# كيف أفعل…؟ إجابات لخفض أثر الذكاء الاصطناعي

> إجابات قصيرة موثّقة بالمصادر عن الأسئلة التي يطرحها الناس حول خفض الأثر البيئي لاستخدام الذكاء الاصطناعي وبنائه.

Source: https://greenai.guide/ar/كيف/

97 إجابة مباشرة عن الأسئلة التي يطرحها الناس حول استخدام الذكاء الاصطناعي بقدر أقل من الطاقة والمياه والهدر: للمستخدمين اليوميين والمطوّرين والمؤسسات والمدارس. تأتي الإجابة أولًا، ثم الخطوات والمصادر.

## الاستخدام اليومي للذكاء الاصطناعي

- [كيف أبحث في الإنترنت من دون إجابات ذكاء اصطناعي لا أحتاج إليها؟](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): ابحثوا عن خيار أو مرشّح بحث يعرض روابط الويب العادية، أو اختاروا محرك بحث أو إعدادًا لا يقدّم إجابات ذكاء اصطناعي تلقائية، أو اذهبوا مباشرة إلى المواقع التي تثقون بها عبر الإشارات المرجعية. فإجابة الذكاء الاصطناعي المولَّدة مع كل عملية بحث تضيف عملًا للنموذج قد لا تحتاجون إليه، خاصة في عمليات البحث البسيطة مثل مواعيد العمل أو موقع إلكتروني معروف.
- [كيف أتحدث مع أطفالي عن الذكاء الاصطناعي والبيئة؟](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): اشرحوا أن الذكاء الاصطناعي يعمل على حواسيب قوية في مبانٍ كبيرة تسمى مراكز البيانات، تستهلك الكهرباء، وكثيرًا ما تستهلك المياه للتبريد، وأن بعض الاستخدامات، مثل صنع الصور والفيديوهات، تستهلك أكثر بكثير من غيرها. حافظوا على الهدوء والطابع العملي: فالهدف هو استخدام الذكاء الاصطناعي بتفكير، لا الشعور بالذنب بسببه.
- [كيف أتوقف عن إعادة توليد إجابات الذكاء الاصطناعي مرة بعد مرة؟](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): اعرفوا لماذا لم تُصب الإجابة الأولى، ثم أخبروا الذكاء الاصطناعي بما يجب تغييره في متابعة قصيرة بدل الضغط على زر إعادة التوليد. فكل إعادة توليد إجابة جديدة كاملة، لذا فإن عادة رمي النرد خمس مرات أو عشرًا تضاعف طاقة المهمة، ولا سيما في الصور والفيديو.
- [كيف أساعد عائلتي على استخدام الذكاء الاصطناعي بطريقة أكثر استدامة؟](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): اتفقوا على بضع عادات منزلية بسيطة بدلًا من القواعد: استخدموا أبسط أداة تؤدي الغرض، واطرحوا أسئلة واضحة، وحسّنوا الإجابة بدلًا من إعادة توليدها، وتعاملوا مع صور الذكاء الاصطناعي ومقاطع الفيديو المولَّدة به على أنها تسلية عرضية لا متواصلة. ومن المهم أيضًا إبقاء الهواتف والأجهزة اللوحية والحواسيب المحمولة قيد الاستخدام مدة أطول، لأن لتصنيع الأجهزة بصمة بيئية أيضًا.
- [كيف أستخدم الذكاء الاصطناعي على هاتفي دون إهدار الطاقة؟](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): أوقفوا ميزات الذكاء الاصطناعي التي لا تستخدمونها، وفضّلوا الميزات السريعة العاملة على الجهاز للمهام البسيطة، واحتفظوا بالمهام الثقيلة مثل توليد الصور أو الفيديو للحالات التي تحتاجون إليها فعلًا. فالنماذج الصغيرة العاملة على الجهاز قد تتجنب إرسال البيانات إلى مركز بيانات، لكنها تظل تستهلك بطاريتكم، لذا فالتوفير الأكبر هو ألّا تشغّلوا ذكاءً اصطناعيًا لا يضيف شيئًا.
- [كيف أستخدم وكلاء الذكاء الاصطناعي وأدوات البحث المعمّق دون هدر؟](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): احتفظوا بالوكلاء وأوضاع البحث المعمّق للمهام التي تحتاج فعلًا إلى خطوات كثيرة، مثل البحث في موضوع واسع عبر مصادر عديدة، واستخدموا المحادثة العادية للأسئلة السريعة. فالوكلاء يستدعون النموذج مرات كثيرة في المهمة الواحدة: أفادت Anthropic بأن الوكلاء استخدموا نحو أربعة أضعاف الرموز (tokens) التي تستهلكها المحادثة، والأنظمة متعددة الوكلاء نحو خمسة عشر ضعفًا.
- [كيف أعوّض انبعاثات الكربون الناتجة عن استخدامي للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): ابدؤوا بالتقليل، وتعاملوا مع التعويضات بوصفها إضافات اختيارية لا وسيلة لجعل استخدام الذكاء الاصطناعي "محايدًا كربونيًا". فبصمة الذكاء الاصطناعي النصي اليومي صغيرة لدى معظم الناس، وتقليل الاستخدامات الثقيلة، مثل توليد الصور والفيديو وإعادة التوليد بلا نهاية، يفيد أكثر من شراء أرصدة الكربون. ومعايير كربون البرمجيات لا تسمح للتعويضات بخفض البصمة المقيسة.
- [كيف أقلل استهلاك الطاقة عند استخدام ChatGPT؟](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): اطلبوا ما تحتاجون إليه في طلب واحد واضح، واجعلوا الإجابات قصيرة، وابدؤوا محادثة جديدة لكل موضوع جديد، واقتصدوا في توليد الصور والفيديو. يستهلك السؤال النصي المعتاد نحو ثلث واط ساعة وفق التقديرات المنشورة، لكن المُدخلات الطويلة وإعادة التوليد المتكررة وتوليد الوسائط قد تضاعف ذلك مرات كثيرة.
- [كيف أقلل الأثر البيئي لتوليد الصور والفيديو بالذكاء الاصطناعي؟](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): ولّدوا صورًا ومقاطع فيديو أقل، وخططوا للطلب قبل أن تبدؤوا، واجعلوا الفيديو قصيرًا وبالدقة التي تحتاجون إليها، وأعيدوا استخدام النتائج الجيدة. ففي إحدى الدراسات، استهلك توليد الصور أكثر من ألف ضعف الطاقة لكل طلب مقارنة بتصنيف النصوص، وقد يكلّف مقطع فيديو قصير بالذكاء الاصطناعي أكثر من ذلك بكثير.
- [كيف أكتب طلبات (prompts) للذكاء الاصطناعي تستهلك طاقة أقل؟](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): اكتبوا طلبات قصيرة ومحددة تقول بالضبط ما تريدون، وقدّموا فقط السياق الذي يحتاج إليه النموذج، وحدّدوا طولًا للإجابة. فالطاقة ترتفع مع كمية النص التي يقرؤها النموذج ويكتبها، لذا فإن تقليص الاثنين، والحصول على إجابة صالحة من أول مرة، يوفّر أكثر.
- [كيف أمنع محادثات الذكاء الاصطناعي الطويلة من إهدار الطاقة؟](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): ابدؤوا محادثة جديدة حين تغيّرون الموضوع، وحين تظل محادثة طويلة مفيدة، اطلبوا ملخصًا قصيرًا وتابعوا انطلاقًا منه في محادثة جديدة. فروبوتات المحادثة تعيد عادةً قراءة المحادثة حتى تلك اللحظة للرد على كل رسالة جديدة، لذا تجعل السلاسل الطويلة جدًا كل رد أغلى مما يلزم.
- [كيف أوقف ميزات الذكاء الاصطناعي التي لا أحتاج إليها؟](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): افتحوا إعدادات كل تطبيق أو هاتف أو متصفح أو حزمة مكتبية تستخدمونها، وابحثوا عن أقسام تحمل اسم مساعد الذكاء الاصطناعي فيه أو «الميزات الذكية»، وأوقفوا ما لا تستخدمونه. فالميزات التي تعمل تلقائيًا على كل رسالة بريد إلكتروني أو صفحة أو مستند تستهلك الطاقة سواء قرأتم النتيجة أم لا، ولهذا تهم الإعدادات الافتراضية.
- [متى أستخدم وضع «التفكير» أو الاستدلال في الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): استخدموا وضع الاستدلال أو «التفكير» للمسائل الصعبة فعلًا، مثل الرياضيات متعددة الخطوات أو الشيفرة المعقدة أو التحليل الدقيق، واستخدموا نموذجًا عاديًا أو سريعًا للأسئلة اليومية والمسودات والملخصات. فأوضاع الاستدلال تكتب سلاسل طويلة مخفية من خطوات الحل قبل أن تجيب، ووجد أحد الاختبارات المعيارية أنها استهلكت في المتوسط 30 ضعف الطاقة.
- [هل أحتاج إلى جهاز جديد لاستخدام الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): تعمل معظم أدوات الذكاء الاصطناعي في السحابة، وتُستخدم عبر متصفح أو تطبيق على الأجهزة التي تملكونها أصلًا، لذا نادرًا ما تحتاجون إلى عتاد جديد لاستخدامها. والإبقاء على الأجهزة قيد الاستخدام مدة أطول يجنّب بصمة تصنيع أجهزة جديدة، ومنها النفايات الإلكترونية التي يتوقع الباحثون أن يزيدها الذكاء الاصطناعي التوليدي.
- [هل أحتاج فعلًا إلى الذكاء الاصطناعي لهذه المهمة؟](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): اسألوا إن كانت أداة أبسط تؤدي المهمة بموثوقية أصلًا: محرك بحث، أو آلة حاسبة، أو خريطة، أو قاموس، أو قالب، أو معادلة في جدول بيانات. استخدموا الذكاء الاصطناعي التوليدي حيث يوفّر وقتًا حقيقيًا أو يحسّن النتيجة، مثل الصياغة الأولية أو الشرح أو إعادة صياغة النصوص، وتجنّبوه في عمليات البحث عن المعلومات والحسابات التي تتعامل معها أدوات أخرى جيدًا.
- [هل استهلاكي للطاقة عند استخدام الذكاء الاصطناعي كبير مقارنة بأنشطتي اليومية؟](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): يستهلك سؤال نصي عادي واحد لروبوت محادثة جزءًا من الواط ساعة وفق الأرقام المنشورة، أي ما يقارب ما يستهلكه فرن في ثانية تقريبًا. أما الصور والفيديو والمستندات الطويلة وأوضاع الاستدلال المنطقي فقد تستهلك أضعاف ذلك، والإجمالي العالمي ينمو بسرعة، لذا فإن عبارتي "إنه لا شيء" و"إنها كارثة" كلتيهما تخطئان جوهر المسألة.

