# كيف أحدد خط أساس لإثبات توفير الطاقة في الذكاء الاصطناعي؟

> أثبتوا توفيرًا حقيقيًا في طاقة الذكاء الاصطناعي: قيسوا قبل أي تغيير على الإعداد والحمل نفسيهما، وكرّروا الجولات، وأبلغوا لكل وحدة عمل، وتحققوا من بقاء الجودة.

Source: https://greenai.guide/ar/كيف/كيف-أحدد-خط-أساس-لإثبات-توفير-الطاقة-في-الذكاء-الاصطناعي/  
Updated: 2026-11-19

## باختصار

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.

## Steps

1. اختاروا وحدة وظيفية، مثل الطاقة لكل طلب أو لكل مستند.
2. قيسوا النظام الحالي عدة مرات على إعداد وحمل عمل ثابتين، بما في ذلك خط الأساس في وضع الخمول.
3. غيّروا شيئًا واحدًا في كل مرة وأعيدوا القياس في الظروف نفسها.
4. سجّلوا الجودة أو نجاح المهمة إلى جانب الطاقة لكل جولة.
5. لا تدّعوا إلا التوفير الذي يتجاوز التفاوت بين الجولات، وأبلغوا عن الإجماليات إلى جانب الأرقام لكل وحدة.

**لا يُحتسب التوفير إلا إن قستم قبل التغيير، وقستم بعده بالطريقة نفسها، وكان الفرق أكبر من التشويش.** فمن دون خط
أساس، يكون ادعاء الطاقة تخمينًا، وقد لا يصمد أمام التدقيق.

## ما الذي يجعل المقارنة عادلة؟ {#what-makes-a-fair-comparison}

- **الإعداد نفسه:** العتاد والمنطقة وإصدارات البرمجيات والإعدادات.
- **الحمل نفسه:** الطلبات أو المستندات أو بيانات التدريب نفسها، وبالحجم نفسه.
- **عدة جولات:** تتفاوت القراءات بحسب درجة الحرارة والعمليات الخلفية وتغيّر التردد. أبلغوا عن المتوسط والمدى.
- **الطاقة، لا السرعة فقط:** وجد عمل GreenCode Constitution على محرك الاستدلال llama.cpp خفضًا بنسبة 4.7% في طاقة
  وحدة معالجة الرسومات (GPU) مقابل مكسب في السرعة لم يتجاوز 3%. فالزمن والطاقة قد يرويان قصتين مختلفتين.
- **بقاء الجودة:** فالإجابة الأرخص التي تخطئ أكثر ليست توفيرًا.

## أي وحدة يستخدمها خط الأساس؟ {#which-unit-should-the-baseline-use}

استخدموا وحدة وظيفية، كما في مواصفة SCI من Green Software Foundation: لكل طلب، أو لكل مستند، أو لكل مهمة ناجحة. ثم
أبلغوا عن الإجمالي إلى جانبها، لأن الطاقة لكل مهمة قد تنخفض بينما ترتفع الطاقة الإجمالية مع نمو الاستخدام. راجعوا
[تتبّع طاقة الذكاء الاصطناعي لكل مهمة](/ar/كيف/كيف-أتتبع-طاقة-الذكاء-الاصطناعي-لكل-مهمة-بدل-الإجمالي-فقط/).

## أخطاء شائعة {#common-mistakes}

- **القياس مرة واحدة قبل التغيير وبعده.** فزوج واحد من القراءات قد يكون مجرد تشويش.
- **تغيير عدة أشياء دفعة واحدة،** فلا تعرفون ما الذي أفاد.
- **تحريك خط الأساس،** مثل مقارنة نموذج صغير جديد بنموذج كبير قديم عند حجم استخدام مختلف.
- **احتساب انخفاض الكربون الناتج فقط عن شبكة أنظف** على أنه كفاءة.

قبل أن تنشروا أي توفير، تحققوا منه مقابل [الادعاءات الخضراء الصادقة](/ar/الممارسات-الجيدة/ادعاءات-بيئية-صادقة-عن-الذكاء-الاصطناعي/).

## المصادر

- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
