. والكفاءة ضرورية للذكاء
الاصطناعي الأخضر لكنها لا تكفي وحدها، بسبب تأثير الارتداد.

### الكربون المتجسّد (Embodied carbon) {#embodied-carbon}

الانبعاثات الناتجة عن تصنيع المعدات ونقلها والتخلص منها في النهاية، في مقابل تشغيلها. وفي الذكاء الاصطناعي يشمل ذلك
تصنيع الشرائح والخوادم ومباني مراكز البيانات.

### ملصق الطاقة (Energy label) {#energy-label}

تصنيف بسيط يبيّن كمية الطاقة التي يستهلكها منتج ما، مثل ملصقات A إلى G على الثلاجات في أوروبا. وتعمل عدة جهات على
تطوير ما يعادلها لنماذج الذكاء الاصطناعي، مثل AI Energy Score من Hugging Face، ويُلزم قانون الذكاء الاصطناعي في
الاتحاد الأوروبي (EU AI Act) مزوّدي نماذج الذكاء الاصطناعي العامة الغرض بتوثيق استهلاكها المعروف أو المقدَّر للطاقة.
راجعوا [ملصقات الطاقة للذكاء الاصطناعي](/ar/مقالات/ملصقات-الطاقة-ومقاييس-الأداء-للذكاء-الاصطناعي/).

### الضبط الدقيق (Fine-tuning) {#fine-tuning}

أخذ نموذج سبق تدريبه وتدريبه قليلًا إضافيًا على بيانات متخصصة، ليؤدي أداءً أفضل في مهمة بعينها. وتكلفته أقل بكثير
من التدريب من الصفر.

### عمليات الفاصلة العائمة (FLOPs) {#flops}

عمليات الفاصلة العائمة (Floating-point operations): الخطوات الحسابية الأساسية (جمع الأعداد العشرية وضربها) التي يجريها
الحاسوب. وعدّها طريقة شائعة لتقدير مقدار الحوسبة الذي يحتاج إليه نموذج ما. أما FLOPS بحرف S كبير فتعني عادةً عدد
العمليات في الثانية.

### مصفوفة البوابات القابلة للبرمجة (FPGA) {#fpga}

مصفوفة بوابات قابلة للبرمجة ميدانيًا (field-programmable gate array): شريحة يمكن إعادة تهيئة دوائرها بعد تصنيعها.
يمكن أن تكون شرائح FPGA عالية الكفاءة لمهمة محددة، ويمكن إعادة برمجتها مع تغيّر النماذج، لكن برمجتها أصعب من برمجة
وحدات GPU.

### الذكاء الاصطناعي التوليدي (Generative AI) {#generative-ai}

ذكاء اصطناعي يُنشئ محتوى جديدًا، مثل النصوص أو الصور أو الصوت أو الفيديو أو الشيفرة، استجابةً لطلب. وروبوتات
المحادثة ومولّدات الصور من الذكاء الاصطناعي التوليدي.

### وحدة معالجة الرسومات (GPU) {#gpu}

وحدة معالجة الرسومات (graphics processing unit): شريحة صُممت أصلًا لرسوميات الحاسوب، ويمكنها إجراء حسابات كثيرة في
آن واحد. ووحدات GPU هي العتاد الرئيسي لتدريب الذكاء الاصطناعي الحديث وتشغيله.

### الذكاء الاصطناعي الأخضر (Green AI) {#green-ai}

ذكاء اصطناعي يُطوَّر ويُستخدم بطريقة تُبقي بصمته من الطاقة والكربون والمياه والمواد في أدنى حد ممكن، ويُستخدم حيث
يضيف قيمة حقيقية. ويشمل جعل الذكاء الاصطناعي أكفأ، واستخدامه فقط حيث يكون الأداة المناسبة. راجعوا
[ما الذكاء الاصطناعي الأخضر؟](/ar/مقالات/ما-الذكاء-الاصطناعي-الأخضر/).