## اختيار أدوات الذكاء الاصطناعي ونماذجه

- [كيف أجد نموذجًا متخصصًا في مهمة بعينها بدلًا من استخدام روبوت محادثة عام؟](https://greenai.guide/how-do-i/find-a-task-specific-model/): حدّدوا المهمة بدقة، ثم ابحثوا في منصة نماذج مثل Hugging Face بحسب نوع المهمة، واختبروا نموذجين أو ثلاثة صغيرة على أمثلتكم الخاصة. فالنموذج المصمم لمهمة واحدة قد يكون أرخص تشغيلًا بمراتب عشرية من نموذج توليدي عام يؤدي المهمة نفسها، لذا يستحق الأمر ظهيرة من الاختبار قبل أن تستقروا على روبوت محادثة.
- [كيف أختار نموذج ذكاء اصطناعي أصغر؟](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): حدّدوا معنى "جيد بما يكفي" على أمثلة حقيقية، ثم اختبروا النماذج من الأصغر إلى الأكبر وتوقفوا عند أول نموذج ينجح. فالنماذج الصغيرة والمتخصصة في مهام بعينها قد تستهلك جزءًا من طاقة النماذج العامة الكبيرة: إذ تُفيد UNESCO وUniversity College London بتوفير يصل إلى 90% في المهام المناسبة.
- [كيف أستخدم مساعد برمجة بالذكاء الاصطناعي دون بصمة كبيرة؟](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): استخدموا المساعد حيث يعوّض كلفته بوضوح، وامنحوه سياقًا مركّزًا بدل مستودعات كاملة، واختاروا نموذجًا أصغر أو أسرع للتعديلات الروتينية، وقسّموا المهام الصعبة إلى خطوات بسيطة تراجعونها. فقد وجدت إحدى الدراسات أن البرمجة بمساعدة الذكاء الاصطناعي كانت بصمتها الكربونية نحو 33 ضعف بصمة الطريقة اليدوية في المهام المختبرة، لذا فالعادات مهمة.
- [كيف أشغّل نموذج ذكاء اصطناعي محليًا على جهازي؟](https://greenai.guide/how-do-i/run-an-ai-model-locally/): ثبّتوا أداة تشغيل محلية مثل Ollama أو llama.cpp، ونزّلوا نموذجًا صغيرًا مفتوح الأوزان بصيغة مكمّمة مثل GGUF، وشغّلوه على حاسوبكم. اختاروا أصغر نموذج يؤدي مهمتكم: فالنسخ المكمّمة تحتاج إلى ذاكرة أقل بكثير، لذا فإن نموذجًا بـ 8 مليارات معامل يحتاج إلى نحو 16 GB بصيغة 16 بت يتسع في نحو 4–5 GB بدقة 4 بتات.
- [كيف أطلب من شركة ذكاء اصطناعي أرقام استهلاكها للطاقة؟](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): اطلبوا أرقام الطاقة والكربون والمياه لكل طلب معتاد للنموذج الذي تستخدمونه، إضافة إلى المنهجية وحدود النظام ومكان التشغيل. واطلبوا أرقام الكربون على أساس الموقع وعلى أساس السوق معًا. لا يستطيع كثير من المزوّدين حتى الآن الإجابة كاملة، لكن السؤال المحدد يحصل على رد أفضل من السؤال العام، وتكرار السؤال يبني الطلب.
- [كيف أعرف إن كان التعلم الآلي التقليدي يكفي بدلًا من نموذج لغوي كبير؟](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): إن كانت مُدخلاتكم بيانات منظَّمة أو نصوصًا قصيرة موسومة، وكان الناتج رقمًا أو فئة أو ترتيبًا، فجرّبوا نموذجًا تقليديًا أولًا: نموذجًا خطيًا، أو أشجارًا معزَّزة بالتدرج، أو مصنِّفًا صغيرًا. فهي أرخص تشغيلًا بكثير، وأسرع، وأسهل في التفسير، وكثيرًا ما تكون بالدقة نفسها. ولجؤوا إلى نموذج لغوي كبير حين تحتاج المهمة فعلًا إلى لغة مفتوحة.
- [كيف أعرف إن كانت أداة ذكاء اصطناعي صديقة للبيئة؟](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): ابحثوا عن الأدلة لا عن الشعارات: أرقام منشورة للطاقة أو الانبعاثات لكل طلب مع ذكر الطريقة، وإمكانية اختيار نماذج أصغر، ومعلومات عن مكان تشغيلها، وتقييمات مستقلة مثل AI Energy Score. وقليل من الأدوات ينشر كل هذا حتى الآن، فتعاملوا مع وصف "أخضر" أو "مستدام" من دون أرقام على أنه ادعاء لا حقيقة.
- [كيف أفهم تقييم AI Energy Score لنموذج ذكاء اصطناعي؟](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): يمنح تقييم AI Energy Score النموذج من نجمة إلى خمس نجوم لكفاءة استهلاك الطاقة مقارنة بنماذج أخرى اختُبرت على المهمة نفسها، استنادًا إلى طاقة وحدة معالجة الرسومات (GPU) المقيسة لكل 1,000 استعلام. وكثرة النجوم تعني طاقة أقل لتلك المهمة، لكن النجوم نسبية داخل المهمة الواحدة، لذا قارنوا النماذج فقط بنماذج أخرى قُيّمت للعمل نفسه.
- [كيف أقارن استهلاك الطاقة بين نماذج الذكاء الاصطناعي المختلفة؟](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): استخدموا معيارًا قياسيًا حيثما وُجد معيار يغطي مهمتكم، مثل AI Energy Score لدى Hugging Face، وإلا فقيسوا المرشحين بأنفسكم على المهمة والعتاد والإعدادات نفسها. وقارنوا الطاقة لكل مهمة ناجحة إلى جانب الجودة، لأن النموذج الرخيص الذي يفشل يكلّف أكثر في النهاية.
- [كيف أكتشف الغسل الأخضر في تسويق منتجات الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): احذروا كلمات مثل «أخضر» أو «مستدام» أو «ذكاء اصطناعي محايد كربونيًا» إذا لم تكن وراءها أرقام وأساليب وحدود واضحة، واحذروا الادعاءات التي تستند إلى التعويض الكربوني أو إلى شهادات الطاقة المتجددة السنوية. فالادعاءات الصادقة تذكر ما قيس، ومقارنةً بأي خط أساس، وما استُبعد؛ وفي الاتحاد الأوروبي، تُحظر الادعاءات البيئية العامة التي لا يمكن إثباتها.
- [ما أكثر برامج المحادثة بالذكاء الاصطناعي مراعاةً للبيئة؟](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): لا يستطيع أحد حتى الآن ترتيب برامج المحادثة الكبرى ترتيبًا موثوقًا من حيث الطاقة، لأن المزوّدين ينشرون أرقامًا مختلفة، مقيسة بطرق مختلفة، وبعضهم لا ينشر أي رقم. اختاروا خدمة شفافة بشأن استهلاكها للطاقة والمياه، وتقدّم نماذج أخف للأسئلة البسيطة، وتتيح لكم التحكم في الميزات، ثم استخدموها جيدًا: فطريقة استخدامكم لبرنامج المحادثة أهم من البرنامج الذي تختارونه.
- [هل أشغّل الذكاء الاصطناعي على جهازي أم في السحابة؟](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): شغّلوا المهام الصغيرة والمتكررة والخاصة أو الحساسة لزمن الاستجابة على الجهاز، وأرسلوا المهام الكبيرة أو العرضية التي تحتاج إلى نماذج كبيرة إلى خدمة سحابية فعّالة. تجد بعض الدراسات توفيرًا كبيرًا في الطاقة على الجهاز للنماذج المناسبة، لكن مراكز البيانات حسنة الإدارة معيار يصعب التفوق عليه، لذا قيسوا حالتكم الخاصة حيثما أمكن.

