# 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.

Source: https://greenai.guide/ar/الممارسات-الجيدة/اختاروا-النموذج-المناسب-للمهمة/  
Updated: 2026-11-19

## باختصار

استخدموا أصغر نموذج، أو أبسط أسلوب لا يعتمد على الذكاء الاصطناعي (AI)، يبلغ مستوى الجودة المطلوب، واحتفظوا بالنماذج العامة الكبيرة للحالات التي تحتاج إليها. فالنماذج المتخصصة في مهمة بعينها قد تستهلك جزءًا صغيرًا من طاقة النماذج التوليدية العامة الغرض، والتوجيه يتيح لكم الحصول على معظم فوائد الاثنين.

## النقاط الرئيسية

- ابدؤوا بالسؤال إن كانت المهمة تحتاج إلى الذكاء الاصطناعي أصلًا؛ فالقواعد أو البحث أو خوارزمية كلاسيكية كثيرًا ما تؤدي المهمة.
- تبيّن أن النماذج المتخصصة في مهمة بعينها أرخص تشغيلًا بمراتب عشرية من النماذج التوليدية متعددة الأغراض لأداء المهام نفسها.
- تُفيد UNESCO وUCL بأن النماذج الصغيرة المتخصصة في مهام بعينها يمكن أن تخفّض استهلاك الطاقة بما يصل إلى 90%.
- يرسل التوجيه الطلبات السهلة إلى نماذج صغيرة والصعبة إلى نماذج كبيرة؛ اضبطوا العتبات بعناية، لأن محاولة فاشلة بنموذج صغير تليها إعادة قد تكلّف أكثر.
- تستخدم المسارات الهجينة أساليب كلاسيكية أو قائمة على الفيزياء لمعظم الخطوات، وشبكة صغيرة فقط حيث تضيف قيمة.

## لماذا يهم اختيار النموذج إلى هذا الحد؟ {#why-does-model-choice-matter-so-much}

**اختيار النموذج هو في العادة أكبر رافعة منفردة للتحكم في طاقة أي ميزة تعمل بالذكاء الاصطناعي (AI).** فالمهمة نفسها
يمكن أن تؤديها نماذج تختلف تكاليف تشغيلها بمراتب عشرية.

في مقارنة منهجية نُشرت في مؤتمر ACM FAccT 2024، قاس Luccioni وJernite وStrubell طاقة تشغيل 1,000 عملية استدلال
(inference، أي تشغيل النموذج للإجابة) عبر مهام ونماذج كثيرة. ووجدوا أن النماذج التوليدية متعددة الأغراض أغلى بمراتب
عشرية من الأنظمة المتخصصة في مهمة بعينها لأداء المهام نفسها، حتى مع ضبط حجم النموذج. ووجد تقرير صادر عن UNESCO
وUCL عام 2025 أن النماذج الصغيرة المصمَّمة لمهام محددة يمكن أن تخفّض استهلاك الطاقة بما يصل إلى 90%.

النمط بسيط: النموذج العام يدفع، في كل طلب، ثمن معارف وقدرات لا تستخدمها مهمتكم أبدًا.

## هل تحتاج هذه المهمة إلى الذكاء الاصطناعي أصلًا؟ {#does-this-task-need-ai-at-all}

**تحقّقوا أولًا إن كان أسلوب لا يعتمد على الذكاء الاصطناعي يؤدي المهمة أصلًا.** فأرخص عملية استدلال هي التي لا
تُجرونها أبدًا.

عادت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عُقدت عام 2026، وضمّت علماء رياضيات وعلماء حاسوب
وممثلين عن الصناعة، إلى هذه النقطة مرارًا: كثيرًا ما يلجأ الناس إلى الذكاء الاصطناعي في حين توجد خوارزمية مفهومة
جيدًا أصلًا، وكثيرًا ما تكون الحوسبة الأكثر اخضرارًا هي تلك التي تتجنبونها. وبالمثل، تطلب إرشادات W3C لاستدامة الويب
(Web Sustainability Guidelines) من الفرق تقييم الحاجة إلى الذكاء الاصطناعي قبل
تطبيقه.

اسألوا:

- هل يمكن أن تؤديها **قاعدة أو جدول بحث أو تعبير نمطي (regular expression)**؟
- هل يمكن أن يجيب **البحث** في محتواكم الخاص عن السؤال؟
- هل يوجد **أسلوب عددي أو إحصائي راسخ** (أداة تحسين، أو انحدار، أو مُحلِّل)؟
- هل يجب أن تكون الإجابة **قابلة للتكرار بدقة أو للتدقيق**؟ الأساليب الحتمية أسهل في التحقق.
- كم مرة سيعمل هذا؟ ميزة تُستخدم ملايين المرات تستحق جهد تصميم أكبر من استخدام لمرة واحدة.

الذكاء الاصطناعي ليس مجانيًا حتى حين يوفّر الوقت. فقد وجدت دراسة أُجريت عام 2025 قارنت البرمجة اليدوية بالبرمجة
بمساعدة الذكاء الاصطناعي في 12 مهمة برمجية أن النهج المدعوم بالذكاء الاصطناعي بلغ في المتوسط نحو 33 ضعف البصمة
الكربونية للنهج اليدوي، مع اتساع الفجوة كلما صعبت المهام. وهذا لا يعني ألا تستخدموا المساعدين أبدًا؛ بل يعني أن
تستخدموهم حيث يعود ذلك بفائدة واضحة.