### الغسل الأخضر (Greenwashing) {#greenwashing}

إطلاق ادعاءات مضللة بأن منتجًا أو مؤسسة أفضل للبيئة مما هو عليه في الواقع. وفي الاتحاد الأوروبي، يحظر التوجيه
(EU) 2024/825 الادعاءات البيئية العامة الموجهة إلى المستهلكين التي لا يمكن إثباتها. راجعوا
[الادعاءات الخضراء الصادقة](/ar/الممارسات-الجيدة/ادعاءات-بيئية-صادقة-عن-الذكاء-الاصطناعي/).

### الاستدلال (Inference) {#inference}

استخدام نموذج مدرَّب لإنتاج مُخرَج، مثل الإجابة عن سؤال أو توليد صورة. وكل طلب (prompt) هو عملية استدلال، لذا تظل
طاقة الاستدلال في الأدوات الشائعة تتراكم طوال مدة استخدام النموذج.

### مفارقة جيفونز (Jevons paradox) {#jevons-paradox}

الملاحظة التي سجّلها الاقتصادي William Stanley Jevons في كتابه *The Coal Question* (مسألة الفحم) عام 1865، ومفادها أن
المحركات البخارية الأكفأ دفعت بريطانيا إلى حرق مزيد من الفحم لا أقل. وهي الحالة القصوى من تأثير الارتداد، حيث تزيد
الكفاءة الاستخدام الإجمالي.

### ذاكرة KV المؤقتة (KV cache) {#kv-cache}

اختصار لذاكرة المفاتيح والقيم المؤقتة (key–value cache). حين يكتب النموذج اللغوي إجابة رمزًا تلو رمز، يخزّن نتائج
وسيطة («المفاتيح» و«القيم» في حساب الانتباه لديه) كي لا يضطر إلى إعادة حسابها في كل خطوة. وهي توفّر الكثير من
الحوسبة لكنها تستهلك الذاكرة.

### النموذج اللغوي الكبير (Large language model) {#large-language-model}

نموذج ذكاء اصطناعي توليدي مدرَّب على كميات هائلة من النصوص للتنبؤ باللغة وإنتاجها، ويُختصر غالبًا إلى LLM. ومعظم
روبوتات المحادثة مبنية على نموذج منها.

### زمن الاستجابة (Latency) {#latency}

التأخير بين طلب شيء ما والحصول على الإجابة. وبعض تقنيات الذكاء الاصطناعي الأخضر تقايض قليلًا من زمن الاستجابة بطاقة
أقل، مثل تجميع الطلبات في دفعات أو انتظار كهرباء أنظف.

### مغالطة ماكنمارا (McNamara fallacy) {#mcnamara-fallacy}

خطأ اعتبار ما يسهل قياسه هو كل ما يهم، وتجاهل ما لا يمكن قياسه. وفي الذكاء الاصطناعي الأخضر، هي تحذير من الحكم على
الأنظمة بالأرقام الملائمة وحدها مع إغفال أضرار يصعب عدّها، مثل استهلاك المياه أو الآثار الاجتماعية.

### الدقة المختلطة (Mixed precision) {#mixed-precision}

إجراء بعض الحسابات بعدد أقل من خانات الدقة مقارنة بغيرها، حيث لا يتضرر الناتج. والدقة الأقل تستهلك ذاكرة وطاقة أقل.

### مزيج الخبراء (Mixture of experts) {#mixture-of-experts}

تصميم للنماذج يتألف من شبكات فرعية متخصصة كثيرة («خبراء»)، يرسل فيه موجّهٌ كل مُدخل إلى عدد قليل منها فقط. وهو
يستخدم جزءًا من النموذج فقط لكل إجابة، مما يوفّر الحوسبة، وإن كان النموذج كله لازمًا في الذاكرة وأثناء التدريب.

### النموذج (Model) {#model}

في الذكاء الاصطناعي، النموذج هو النظام المدرَّب الذي يحوّل المُدخلات إلى مُخرجات: مجموعة الأرقام المتعلَّمة
(المعاملات) والبنية التي تستخدمها. وفي العلوم والهندسة، قد تعني كلمة «نموذج» أيضًا وصفًا رياضيًا لنظام ما، مثل
نموذج المناخ، لذا يفيد أن توضّحوا ما تقصدونه.