## قياس الطاقة والانبعاثات

- [كيف أتتبع طاقة الذكاء الاصطناعي لكل مهمة بدل الإجمالي فقط؟](https://greenai.guide/how-do-i/track-ai-energy-per-task/): اختاروا وحدة وظيفية تطابق القيمة التي يقدّمها الذكاء الاصطناعي، مثل لكل مستند مُلخَّص أو لكل مهمة ناجحة، واقسموا الطاقة عليها. تتبّعوا الطاقة لكل وحدة والجودة لكل وحدة والإجمالي جنبًا إلى جنب. فالأرقام لكل وحدة تُظهر ما إذا كان النظام يزداد كفاءة؛ والإجمالي يُظهر ما إذا كان النمو يسبق هذه الكفاءة.
- [كيف أتحقق من صحة ادعاء عن استهلاك الذكاء الاصطناعي للطاقة؟](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): اطرحوا ستة أسئلة: لكل ماذا (طلب، صورة، سنة؟)، ومن قاسه، وما المشمول فيه، وما عمر الرقم، وبماذا يُقارن، وهل يتعلق بالكفاءة أم بالاستخدام الإجمالي. ومعظم الادعاءات المضللة، سواء كانت مقلقة أو مطمئنة، تسقط في أحد هذه الأسئلة. وتختلف أرقام الطلب الواحد المنشورة أساسًا لأنها تحسب أشياء مختلفة.
- [كيف أحدد خط أساس لإثبات توفير الطاقة في الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): قيسوا النظام الحالي قبل أن تغيّروا أي شيء، على العتاد والحمل والمُدخلات نفسها التي ستستخدمونها لاحقًا، وكرّروا الجولات لتروا التفاوت المعتاد. أبلغوا عن الطاقة لكل وحدة من العمل المفيد وعن الإجمالي أيضًا، ولا تدّعوا توفيرًا إلا إن كان أكبر من التشويش وتحقق دون انخفاض في الجودة.
- [كيف أحدد ميزانية حوسبة لمشروع بحثي في الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): قدّروا ساعات وحدات معالجة الرسومات (GPU) التي تحتاج إليها تجاربكم الرئيسية، وأضيفوا هامشًا للاستكشاف، وتتبّعوا الاستخدام مقابل تلك الميزانية كما تتبّعون المال. جرّبوا الأفكار على نطاق صغير، وأوقفوا الجولات الضعيفة مبكرًا، وأعيدوا استخدام النماذج المدرّبة مسبقًا ونقاط التحقق، وأبلغوا عن النتائج مقابل الحوسبة التي استهلكتها. فالميزانية تجعل المفاضلات واضحة وتوقف الضبط الذي لا ينتهي.
- [كيف أحسب الكربون المتجسد في عتاد الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): الكربون المتجسد هو الانبعاثات الناتجة عن تصنيع العتاد وشحنه والتخلص منه. ولحسابه، خذوا إجمالي الانبعاثات المتجسدة للعتاد، ووزّعوها بحسب المدة التي يستخدم فيها عملكم في الذكاء الاصطناعي هذه المعدات والقدر الذي يستخدمه منها، ثم أضيفوا هذه الحصة إلى الرقم التشغيلي، كما يفعل الحد M في مواصفة SCI. ولأن البيانات كثيرًا ما تكون شحيحة، صرّحوا بافتراضاتكم؛ وتذكّروا أن الاحتفاظ بالعتاد مدة أطول يوزّع الانبعاثات نفسها على قدر أكبر من العمل.
- [كيف أحسب بصمتي الكربونية الشخصية من استخدام الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): عدّوا تقريبًا كم سؤالًا نصيًا ومستندًا طويلًا وصورة تستخدمون كل أسبوع، واضربوها في الأرقام المنشورة لكل طلب، فتحصلوا على نطاق تقريبي. فالطلب النصي المعتاد جزء من الواط ساعة بحسب أرقام الشركات نفسها، في حين تكلّف المُدخلات الطويلة والصور أكثر بكثير، لذا تهيمن أثقل عاداتكم عادة على الإجمالي. تعاملوا مع النتيجة على أنها تقدير، لا رقم دقيق.
- [كيف أحسب درجة كثافة الكربون في البرمجيات (SCI) لميزة ذكاء اصطناعي؟](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): درجة كثافة الكربون في البرمجيات (SCI)، المنشورة بوصفها المعيار ISO/IEC 21031:2024، هي ((E × I) + M) لكل R: الطاقة المستهلكة، مضروبة في كثافة كربون الشبكة على أساس الموقع، مضافًا إليها حصة من الانبعاثات المتجسدة في العتاد، مقسومة على وحدة وظيفية مثل طلب واحد أو مستند واحد. اختاروا الوحدة، وحدّدوا الحدود، واجمعوا كل حد أو قدّروه، وأعيدوا الحساب بعد كل تغيير.
- [كيف أعرف كثافة الكربون في شبكة الكهرباء التي أستخدمها؟](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): استخدموا بيانات إقليمية للشبكة مطابقة زمنيًا لمكان تشغيل عملكم بالذكاء الاصطناعي ووقته. ففي بريطانيا العظمى، تقدّم Carbon Intensity API التابعة لـNational Energy System Operator تقديرات وتوقعات إقليمية؛ وتغطي Electricity Maps أكثر من 350 منطقة حول العالم. ولا تلجؤوا إلى المتوسطات الوطنية السنوية إلا حين لا يتوفر ما هو أدق، واذكروا ما استخدمتموه.
- [كيف أقدّر البصمة المائية للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): يتبع استهلاك المياه استهلاك الطاقة: اضربوا طاقة عملكم بالذكاء الاصطناعي في فعالية استخدام المياه (WUE) لمركز البيانات لحساب التبريد في الموقع، وأضيفوا المياه المستخدمة في توليد الكهرباء إن كانت ضمن حدود حسابكم. وتتراوح الأرقام المنشورة لكل موجّه (prompt) بين جزء من المليلتر وعشرات المليلترات، ويعود ذلك في الغالب إلى أنها تحسب أشياء مختلفة. ومكان استخدام المياه مهم بقدر كميتها.
- [كيف أقدّر الطاقة التي تستهلكها استدعاءاتي لواجهة API للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): لا يمكنكم قياس عتاد لا تتحكمون فيه، فقدّروا بدلًا من ذلك: سجّلوا رموز المُدخلات والمخرجات لكل استدعاء، واستخدموا أداة مثل EcoLogits، تُغلّف عميل الذكاء الاصطناعي لديكم وتُبلغ عن الطاقة والانبعاثات المقدَّرة لكل طلب. وصِفوا الأرقام بأنها تقديرات، واذكروا الطريقة، واستبدلوا بها أرقامًا يُبلغ عنها المزوّد حين تتمكنون من الحصول عليها.
- [كيف أقيس البصمة الكربونية لتدريب نموذج ذكاء اصطناعي؟](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): ضعوا نص التدريب البرمجي داخل أداة لتتبّع الانبعاثات مثل CodeCarbon، التي تقدّر الطاقة المستهلكة من المعالج المركزي (CPU) ووحدة معالجة الرسومات (GPU) والذاكرة، وتحوّلها إلى كربون باستخدام بيانات الشبكة المحلية. احسبوا كل جولة، بما فيها جولات الضبط والجولات الفاشلة، وسجّلوا العتاد والموقع والمدة، وانشروا النتيجة مع النموذج. وإن لم تكن لديكم سجلات، فيمكن لحاسبة مثل Green Algorithms أن تقدّرها لاحقًا.
- [كيف أقيس الطاقة التي يستهلكها الذكاء الاصطناعي على حاسوبي أو وحدة معالجة الرسومات لديّ؟](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): على جهازكم الخاص يمكنكم القياس مباشرة: استخدموا CodeCarbon أو أداة لقياس القدرة تقرأ عدّادات المعالج ووحدة معالجة الرسومات (GPU)، أو ضعوا مقبسًا ذكيًا للقياس بين الحاسوب والمقبس الجداري. سجّلوا خط الأساس في وضع الخمول أولًا، وخذوا عينات طوال المهمة بدلًا من لقطات متفرقة، وكرّروا التشغيل بضع مرات قبل أن تثقوا بالرقم.
- [كيف أُبلغ عن استهلاك الطاقة في بحثي عن الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): أبلغوا عن العتاد، وساعات وحدات معالجة الرسومات (GPU) لكل الجولات بما فيها جولات الضبط والجولات الفاشلة، والطاقة بالكيلوواط ساعة مع الأداة المستخدمة، والموقع وكثافة الكربون في الشبكة، والانبعاثات بالكيلوغرام من مكافئ ثاني أكسيد الكربون (kg CO₂e)، وطاقة الاستدلال عند حجم دفعة محدد. واذكروا ما تشمله حدود القياس ومدى عدم اليقين في الأرقام. والقياس أولًا بأول، بأداة مثل CodeCarbon، يجعل ذلك جدولًا جاهزًا لا عملية إعادة بناء.