## صغير أم متخصص أم متقدم؟ {#small-specialised-or-frontier}

**طابقوا النموذج مع المهمة، لا مع أقوى ما هو متاح.**

| نوع المهمة | ما يكفي عادةً | متى تختارون نموذجًا أكبر |
|---|---|---|
| التصنيف، والوسم، والتوجيه، وكشف الرسائل المزعجة أو المشاعر | مصنِّف صغير متخصص في المهمة | نادرًا |
| استخراج الحقول من المستندات | نموذج صغير أو مضبوط ضبطًا دقيقًا، أو قواعد | تخطيطات فوضوية ومتنوعة |
| البحث والإجابة عن الأسئلة في محتواكم الخاص | الاسترجاع مع نموذج صغير أو متوسط الحجم | استدلال معقد عبر مستندات متعددة |
| الترجمة، والتلخيص | نموذج متوسط الحجم أو متخصص | نصوص عالية المخاطر أو دقيقة الفروق |
| الاستدلال المفتوح، والتخطيط، والشيفرة الصعبة | نموذج عام كبير | هنا يستحق كلفته |

يمكن الحصول على نماذج صغيرة متخصصة بعدة طرق، يتناولها دليل
[التدريب والاستدلال الموفّران](/ar/الممارسات-الجيدة/تدريب-الذكاء-الاصطناعي-واستدلاله-بكفاءة/):

- **التقطير:** "معلّم" كبير يدرّب "تلميذًا" صغيرًا. كان DistilBERT أصغر من BERT بنسبة 40% وأسرع بنسبة 60%
  مع احتفاظه بـ97% من قدرته على فهم اللغة.
- **الضبط الدقيق لنموذج صغير** على بيانات مهمتكم الخاصة.
- **نسخ مكمَّمة** من نموذج موجود، تحتاج إلى ذاكرة وطاقة أقل.

وحيث توجد معايير مقارنة عامة، قارنوا المرشحين من حيث الطاقة والجودة معًا. فمؤشر AI Energy Score من Hugging Face
يقيّم النماذج بحسب طاقة وحدة معالجة الرسومات (GPU) لكل 1,000 استعلام في عشر مهام شائعة، بنجمة إلى خمس نجوم مقارنةً
بالنماذج الأخرى في المهمة نفسها.

## كيف يعمل توجيه النماذج؟ {#how-does-model-routing-work}

**يرسل الموجّه كل طلب إلى أرخص نموذج يُرجَّح أن يجيب عنه جيدًا، ولا يصعّد إلا عند الحاجة.**

تصاميم شائعة:

1. **المصنِّف أولًا:** نموذج صغير أو مجموعة قواعد تتنبأ بصعوبة الطلب وتختار نموذجًا.
2. **التسلسل المتدرّج (cascade):** جرّبوا النموذج الصغير؛ فإذا كانت ثقته منخفضة أو فشل فحص ما، مرّروا الطلب إلى نموذج أكبر.
3. **الموجّه المتعلَّم:** يُدرَّب على أمثلة توضح أي نموذج أحسن في أي طلب. وأفادت دراسة RouteLLM
   بخفض التكاليف بأكثر من النصف في بعض الحالات دون خفض جودة الإجابات.

### اضبطوا العتبة بعناية {#set-the-threshold-carefully}

طرحت ورشة العمل تحفّظًا مهمًا: في الأنظمة الوكيلية (agentic)، قد يفشل نموذج صغير جدًا، فيفرض إعادة التشغيل على
النموذج الكبير. ومحاولة رخيصة فاشلة تليها إعادة مكلفة قد تكلّف أكثر من التوجّه مباشرةً إلى النموذج الكبير.
لذا:

- قيسوا الكلفة الشاملة لكل مهمة **ناجحة**، لا لكل استدعاء؛
- اضبطوا عتبة التصعيد على بياناتكم الخاصة؛
- سجّلوا كم مرة تُصعَّد الطلبات، وراجعوا ذلك حين تتغير النماذج؛
- اجعلوا قرار التوجيه في النظام، لا على عاتق المستخدم النهائي.

## ما المسارات الهجينة؟ {#what-are-hybrid-pipelines}

**تستخدم المسارات الهجينة أساليب كلاسيكية أو قائمة على الفيزياء أو على القواعد لمعظم الخطوات، ونموذجًا صغيرًا فقط حيث
يضيف قيمة.** وكثيرًا ما تكون أرخص وأدق وأجدر بالثقة من نهج عصبي شامل من البداية إلى النهاية.