### دمج النماذج (Model merging أو souping) {#model-merging-souping}

الجمع بين نموذجين أو أكثر، غالبًا بأخذ متوسط معاملاتها، للحصول على نموذج واحد يحمل نقاط قوة كلٍّ منها دون تدريب
نموذج جديد من الصفر. و«حساء النماذج» (Model soups) هو الاسم الذي استخدمه Wortsman وزملاؤه عام 2022.

### النظام متعدد الوكلاء (Multi-agent system) {#multi-agent-system}

مجموعة من وكلاء الذكاء الاصطناعي تعمل معًا أو تتبادل المهام فيما بينها. قد تكون قوية، لكنها إذا علقت في الحديث بعضها
مع بعض قد تستنزف أعدادًا كبيرة من الرموز دون نتيجة مفيدة.

### النموذج مفتوح الأوزان (Open-weight model) {#open-weight-model}

نموذج تُنشر معاملاته المدرَّبة (الأوزان) ليتمكن أي شخص من تنزيله وتشغيله، حتى لو لم تُنشر بيانات تدريبه وشيفرته.
ويمكن تشغيل النماذج مفتوحة الأوزان محليًا وتكييفها، وقياس استهلاكها للطاقة بشكل مستقل.

### التنسيق (Orchestration) {#orchestration}

تنسيق عدة نماذج أو أدوات أو مكوّنات جاهزة لإنجاز مهمة، بدلًا من أن يولّد نموذج كبير واحد كل شيء. راجعوا
[التنسيق بدلًا من التوليد](/ar/مقالات/التنسيق-بدل-التوليد/).

### المعاملات (Parameters) {#parameters}

الأرقام داخل النموذج التي تُعدَّل أثناء التدريب وتخزّن معًا ما تعلّمه. وللنماذج اللغوية الكبيرة مليارات منها؛ فعائلة
Llama 3.1 من Meta مثلًا تأتي بأحجام 8 و70 و405 مليارات معامل. وكلما زادت المعاملات زادت الحوسبة لكل إجابة عادةً.

### الشبكة العصبية المسترشدة بالفيزياء (Physics-informed neural network) {#physics-informed-neural-network}

شبكة عصبية مدرَّبة على احترام قوانين الفيزياء المعروفة، مثل حفظ الطاقة، إلى جانب ملاءمة البيانات. وإدماج هذه المعرفة
قد يعني بيانات أقل ومعاملات أقل وتدريبًا أقل.

### الطلب (Prompt) {#prompt}

التعليمات أو السؤال الذي يقدّمه شخص ما إلى نموذج ذكاء اصطناعي توليدي. والطلبات الواضحة المحددة تحصل عادةً على إجابة
جيدة من المرة الأولى، مما يوفّر الوقت والطاقة معًا.

### التقليم (Pruning) {#pruning}

إزالة أجزاء من نموذج مدرَّب، مثل أوزان منفردة أو وصلات كاملة، لا تسهم إلا قليلًا في مُخرجاته. والنموذج المقلَّم أصغر
وأرخص تشغيلًا، وغالبًا مع خسارة طفيفة في الدقة.

### فعالية استخدام الطاقة (PUE) {#pue}

فعالية استخدام الطاقة (Power usage effectiveness): إجمالي استهلاك مركز البيانات للطاقة مقسومًا على الطاقة التي
تستهلكها معدات الحوسبة فيه. وتعني القيمة 1.0 أنه لا تذهب أي طاقة إلى التبريد أو خسائر الكهرباء؛ وكلما انخفضت كان
أفضل. راجعوا [الاستضافة ومراكز البيانات](/ar/الممارسات-الجيدة/استضافة-الذكاء-الاصطناعي-الأخضر-ومراكز-البيانات/) للاطلاع على القيم المعتادة ومصادرها.

### التكميم (Quantisation) {#quantisation}

تخزين أرقام النموذج بعدد أقل من الخانات، مثل أرقام بـ8 بت أو 4 بت بدلًا من 16 أو 32 بت. وهذا يصغّر النموذج ويخفض
طاقة تشغيله، عادةً مع خسارة طفيفة فقط في الجودة.