## للمطوّرين وعلماء البيانات

- [كيف أتجنب تدريب نموذج من الصفر؟](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): ابحثوا عن نموذج مدرَّب مسبقًا قريب من مهمتكم، ثم كيّفوه: اضبطوه ضبطًا دقيقًا، أو درّبوا محوّلًا صغيرًا مثل LoRA، أو أضيفوا المعرفة عبر الاسترجاع بدلًا من إعادة التدريب. وحيث تملكون أصلًا عدة نماذج مضبوطة من الأساس نفسه، قد يحسّن حساب متوسط أوزانها الدقة دون كلفة استدلال إضافية. ونادرًا ما يكون التدريب من الصفر ضروريًا خارج أبحاث النماذج التأسيسية.
- [كيف أجري تكميمًا (quantisation) لنموذج ذكاء اصطناعي؟](https://greenai.guide/how-do-i/quantise-a-model/): يخزّن التكميم أوزان النموذج ببتات أقل، عادةً 8 أو 4 بدلًا من 16 أو 32، فيحتاج إلى ذاكرة أقل، وكثيرًا ما يستهلك طاقة أقل لكل إجابة. حمّلوا نسخة مكمّمة جاهزة أو كمّموا النموذج بالأساليب المدمجة في مكتبتكم، ثم اختبروه على أمثلتكم الخاصة مقابل النموذج كامل الدقة. احتفظوا به إن بقيت الجودة وانخفضت الطاقة لكل طلب.
- [كيف أجعل البحث المتجهي وRAG أكثر كفاءة؟](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): استخدموا فهرسًا تقريبيًا لأقرب الجيران بدلًا من مقارنة كل استعلام بكل متجه مخزّن، واسترجعوا بضعة مقاطع قصيرة وذات صلة بدلًا من مقاطع طويلة كثيرة، ولا تعيدوا التضمين إلا للمحتوى الذي تغيّر. ثم استخدموا أصغر نموذج توليد يجيب جيدًا انطلاقًا من سياق جيد. فمعظم الهدر في أنظمة الاسترجاع يأتي من البحث بالقوة الغاشمة ومن الموجّهات (prompts) المتضخمة.
- [كيف أجعل الذكاء الاصطناعي يكتب شيفرة موفّرة للطاقة؟](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): اطلبوا صراحةً شيفرة فعّالة وسمّوا القيد المطلوب، مثل الذاكرة أو عمليات التخصيص أو التعقيد الخوارزمي، ثم شغّلوا الاختبارات وقيسوا طاقة الشيفرة قبل قبولها. فقد وجدت أبحاث أن تغيير الموجّه (prompt) قد يجعل الشيفرة المولَّدة أكفأ في استهلاك الطاقة بما يصل إلى 91.9%، لكن كثيرًا ما يكون ذلك على حساب صحتها. أعطوا المساعد مبادئ للطاقة يتبعها، وأبقوا شخصًا يراجع النتيجة.
- [كيف أجمّع طلبات الذكاء الاصطناعي في دفعات لتوفير الطاقة؟](https://greenai.guide/how-do-i/batch-ai-requests/): قدّموا الحركة الحية بمحرك استدلال يستخدم التجميع المستمر، حتى تتشارك الطلبات المتزامنة المسرّع. وضعوا في طابور العمل الذي لا يحتاج إلى إجابة فورية، مثل معالجة المستندات ليلًا، وشغّلوه في دفعات كبيرة، ويُفضَّل أن يكون ذلك حين تكون الشبكة أنظف. فالمسرّع الذي يخدم طلبًا واحدًا في كل مرة يكون مستغَلًّا دون طاقته لكنه يظل يسحب قدرًا كبيرًا من الكهرباء.
- [كيف أحدّ من طول ما يكتبه النموذج اللغوي الكبير؟](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): حدّدوا الحد الأقصى لطول المخرجات في استدعاء API، وأخبروا النموذج في الموجّه (prompt) بالصيغة والطول المطلوبين، واستخدموا تسلسلات الإيقاف أو المخرجات المنظمة لينتهي حين تنتهي المهمة. فالطاقة تزداد مع عدد الرموز (tokens) التي يولّدها النموذج، لذا يُعد تحديد سقف للمخرجات من أبسط أوجه التوفير في أي تطبيق.
- [كيف أخزّن بيانات تدريب الذكاء الاصطناعي بحيث تقرأ خطوط المعالجة قدرًا أقل؟](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): خزّنوا بيانات التدريب والسمات بصيغة عمودية حتى لا تقرأ المهام إلا الأعمدة والأقسام التي تستخدمها، وحوّلوا النص الخام إلى صيغة ثنائية مرة واحدة بدل إعادة تحليله في كل تشغيل أو حقبة (epoch). قيسوا مهمة نموذجية قبل التحويل وبعده للتحقق من أنه يعوّض كلفته. فمن السهل إغفال التعامل مع البيانات إلى جانب النموذج، لكنه يجري في كل تجربة.
- [كيف أستخدم التخزين المؤقت لتقليل طاقة استدعاءات النماذج اللغوية الكبيرة؟](https://greenai.guide/how-do-i/cache-llm-calls/): استخدموا طبقتين. التخزين المؤقت للطلبات (prompt caching) لدى المزوّد يعيد استخدام معالجة بادئة ثابتة، مثل طلب نظام طويل أو مستند مشترك، لذا ضعوا المحتوى الثابت أولًا. أما ذاكرة الردود المؤقتة الخاصة بكم فتخزّن إجابات الطلبات المتطابقة حتى لا يُستدعى النموذج مجددًا. وكلاهما يقلّل الحوسبة والكلفة وزمن الاستجابة، ما دمتم تضبطون مدد انتهاء صلاحية معقولة.
- [كيف أسرّع نموذجًا كبيرًا باستخدام فك الترميز التخميني (speculative decoding)؟](https://greenai.guide/how-do-i/use-speculative-decoding/): اقرنوا نموذجكم الكبير بنموذج مسودة صغير من العائلة نفسها: يقترح نموذج المسودة عدة رموز (tokens)، ويتحقق منها النموذج الكبير في تمريرة واحدة، محتفظًا فقط بما يوافق عليه. والناتج مطابق لناتج النموذج الكبير وحده، وأفادت الدراسة الأصلية باستدلال أسرع بمرتين إلى ثلاث مرات. تحققوا من أن منظومة التقديم لديكم تدعمه، ثم قيسوا الطاقة لكل طلب، لا السرعة فقط.
- [كيف أصغّر نموذجًا بما يكفي ليعمل على جهاز طرفي؟](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): ابدؤوا من أصغر نموذج يمكن أن يبلغ مستوى الجودة المطلوب، ثم صغّروه أكثر بالتقطير والتكميم والتقليم، مع اختبار كل خطوة على الجهاز المستهدف. وقيسوا الطاقة لكل عملية استدلال وزمن الاستجابة والدقة معًا على العتاد الفعلي، واجعلوا النموذج يتراجع إلى مستوى أخف حين تنخفض البطارية أو يسخن الجهاز.
- [كيف أصمّم ميزات ذكاء اصطناعي لا تعمل حين لا يحتاج إليها أحد؟](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): اجعلوا ميزات الذكاء الاصطناعي تعمل حين يطلبها المستخدم، لا تلقائيًا مع كل تحميل صفحة أو رسالة أو ملف. ولّدوا النتائج المشتركة مرة واحدة وأعيدوا استخدامها، واستخدموا شيفرة بسيطة للقرارات التي يمكن أن تتخذها قاعدة، وأزيلوا ميزات الذكاء الاصطناعي التي يستخدمها قلة من الناس. وتطلب إرشادات استدامة الويب الصادرة عن W3C من الفرق تقييم الحاجة إلى الذكاء الاصطناعي قبل تطبيقه، وينطبق ذلك على كل مشغّل كما ينطبق على كل ميزة.