أمثلة:

- نموذج فيزيائي أو عددي يجري المحاكاة؛ ومكوّن صغير متعلَّم يحل محل الجزء الأكثر كلفة فيه فقط
  ("نموذج بديل" أو surrogate).
- شيفرة حتمية تتولى التحليل النحوي والتحقق والتنسيق؛ والنموذج يتولى فقط الحكم على النص الحر.
- نموذج توليدي يخطط أو يختار، لكن المُخرَج يُجمَّع من مكتبة مكوّنات جرى التحقق منها مسبقًا بدل توليده
  من جديد في كل مرة. راجعوا [التنسيق بدل التوليد](/ar/مقالات/التنسيق-بدل-التوليد/).

وناقشت ورشة العمل أيضًا بناء البنية الرياضية أو الفيزيائية (التناظرات، وقوانين الحفظ، والتحدّب) داخل النماذج
لتحتاج إلى معاملات أقل وتدريب أقل. راجعوا
[الرياضيات من أجل ذكاء اصطناعي موفّر](/ar/مقالات/الرياضيات-التي-تجعل-الذكاء-الاصطناعي-أكثر-كفاءة/).

## قائمة التحقق {#checklist}

- [ ] دُوِّن أبسط أسلوب لا يعتمد على الذكاء الاصطناعي واختُبر أولًا
- [ ] حُدِّد مستوى الجودة على حالاتكم الحقيقية
- [ ] اختُبر نموذج صغير أو متخصص واحد على الأقل مقابله
- [ ] قورنت الطاقة لكل طلب لكل مرشح، مُقاسة بالطريقة نفسها
- [ ] لا يُستخدم النموذج الكبير إلا حيث يفشل الصغير في بلوغ المستوى
- [ ] قيست كلفة التوجيه لكل مهمة ناجحة، بما في ذلك عمليات الإعادة
- [ ] سُجِّل الاختيار، مع موعد لمراجعته

## ماذا تفعلون بعد ذلك {#what-to-do-next}

1. أدرجوا ميزات الذكاء الاصطناعي لديكم وعلّموا ما يمكن أن يستخدم نموذجًا أصغر أو أسلوبًا كلاسيكيًا أو لا ذكاء اصطناعي.
2. ابنوا مجموعة تقييم صغيرة من حالات حقيقية مع درجة نجاح.
3. اختبروا حجمين أو ثلاثة أحجام من النماذج مقابلها و[قيسوا الطاقة](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/) لكلٍّ منها.
4. جرّبوا التوجيه على ميزة واحدة عالية الاستخدام وتتبّعوا الكلفة لكل مهمة ناجحة.
5. اكتبوا "استخدموا أصغر نموذج يبلغ المستوى المطلوب" في [سياسة الذكاء الاصطناعي الأخضر](/ar/الممارسات-الجيدة/كيف-تكتبون-سياسة-للذكاء-الاصطناعي-الأخضر/) لديكم.
6. اسألوا المورّدين عن أحجام النماذج التي يقدّمونها وعن طاقتها لكل طلب؛ راجعوا
   [المشتريات المستدامة للذكاء الاصطناعي](/ar/الممارسات-الجيدة/المشتريات-المستدامة-للذكاء-الاصطناعي/).

## الأسئلة المتكررة

### هل النماذج اللغوية الصغيرة جيدة بما يكفي؟

لكثير من المهام المحددة جيدًا، مثل التصنيف والاستخراج والتوجيه، نعم. اختبروها على حالاتكم الخاصة مقابل مستوى جودة واضح قبل أن تقرروا.

### ما توجيه النماذج؟

يفحص الموجّه كل طلب ويرسله إلى أرخص نموذج يُرجَّح أن يتعامل معه جيدًا، ولا يصعّده إلى نموذج أكبر إلا عند الحاجة. وقد خفّضت موجّهات منشورة التكاليف بأكثر من النصف في بعض الاختبارات دون خفض الجودة.

### متى لا ينبغي أن أستخدم الذكاء الاصطناعي؟

حين تؤدي قاعدة أو جدول بحث أو عملية بحث أو أسلوب عددي راسخ المهمة بموثوقية أصلًا. فهذه في العادة أرخص وأسرع وأكثر قابلية للتنبؤ وأسهل في التحقق.

### هل النموذج الأكبر أدق دائمًا؟

لا. ففي المهام الضيقة، قد يضاهي نموذج صغير مضبوط ضبطًا دقيقًا أو مقطَّر نموذجًا عامًا أو يتفوق عليه، وكثيرًا ما تكون أخطاؤه أسهل فهمًا.

## المصادر

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT 2024 (arXiv 2311.16863) (2024)
- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO (2025)
- [RouteLLM: Learning to Route LLMs with Preference Data](https://arxiv.org/abs/2406.18665), Ong et al. (arXiv 2406.18665) (2024)
- [DistilBERT, a distilled version of BERT](https://arxiv.org/abs/1910.01108), Sanh et al. (arXiv 1910.01108) (2019)
- [Comparative Analysis of Carbon Footprint in Manual vs. LLM-Assisted Code Development](https://arxiv.org/abs/2505.04521), arXiv 2505.04521 (2025)
- [Green Software Patterns: right-sized, energy-efficient AI models](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/right-sized-energy-efficient-ai-models.md), Green Software Foundation (2025)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Web Sustainability Guidelines](https://www.w3.org/TR/web-sustainability-guidelines/), W3C (2025)