### تأثير الارتداد (Rebound effect) {#rebound-effect}

حين يجعل مكسبٌ في الكفاءة شيئًا ما أرخص أو أسهل، فيستخدمه الناس أكثر، ويضيع جزء من التوفير أو كله. وإذا نما
الاستخدام إلى حد ارتفاع الاستهلاك الإجمالي، فتلك مفارقة جيفونز. راجعوا
[الكفاءة ليست كفاية](/ar/مقالات/الكفاءة-ليست-كفاية-تأثير-الارتداد-في-الذكاء-الاصطناعي/).

### التوجيه (Routing) {#routing}

إرسال كل طلب إلى النموذج الأنسب، مثل نموذج صغير ورخيص للأسئلة السهلة، ونموذج كبير للأسئلة الصعبة فقط. وضبط الحدّ
الفاصل مهم: فالنموذج الأصغر من اللازم قد يفشل ويفرض محاولة ثانية بنموذج أكبر.

### انبعاثات النطاقات 1 و2 و3 (Scope 1, 2 and 3 emissions) {#scope-1-2-and-3-emissions}

الفئات الثلاث في بروتوكول غازات الدفيئة (Greenhouse Gas Protocol). النطاق 1 هو الانبعاثات المباشرة من مصادر تملكها
المؤسسة أو تتحكم فيها؛ والنطاق 2 هو الانبعاثات الناتجة عن الكهرباء أو الحرارة أو التبريد الذي تشتريه؛ والنطاق 3 هو
كل الانبعاثات غير المباشرة الأخرى في سلسلة القيمة الخاصة بها، مثل تصنيع العتاد الذي تشتريه.

### النموذج اللغوي الصغير (Small language model) {#small-language-model}

نموذج لغوي بعدد قليل نسبيًا من المعاملات، مصمم ليعمل بتكلفة منخفضة، وأحيانًا على حاسوب محمول أو هاتف. وفي المهام
المحدودة، قد يضاهي نموذج صغير مختار بعناية نموذجًا أكبر بكثير. راجعوا
[اختيار النموذج المناسب](/ar/الممارسات-الجيدة/اختاروا-النموذج-المناسب-للمهمة/).

### شدة الكربون في البرمجيات (Software carbon intensity) {#software-carbon-intensity}

طريقة من Green Software Foundation، منشورة أيضًا معيارًا من معايير ISO، لحساب الكربون المنبعث لكل وحدة عمل تؤديها
البرمجية، مثل كل مستخدم أو كل طلب.

### الذكاء الاصطناعي السيادي (Sovereign AI) {#sovereign-ai}

قدرات الذكاء الاصطناعي، مثل النماذج والبيانات والبنية التحتية للحوسبة، التي يتحكم فيها بلد أو إقليم بنفسه بدلًا من
الاعتماد على مزوّدين أجانب. وهي تثير أسئلة خاصة بها عن الاستدامة؛ راجعوا
[الذكاء الاصطناعي السيادي والاستدامة](/ar/مقالات/الذكاء-الاصطناعي-السيادي-والاستدامة/).

### التناثر (Sparsity) {#sparsity}

حين يكون كثير من الأرقام في نموذج ما، أو كثير من تفعيلاته لمُدخل معيّن، أصفارًا. ويمكن للحوسبة تخطّي الأصفار، لذا قد
يكون تشغيل النموذج المتناثر أرخص بكثير إذا دعمه العتاد والبرمجيات.

### الشبكة العصبية النبضية (Spiking neural network) {#spiking-neural-network}

شبكة عصبية تنقل المعلومات، كالدماغ، في شكل نبضات قصيرة (spikes) وتبقى خاملة في الغالب بينها. وعلى العتاد المناسب،
تَعِد باستهلاك منخفض جدًا للطاقة، لا سيما على الأجهزة الطرفية.

### الكفاية (Sufficiency) {#sufficiency}

استخدام القدر من المورد الذي تتطلبه الحاجة فعلًا فقط، بما في ذلك التساؤل عمّا إذا كانت هناك حاجة إلى الذكاء الاصطناعي
أصلًا. وهي شريكة الكفاءة: فالكفاءة تسأل «كيف ننجز هذا بموارد أقل؟»، والكفاية تسأل «هل نحتاج إلى إنجاز هذا؟».