- [كيف أضبط نموذجًا ضبطًا دقيقًا من دون حوسبة ضخمة؟](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): ابدؤوا من نموذج مدرَّب مسبقًا، ودرّبوا محوّلًا صغيرًا بدلًا من جميع أوزانه، باستخدام LoRA، أو QLoRA مع أوزان 4-bit. فقد خفّضت LoRA المعاملات القابلة للتدريب بمقدار 10,000 مرة وذاكرة GPU بمقدار ثلاث مرات مقارنة بالضبط الدقيق الكامل لـGPT-3، وضبطت QLoRA نموذجًا من 65 مليار معامل على GPU واحدة بسعة 48 GB. قارنوا النتيجة بمستوى الجودة المطلوب قبل التفكير في أي شيء أكبر.
- [كيف أقطّر نموذجًا كبيرًا إلى نموذج أصغر؟](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): تحققوا أولًا مما إذا كانت هناك نسخة مقطَّرة من نموذجكم. وإن لم تكن، فاستخدموا النموذج "المعلّم" الكبير لوسم أمثلة لمهمتكم أو توليدها، ودرّبوا عليها نموذج "طالب" صغيرًا، واختبروا الطالب على حالاتكم الحقيقية. وكان DistilBERT، وهو مثال مبكر، أصغر من BERT بنسبة 40% وأسرع منه بنسبة 60%، مع احتفاظه بنسبة 97% من قدرته على فهم اللغة.
- [كيف أقلل استهلاك الطاقة عند تشغيل نموذج في بيئة الإنتاج؟](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): قدّموا أصغر نموذج يبلغ مستوى الجودة المطلوب، على بيئة تشغيل مصمَّمة للاستدلال، مع تفعيل التجميع في دفعات، وبأوزان بنصف الدقة أو مكمّمة، ومع تفعيل مسارات الانتباه والذاكرة المؤقتة المحسّنة في المكتبة. ثم اختبروا بيئتي تشغيل أو ثلاثًا وخيارات عتاد بحركتكم الفعلية، واختاروا بناءً على الطاقة لكل طلب إلى جانب زمن الاستجابة.
- [كيف أقلل الطاقة المستهلكة في البحث عن المعاملات الفائقة؟](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): استبدلوا البحث الشبكي الكبير ببحث عشوائي أو تكيّفي، وأوقفوا التجارب الضعيفة مبكرًا، وأجروا تجارب أولية على بيانات صغيرة أو نماذج صغيرة أولًا، وابدؤوا من القيم الافتراضية المنشورة لبنيتكم. وتتبعوا الطاقة لكل تجربة، لا للفائزة وحدها، وحدّدوا ميزانية حوسبة قبل أن تبدؤوا. فكثيرًا ما تكلّف تشغيلات الضبط أكثر من تشغيل التدريب النهائي، ونادرًا ما يُبلَّغ عنها.
- [كيف أقلل الطاقة المستهلكة في تدريب نموذج ذكاء اصطناعي؟](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): ابدؤوا من نموذج مدرّب مسبقًا حيث أمكن، واختاروا أصغر بنية يمكنها بلوغ المستوى المطلوب، ودرّبوا بالدقة المختلطة، وتوقفوا حين يتوقف التحسن في التحقق، وشغّلوا التدريب على عتاد فعّال في منطقة وزمن منخفضَي الكربون. وجد Patterson وزملاؤه أن اختيار النموذج ومركز البيانات والمعالج يمكن أن يخفض البصمة الكربونية للتدريب بما يصل إلى نحو 100 إلى 1,000 ضعف. قيسوا كل جولة لتظهر المفاضلات بوضوح.
- [كيف أقلّم شبكة عصبية (pruning)؟](https://greenai.guide/how-do-i/prune-a-neural-network/): قلّموا الشبكة المدرّبة بإزالة الأوزان أو العصبونات أو الطبقات الأقل إسهامًا، ثم اضبطوها ضبطًا دقيقًا لفترة وجيزة حتى تستعيد أداءها، واختبروها مقابل مستوى الجودة المطلوب. فقد خفّض التقليم معاملات AlexNet تسعة أضعاف دون أي خسارة في الدقة، وقُلّمت نماذج لغوية كبيرة جدًا إلى نسبة تناثر لا تقل عن 50% دفعة واحدة. وفضّلوا التقليم المهيكل إن أردتم أن يعمل العتاد العادي بسرعة أكبر.
- [كيف أمنع روبوت المحادثة من إعادة إرسال المحادثة كاملة في كل مرة؟](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): ترسل معظم ميزات المحادثة المحادثةَ كاملة إلى النموذج في كل دور، فيكبر المُدخل مع كل رسالة. حدّدوا عدد الأدوار السابقة التي ترسلونها، ولخّصوا الأقدم منها في ملاحظة قصيرة، واسترجعوا فقط الرسائل أو المستندات السابقة المهمة، وخزّنوا طلبات النظام الثابتة مؤقتًا. فالمُدخلات الطويلة تكلّف طاقة أكثر بكثير من القصيرة.
- [كيف أمنع وكلاء الذكاء الاصطناعي من إهدار الرموز (tokens)؟](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): امنحوا كل وكيل هدفًا قابلًا للاختبار يُنهي التشغيل، وحدودًا صارمة للخطوات والرموز (tokens) والوقت والإنفاق، وآلية لكشف الحلقات توقفه حين يكرر نفسه. قلّصوا السياق الذي تحمله كل خطوة، واستخدموا شيفرة عادية للقرارات التي يمكن أن تتخذها قاعدة، وأرسلوا المهام الفرعية البسيطة إلى نماذج صغيرة. فقد يستهلك الوكلاء أضعاف رموز المحادثة العادية، لذا تؤتي هذه الحدود ثمارها بسرعة.
- [كيف أوجّه الطلبات إلى نماذج ذكاء اصطناعي أصغر؟](https://greenai.guide/how-do-i/set-up-model-routing/): ضعوا موجّهًا أمام نماذجكم: قاعدة، أو مصنّفًا صغيرًا، أو سلسلة متتالية تجرّب نموذجًا صغيرًا أولًا وتصعّد إلى نموذج أكبر حين تكون الثقة منخفضة أو يفشل فحص ما. وقد خفّضت موجّهات منشورة التكاليف بأكثر من النصف في بعض الاختبارات دون خفض الجودة. اضبطوا العتبة على بياناتكم الخاصة، وقيسوا الكلفة لكل مهمة ناجحة، لا لكل استدعاء.
- [هل أستخدم الاسترجاع (RAG) أم الضبط الدقيق لتوفير الطاقة؟](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): استخدموا الاسترجاع حين يحتاج النموذج إلى حقائق متغيرة أو خاصة بكم: ضعوها في فهرس قابل للبحث واجلبوا المقاطع ذات الصلة فقط. واستخدموا الضبط الدقيق حين يحتاج النموذج إلى مهارة أو صيغة أو أسلوب يفتقر إليه. فإعادة التدريب لتحديث الحقائق تكرر تكاليف التدريب، بينما يهدر لصق مستندات كاملة في كل طلب طاقة الاستدلال، ولكل نهج موضعه.
- [هل يوفّر نموذج مزيج الخبراء (MoE) الطاقة فعلًا؟](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): يوجّه نموذج مزيج الخبراء كل رمز (token) إلى عدد قليل من الشبكات الفرعية المتخصصة، فلا يعمل إلا جزء من النموذج لكل رمز. فـ Mixtral، مثلًا، يضم 47 مليار معامل لكنه يستخدم 13 مليارًا لكل رمز. وقد يخفّض ذلك الحوسبة لكل إجابة مقارنة بنموذج كثيف بجودة مماثلة، لكن جميع الخبراء يجب أن يبقوا في الذاكرة، لذا قارنوا الجودة وزمن الاستجابة والطاقة لكل طلب على عتادكم الخاص.

## مراكز البيانات والحوسبة السحابية والاستضافة

- [كيف أبدي رأيي في مركز بيانات مخطط إنشاؤه بالقرب مني؟](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): اعثروا على طلب التخطيط، واقرؤوا بيانات المطوّر عن الطاقة والمياه والضوضاء والحرارة، وقدّموا تعليقاتكم خلال فترة التشاور بأسئلة محددة مبنية على الأدلة. اسألوا عن مقدار سعة الشبكة الكهربائية والمياه التي سيستخدمها الموقع، وما إذا كانت الحرارة المهدرة ستُعاد استخدامها، وما أرقام الطاقة والمياه التي سيُبلَّغ عنها بعد تشغيله. فالأسئلة المحددة أثقل وزنًا من الاعتراضات العامة.
- [كيف أجد بيانات الكربون لدى مزوّد خدمتي السحابية؟](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): ينشر كبار مزوّدي الخدمات السحابية بيانات الكربون الخاصة بالعملاء في لوحات الفوترة أو الاستدامة: AWS Sustainability console، وأدوات انبعاثات Azure من Microsoft، ولوحة Carbon Footprint في Google Cloud. وهي تفصّل الانبعاثات بحسب الخدمة والمنطقة والنطاق، لكنها شهرية وتقديرية، فتعاملوا معها كاتجاه عام، واقرنوها بقياساتكم الخاصة لكل عبء عمل.
- [كيف أجدول تدريب النماذج في الأوقات التي تكون فيها شبكة الكهرباء أنظف؟](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): حدّدوا المهام التي يمكنها الانتظار، مثل التدريب والضبط الدقيق والتقييم والاستدلال الدفعي، وابدؤوها حين يُظهر توقع كثافة الكربون أن الشبكة أنظف. احفظوا نقاط التحقق بانتظام حتى يمكن إيقاف المهام الطويلة مؤقتًا حين ترتفع الكثافة واستئنافها حين تنخفض، ضمن موعد نهائي ثابت. والجدولة المراعية للكربون تخفض الكربون، لا الطاقة، لذا طبّقوها إلى جانب أعمال الكفاءة.
- [كيف أختار عتادًا موفّرًا للطاقة للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): اختبروا نموذجكم الفعلي على خيارين أو ثلاثة من العتاد وبيئات التشغيل، وقارنوا الطاقة لكل طلب أو لكل عملية تدريب بأحجام دفعات واقعية، إلى جانب زمن الاستجابة والكلفة. وجد Patterson وزملاؤه أن اختيار النموذج ومركز البيانات والمعالج معًا قد يخفّض كربون التدريب بما يصل إلى نحو 100 إلى 1,000 مرة. أبقوا العتاد الجيد مشغولًا وفي الخدمة، لأن تصنيع معدات جديدة له بصمته الخاصة.
- [كيف أختار مركز بيانات أو مزوّد استضافة مستدامًا للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): اطلبوا أدلة لا شعارات: كثافة كربون الشبكة وحصة الطاقة النظيفة كل ساعة حيث يجري عملكم، وPUE الموقع واستهلاكه للمياه، والمدة التي يبقى فيها العتاد في الخدمة، وهل ستحصلون على بيانات الطاقة والانبعاثات لحسابكم الخاص. ففي الاتحاد الأوروبي، يجب على مراكز البيانات الأكبر الإبلاغ عن استهلاك الطاقة والمياه، لذا كثيرًا ما تكون البيانات موجودة. اختاروا استضافة نظيفة، لكن استمروا في تقليل العمل الذي ترسلونه إليها.
- [كيف أختار منطقة سحابية منخفضة الكربون؟](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): قارنوا المناطق من حيث كثافة الكربون في الشبكة وحصة الطاقة الخالية من الكربون، باستخدام بيانات المناطق التي ينشرها مزوّدكم أو مصدر مثل Electricity Maps، ثم وازنوا زمن الاستجابة وقواعد إقامة البيانات والكلفة. والأعمال الدفعية مثل التدريب والضبط الدقيق والمعالجة الليلية هي الأسهل نقلًا؛ أما الاستدلال الموجّه إلى المستخدمين فيحتاج عادةً إلى البقاء قريبًا منهم.
- [كيف أشغّل مهام الذكاء الاصطناعي على السعة السحابية الفائضة؟](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): يبيع مزوّدو الخدمات السحابية السعة الفائضة بسعر رخيص بشرط أن يستعيدوها بإشعار قصير، في شكل مثيلات spot أو preemptible. ويمكن للتدريب والتقييم والاستدلال الدفعي ومعالجة البيانات استخدامها إن كانت تحفظ نقاط التحقق وتعيد المحاولة بسلاسة. وتوصي إرشادات Microsoft باستخدامها فقط للأعمال التي تحتمل المقاطعة، لأن المقاطعات قد تضيف عدم استقرار.
- [كيف أعرف إن كان الذكاء الاصطناعي الذي أستخدمه يعمل بالطاقة المتجددة؟](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): اسألوا أين يعمل الذكاء الاصطناعي الذي تستخدمونه فعلًا، ثم انظروا في أمرين لتلك المنطقة: كثافة كربون الشبكة، وحصة الكهرباء المطابَقة بطاقة نظيفة ساعة بساعة. فعبارة "100% متجددة" تعني في العادة شهادات أو عقودًا سنوية تطابق المجاميع السنوية، ولا تغيّر ما تزوّده الشبكة المحلية في ساعة معينة. واطلبوا الأرقام على أساس الموقع وعلى أساس السوق معًا.
- [كيف أفهم أرقام PUE وWUE لمراكز البيانات؟](https://greenai.guide/how-do-i/understand-pue-and-wue/): فعالية استخدام الطاقة (PUE) هي إجمالي طاقة مركز البيانات مقسومًا على الطاقة التي تستهلكها معدات الحوسبة فيه: كلما اقترب الرقم من 1.0، قلّ ما يضيع في التبريد وتحويل الطاقة. وفعالية استخدام المياه (WUE) هي لترات المياه المستخدمة في الموقع لكل كيلوواط ساعة من الحوسبة: والأقل أفضل. ولا يخبركم أي منهما بكمية الحوسبة المنجزة، ولا بمدى نظافة الكهرباء، ولا بما إذا كان العمل ضروريًا.
- [كيف أقلل البصمة البيئية لتجارب الذكاء الاصطناعي على عنقود حوسبة بحثي؟](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): ابدؤوا بالقياس: كثير من العناقيد الحاسوبية تسجّل الطاقة لكل مهمة في مُجدوِل Slurm، ويمكن لـ CodeCarbon أو حاسبة Green Algorithms سدّ الثغرات. ثم اطلبوا فقط وحدات معالجة الرسومات (GPU) والذاكرة والوقت الذي تحتاجون إليه، وجرّبوا الأفكار على نطاق صغير، واحفظوا نقاط التحقق للمهام الطويلة، وجدولوا المهام المرنة حين تكون الشبكة أنظف. وأبلغوا عن طاقة المشاريع كاملة، لا الجولات النهائية فقط.
- [كيف أقلل البصمة المائية للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): يتبع استهلاك المياه استهلاك الطاقة، لذا فالخطوة الأولى واحدة: استخدموا نماذج أصغر، ومُخرجات أقصر، وإعادة توليد أقل. وبعد ذلك، اختاروا مستضيفين ينشرون أرقام استهلاكهم للمياه، وتجنّبوا المناطق التي تعاني إجهادًا مائيًا للأعمال الثقيلة، واطلبوا من الموردين أرقام المياه على مستوى الموقع. والمياه لكل طلب نصي قليلة؛ والمهم هو الإجماليات والآثار المحلية.
- [كيف أمنع وحدات GPU ودفاتر Notebooks من البقاء خاملة؟](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): اجعلوا التشغيل عند الطلب هو الإعداد الافتراضي: ينبغي أن تشغّل خطوط المعالجة ومهام التدريب الموارد حين تُستدعى وأن تحرّرها حين تنتهي. أوقفوا الدفاتر الخاملة ووحدات GPU المخصصة للتطوير تلقائيًا بعد مدة محددة، وخفّضوا بيئات غير الإنتاج إلى الصفر خارج ساعات العمل، وأبلغوا عن ساعات GPU الخاملة لكل فريق إلى جانب الكلفة حتى يصبح الهدر مرئيًا.