### النموذج البديل (Surrogate model) {#surrogate-model}

نموذج سريع وتقريبي مدرَّب ليحل محل عملية حسابية بطيئة ومكلفة، مثل جزء من محاكاة مناخية أو هندسية. ويمكن للنموذج
البديل الجيد توفير الكثير من الطاقة، شرط التحقق من دقته.

### الذكاء الاصطناعي المستدام (Sustainable AI) {#sustainable-ai}

مصطلح واسع للذكاء الاصطناعي الذي يمكن تطويره واستخدامه دون استنزاف الموارد التي يعتمد عليها، ويشمل غالبًا الآثار
الاجتماعية والاقتصادية إلى جانب الآثار البيئية. ويتداخل مع الذكاء الاصطناعي الأخضر، وكثيرًا ما يُستخدم المصطلحان
بالتبادل.

### الرمز (Token) {#token}

قطعة النص التي يقرؤها النموذج اللغوي ويكتبها، وكثيرًا ما تكون جزءًا من كلمة. القاعدة التقريبية لدى OpenAI للغة
الإنجليزية هي أن الرمز الواحد يعادل نحو أربعة أحرف، أو نحو ثلاثة أرباع كلمة؛ وكثيرًا ما تحتاج لغات أخرى إلى رموز
أكثر للمعنى نفسه. وكلما زادت الرموز زادت الحوسبة.

### وحدة معالجة الموترات (TPU) {#tpu}

وحدة معالجة الموترات (tensor processing unit): شريحة صممتها Google خصيصًا للحسابات المستخدمة في تعلّم الآلة.

### التدريب (Training) {#training}

بناء نموذج بعرض كميات كبيرة من البيانات عليه وتعديل معاملاته مرارًا لتقليل أخطائه. وقد يستغرق تدريب نموذج كبير
أشهرًا على آلاف الشرائح؛ إذ تفيد Meta بأن تدريب عائلة Llama 3.1 استغرق 39.3 مليون ساعة GPU.

### تقدير عدم اليقين (Uncertainty quantification) {#uncertainty-quantification}

تحديد مدى الثقة التي يمكن أن نوليها لمُخرجات نموذج ما، مثل إعطاء نطاق بدلًا من رقم واحد. ويساعد ذلك في تحديد متى
يكون النموذج الأرخص كافيًا، ومتى تحتاج النتيجة إلى تحقق.

### فعالية استخدام المياه (WUE) {#wue}

فعالية استخدام المياه (Water usage effectiveness): المياه التي يستهلكها مركز البيانات في موقعه، باللتر، مقسومةً على
الطاقة التي تستهلكها معدات الحوسبة فيه، بالكيلوواط ساعة. وكلما انخفضت كان أفضل، وإن كان تصميم التبريد الذي يوفّر
المياه قد يستهلك مزيدًا من الكهرباء، والعكس صحيح.

## الأسئلة المتكررة

### ما الفرق بين الذكاء الاصطناعي الأخضر والذكاء الاصطناعي المستدام؟

يستخدم الناس المصطلحين بمعانٍ متداخلة. يركّز الذكاء الاصطناعي الأخضر عادةً على خفض ما يستهلكه الذكاء الاصطناعي من طاقة وكربون ومياه ومواد؛ أما الذكاء الاصطناعي المستدام فكثيرًا ما يكون أوسع، إذ يشمل أيضًا الآثار الاجتماعية والاقتصادية ومسألة ما إذا كانت الموارد تتجدد بالسرعة التي تُستهلك بها.

### ما الرمز (token) في الذكاء الاصطناعي؟

الرمز (token) هو قطعة النص التي يقرؤها النموذج اللغوي أو يكتبها، وكثيرًا ما تكون جزءًا من كلمة. القاعدة التقريبية لدى OpenAI للغة الإنجليزية هي نحو أربعة أحرف، أو ثلاثة أرباع كلمة، لكل رمز.

### ما الفرق بين التدريب والاستدلال؟

التدريب هو بناء نموذج عبر التعلّم من البيانات، ويجري عادةً مرة واحدة وبتكلفة كبيرة. أما الاستدلال فهو استخدام النموذج الجاهز للإجابة عن سؤال أو إنشاء صورة، ويحدث في كل مرة يستخدمه فيها أحد.

## المصادر

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission, AI Act Service Desk (2024)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