## للمؤسسات

- [كيف أبقي البصمة البيئية لاستخدام الذكاء الاصطناعي في شركتي الصغيرة منخفضة؟](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): استخدموا الذكاء الاصطناعي في المهام التي يوفّر فيها الوقت بوضوح، وأبقوا الطلبات قصيرة ومحددة، وحسّنوا الإجابات بدلًا من إعادة توليدها، وخففوا من الصور والفيديو. وأوقفوا ميزات الذكاء الاصطناعي التي تدفعون مقابلها ولا تستخدمونها، واحتفظوا بسجل بسيط للأدوات التي تستخدمونها لتتمكنوا من الرد على العملاء الذين يسألون. وفي الشركة الصغيرة، تخفّض العادات نفسها تكاليف الاشتراكات والموظفين.
- [كيف أجعل استخدام شركتي للذكاء الاصطناعي أكثر استدامة؟](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): ابدؤوا بحصر مواضع استخدام شركتكم للذكاء الاصطناعي، ثم اجعلوا الخيار الفعّال هو الافتراضي: أصغر نموذج يبلغ مستوى الجودة المطلوب، ومخرجات قصيرة، وميزات الذكاء الاصطناعي متوقفة ما لم تكن هناك حاجة إليها. واسألوا المورّدين عن الطاقة لكل طلب وعن أماكن تشغيلهم، وقيسوا لكل مهمة مفيدة، وضعوا ذلك في سياسة قصيرة لها مسؤول. ومعظم هذه الخطوات تخفّض الكلفة والتأخير إلى جانب الطاقة.
- [كيف أحدد أهدافًا لاستهلاك الطاقة والانبعاثات في استخدام مؤسستي للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): قيسوا خط أساس أولًا، ثم حدّدوا نوعين من الأهداف معًا: هدفًا للكثافة (الطاقة أو الانبعاثات لكل مهمة مفيدة) وهدفًا مطلقًا أو سقفًا للإجمالي. فالكثافة تُظهر الكفاءة؛ والرقم المطلق يُظهر إن كان نمو الاستخدام يلتهم التوفير. وراجعوها سنويًا على الأقل مع تغيّر النماذج والاستخدام.
- [كيف أدرّب الموظفين على استخدام الذكاء الاصطناعي بكفاءة؟](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): علّموا عددًا قليلًا من العادات في جلسة قصيرة بأمثلة حقيقية من عملكم: تحققوا مما إذا كان الذكاء الاصطناعي الأداة المناسبة، واكتبوا طلبات واضحة ومحددة، واطلبوا إجابات قصيرة، وحسّنوا بدل إعادة التوليد، واقتصدوا في الصور والفيديو. وادعموا التدريب بإعدادات افتراضية فعّالة في أدوات الشركة، لأن الإعدادات الافتراضية تصل إلى من يتغيبون عن الدورة.
- [كيف أشجّع على ذكاء اصطناعي أكثر مراعاة للبيئة بصفتي صانع سياسات؟](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): ابدؤوا بالشفافية: اشترطوا على مزوّدي الذكاء الاصطناعي ومراكز البيانات، أو شجّعوهم على، الإبلاغ عن الطاقة والمياه والانبعاثات بأرقام قابلة للمقارنة. واستخدموا المشتريات العامة لمكافأة الذكاء الاصطناعي الفعّال، وخطّطوا لسعة الشبكة الكهربائية والمياه لمراكز البيانات، وموّلوا البحث والمهارات في الأساليب الفعّالة. وراقبوا الطلب الإجمالي إلى جانب الكفاءة، لأن الذكاء الاصطناعي الأرخص يميل إلى أن يُستخدم أكثر.
- [كيف أعرف أين تستخدم مؤسستي الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): أعِدّوا سجلًّا بسيطًا يضم أربعة أنواع من البنود: أدوات الذكاء الاصطناعي التي يستخدمها الموظفون مباشرة، وميزات الذكاء الاصطناعي المدمجة في برامج تملكونها أصلًا، وسير العمل المؤتمت والوكلاء، والموردين الذين تشغّل خدماتهم الذكاء الاصطناعي نيابة عنكم. سجّلوا لكل بند المسؤول عنه، وعدد مرات تشغيله، والنموذج أو المزوّد إن كان معروفًا، والبيانات التي تدخل إليه. هذا السجل هو نقطة الانطلاق لتقليل الهدر وإدارة المخاطر وإعداد التقارير.
- [كيف أعرف إن كان مشروع ذكاء اصطناعي يستحق كلفته البيئية؟](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): قدّروا البصمة الخاصة بالذكاء الاصطناعي (التدريب أو الضبط الدقيق، إضافة إلى تشغيله طوال عمره المتوقع) وقارنوها بالفائدة، مقيسةً على الفترة نفسها. وقارنوها بأبسط خيار لا يعتمد على الذكاء الاصطناعي، لا بعدم فعل شيء. وإن كان المشروع يهدف إلى توفير الطاقة أو الانبعاثات، فيجب أن يتجاوز التوفير بوضوح كلفة الذكاء الاصطناعي نفسه، وإلا فهو خسارة صافية.
- [كيف أقنع الإدارة بجدوى الذكاء الاصطناعي الأخضر من الناحية التجارية؟](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): قدّموا الحجة بلغة الكلفة والسرعة والمخاطر، لأن ما يخفّض استهلاك الذكاء الاصطناعي للطاقة (نماذج أصغر، ورموز (tokens) أقل، واستدعاءات مهدرة أقل) يخفّض أيضًا الفواتير والانتظار. اعرضوا مثالًا واحدًا مقيسًا من عملكم، وأضيفوا أسباب الإبلاغ والأسباب التنظيمية، وأبقوا الفائدة البيئية نقطة حقيقية لكنها ثانوية إن كان ذلك يناسب جمهوركم.
- [كيف أكتب سياسة للذكاء الاصطناعي الأخضر؟](https://greenai.guide/how-do-i/write-a-green-ai-policy/): اجعلوها قصيرة وعملية: قولوا متى يستحق الذكاء الاصطناعي الاستخدام، واضبطوا إعدادات افتراضية فعّالة (أصغر نموذج كافٍ، وحدود للناتج، وميزات متوقفة ما لم تُطلب)، واشترطوا أسئلة الطاقة في المشتريات، والتزموا بالقياس لكل مهمة. وامنحوها مسؤولًا وتاريخ مراجعة وبضعة التزامات قابلة للقياس، واربطوها بالعمليات التي تديرونها أصلًا.
- [كيف ألتزم بقواعد توثيق الطاقة في قانون الذكاء الاصطناعي الأوروبي؟](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): إن كنتم تقدّمون نموذج ذكاء اصطناعي عام الغرض في الاتحاد الأوروبي، فإن الملحق XI من قانون الذكاء الاصطناعي يشترط أن تتضمن وثائقكم التقنية استهلاك النموذج المعروف أو المقدَّر للطاقة، إلى جانب الموارد الحاسوبية المستخدمة في التدريب. تتبّعوا حوسبة التدريب وطاقته من البداية، وسجّلوا المنهجية، وقدّروا ما لا يمكنكم قياسه. وإن كنتم تستخدمون الذكاء الاصطناعي فقط، فالواجب يقع على مورّدكم، لكن يمكنكم طلب الأرقام منه.
- [كيف أمنع تزايد الاستخدام من إلغاء مكاسب كفاءة الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): تتبّعوا إجمالي طاقة الذكاء الاصطناعي إلى جانب الطاقة لكل مهمة، حتى يكون النمو مرئيًا، وقرّروا مسبقًا مصير الوفورات: أوقفوا السعة المحرَّرة، أو التزموا بميزانية أو سقف، أو أعيدوا الاستثمار عن قصد. واقرنوا الكفاءة بالاكتفاء بأن تسألوا إن كان كل استخدام جديد يستحق. فمن دون ذلك، يميل الذكاء الاصطناعي الأرخص ببساطة إلى أن يُستخدم أكثر.
- [كيف أوقف ميزات الذكاء الاصطناعي غير الضرورية في مؤسستي كلها؟](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): استخدموا جردكم لتحديد ميزات الذكاء الاصطناعي المفعّلة افتراضيًا، ثم قرّروا ميزةً ميزة: احتفظوا بما يستخدمه الناس، وأوقفوا ما لا يستخدمونه أو قيّدوه، وامنحوا الوصول عند الطلب. أجروا التغيير من لوحات الإدارة بدل مطالبة المستخدمين، وأخبروا الموظفين بما تغيّر ولماذا، وراجعوا بيانات الاستخدام كل ربع سنة. كما أن تقليل تراخيص الذكاء الاصطناعي غير المستخدمة يوفّر المال.
- [كيف أُدرج الاستدامة في مشتريات الذكاء الاصطناعي؟](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): اطلبوا من الموردين أرقام الطاقة والانبعاثات لكل طلب أو لكل مهمة، مع المنهجية وحدود القياس، ومكان تشغيل حمل العمل، وأرقام الكربون القائمة على الموقع والقائمة على السوق كلتيهما. قيّموا جودة تلك الأدلة في المناقصة، واكتبوا في العقد التزامات الإبلاغ واختيار النموذج والإخطار بتغيير النموذج. كثير من الموردين لا يستطيعون الإجابة كاملًا بعد، لكن السؤال يكشف من يأخذ الأمر بجدية.
- [كيف أُدرج انبعاثات الذكاء الاصطناعي في تقرير الاستدامة الخاص بمؤسستنا؟](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): أبلغوا عن الذكاء الاصطناعي ضمن قائمة جرد غازات الدفيئة الحالية لديكم، لا بوصفه رقمًا منفصلًا: كهرباء العتاد الذي تشغّلونه تندرج في النطاق 2، والخدمات السحابية وخدمات الذكاء الاصطناعي تندرج عادةً في النطاق 3 ضمن السلع والخدمات المشتراة. استخدموا بيانات الموردين حيث يمكنكم الحصول عليها، وقدّروا الباقي من الاستخدام بمنهجية مذكورة، واذكروا حدود القياس وعدم اليقين. واعرضوا الطاقة لكل مهمة مفيدة إلى جانب الإجمالي.
- [كيف نستخدم الذكاء الاصطناعي بشكل مستدام في مؤسسة خيرية؟](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): استخدموا الذكاء الاصطناعي حيث يحرّر وقت الموظفين والمتطوعين لرسالتكم، واختاروا أخف أداة تؤدي المهمة، وتجنبوا الاستخدامات الثقيلة مثل توليد الصور بالجملة. اكتبوا سياسة قصيرة تغطي الأثر البيئي إلى جانب حماية البيانات، واطرحوا على المورّدين أسئلة بسيطة عن الطاقة والموقع، وكونوا صادقين مع الداعمين بشأن طريقة استخدامكم له.
- [كيف نقدّم ادعاءات صادقة عن ذكائنا الاصطناعي الأخضر؟](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): لا تدّعوا إلا ما قستموه، وكونوا محددين بشأن ما تحسّن ومقارنة بأي خط أساس، واذكروا الطريقة والحدود والقيود. وافصلوا بين الكفاءة لكل مهمة والاستخدام الإجمالي، ولا تبنوا ادعاءً على التعويضات الكربونية أو الشهادات السنوية. فالكلمات المبهمة مثل "ذكاء اصطناعي أخضر" أو "ذكاء اصطناعي محايد كربونيًا" محفوفة بالمخاطر، وقد تخالف قانون حماية المستهلك في المملكة المتحدة والاتحاد الأوروبي.

## المدارس والجامعات والتدريب

- [كيف أتعلم عن الذكاء الاصطناعي الأخضر؟](https://greenai.guide/how-do-i/learn-about-green-ai/): ابدؤوا بشرح قصير عن مصادر استهلاك الذكاء الاصطناعي للطاقة، ثم جرّبوا أداة مجانية واحدة على استخدامكم الخاص، مثل أداة لتتبّع طاقة الشيفرة أو أداة لتقدير طاقة استدعاءات API للذكاء الاصطناعي. ثم تابعوا بمقرر يناسب مستواكم ومجتمع أو مجموعة بحثية في مجالكم. فالتعلم من خلال قياس شيء حقيقي يرسخ أكثر من القراءة وحدها.
- [كيف أجد برنامج دكتوراه في الذكاء الاصطناعي الأخضر؟](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): لا تقتصروا على المشاريع الموسومة بـ"الذكاء الاصطناعي الأخضر": فبحوث الذكاء الاصطناعي الفعّال موجودة في علوم الحاسوب والرياضيات والهندسة الكهربائية والعلوم التطبيقية، وكثيرًا ما تأتي بأسماء مثل التعلم الآلي الفعّال أو الحوسبة المستدامة أو العتاد منخفض الاستهلاك. ابحثوا في برامج التدريب الدكتورالي وقوائم المشاريع، واقرؤوا الأوراق البحثية الحديثة لتجدوا المشرفين النشطين، واسألوا كيف ستُقاس الطاقة في العمل.
- [كيف أستخدم الذكاء الاصطناعي في دراستي دون إهدار الطاقة؟](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): استخدموا الذكاء الاصطناعي حيث يساعدكم على التعلّم، مثل شرح فكرة صعبة أو اختباركم أو إبداء الملاحظات على مسودة، واستخدموا ملاحظاتكم والكتب الدراسية والبحث في المكتبة للحقائق والمصادر. اطرحوا أسئلة مركّزة، والصقوا المقطع الذي تحتاجون إليه فقط، وتجنبوا إعادة التوليد أو توليد الصور للتسلية: فهذه العادات توفّر الطاقة وتساعد على التعلّم عادة أيضًا.
- [كيف أضع قواعد مدرسية لاستخدام مستدام للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): أضيفوا قسمًا بيئيًا قصيرًا إلى سياسة الذكاء الاصطناعي الحالية في مدرستكم بدلًا من كتابة سياسة منفصلة. حدّدوا متى يكون الذكاء الاصطناعي الأداة المناسبة، وفضّلوا النصوص القصيرة على توليد الصور والفيديو، واضبطوا إعدادات افتراضية خفيفة في حسابات المدرسة، وعلّموا التلاميذ الأسباب. وأبقوها إلى جانب قواعد حماية الطفل وحماية البيانات والتقييم، التي تظل لها الأولوية.
- [كيف أعلّم التلاميذ عن الأثر البيئي للذكاء الاصطناعي؟](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): ابدؤوا بفكرة أن كل إجابة من الذكاء الاصطناعي تعمل على حواسيب حقيقية تستهلك الكهرباء والمياه، ثم استخدموا بضعة أرقام موثوقة ونشاطًا عمليًا، مثل المقارنة بين توليد النص وتوليد الصور. اربطوا الموضوع بالحوسبة والعلوم والجغرافيا، وحافظوا على التوازن: فالهدف هو مساعدة التلاميذ على استخدام الذكاء الاصطناعي بتفكير، لا إشعارهم بالذنب لاستخدامه.
- [كيف أُدرج الذكاء الاصطناعي الأخضر في مقرر جامعي؟](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): أضيفوا محورًا قصيرًا وعمليًا بدلًا من مقرر جديد كامل: اشرحوا أين تذهب طاقة الذكاء الاصطناعي، واطلبوا من الطلاب قياس طاقة شيفرتهم أو عمليات تشغيل نماذجهم، واطلبوا منهم الإبلاغ عن الحوسبة والطاقة إلى جانب الدقة. وفي المقررات التقنية، علّموا الأساليب الفعّالة مثل النماذج الأصغر والتكميم وإعادة الاستخدام؛ وفي غيرها، ركّزوا على الاستخدام الرشيد وعلى تقييم الادعاءات.
