# كيف أحسب الكربون المتجسد في عتاد الذكاء الاصطناعي؟

> أدرجوا انبعاثات تصنيع رقائق الذكاء الاصطناعي وخوادمه: وزّعوا حصة بحسب مدة الاستخدام، واطلبوا البيانات من المورّدين، وأبقوا العتاد في الخدمة مدة أطول.

Source: https://greenai.guide/ar/كيف/كيف-أحسب-الكربون-المتجسد-في-عتاد-الذكاء-الاصطناعي/  
Updated: 2026-11-19

## باختصار

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.

## Steps

1. اطلبوا من مورّد العتاد أو الخدمة السحابية بيانات الانبعاثات المتجسدة للمعدات التي تستخدمونها.
2. خصّصوا حصة لعملكم في الذكاء الاصطناعي بحسب الوقت والجزء الذي يستخدمه من العتاد.
3. أضيفوا هذه الحصة إلى انبعاثاتكم التشغيلية، ووضّحوا ما الذي أدرجتموه.
4. صرّحوا بالافتراضات، ومنها العمر المتوقع للعتاد.
5. أطيلوا عمر العتاد حيث تملكون القرار، حتى تغطي الانبعاثات المتجسدة قدرًا أكبر من العمل المفيد.

**احسبوا العتاد إلى جانب الكهرباء، لأنه كلما أصبحت الشبكة أنظف، كبرت حصة التصنيع.** أفاد Wu وزملاؤه في Meta
عام 2022 بأن الكربون المتجسد شكّل نحو 30% من بصمة التعلم الآلي واسع النطاق في Meta، ورأوا أنه في طريقه إلى أن
يصبح المصدر الغالب مع ازدياد نظافة الطاقة التشغيلية.

## كيف أوزّعه؟ {#how-do-i-allocate-it}

تُدرج مواصفة SCI الصادرة عن Green Software Foundation الانبعاثات المتجسدة بوصفها الحد M. وإليكم طريقة بسيطة:

1. خذوا إجمالي الانبعاثات المتجسدة للجهاز من الشركة المصنّعة أو المورّد.
2. اقسموه على العمر المتوقع للجهاز للحصول على الانبعاثات في السنة أو في الساعة.
3. اضربوا الناتج في المدة التي حجز فيها عملكم الجهاز، وفي حصة الجهاز التي استخدمتموها.

في الخدمات السحابية لا يمكنكم رؤية العتاد، لذا اسألوا المزوّد إن كانت تقارير الكربون لديه تشمل التصنيع (النطاق 3)
وكيف يُوزَّع. انظروا [بيانات الكربون لدى مزوّدكم السحابي](/ar/كيف/كيف-أجد-بيانات-الكربون-لدى-مزوّد-خدمتي-السحابية/).

## وماذا عن النفايات الإلكترونية؟ {#what-about-e-waste}

قدّر Wang وزملاؤه عام 2024 أن النماذج اللغوية الكبيرة قد تولّد ما بين 1.2 و5.0 مليون طن من النفايات الإلكترونية
إجمالًا بين 2020 و2030، تبعًا لسرعة نمو استخدامها، وأن إعادة الاستخدام وإعادة التدوير قد تخفّضان ذلك تخفيضًا كبيرًا.

## أخطاء شائعة {#common-mistakes}

- **إغفال الكربون المتجسد دون الإشارة إلى ذلك.** اذكروه في بيان الحدود في الحالتين.
- **افتراض عمر قصير تلقائيًا.** فاستبدال المعدات مبكرًا يرفع الحصة السنوية.
- **شراء عتاد جديد من أجل مكسب صغير في الكفاءة** دون التحقق من كلفة التصنيع التي يضيفها.

انظروا [كيف تقيسون طاقة الذكاء الاصطناعي](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/) لمعرفة المزيد عن الحدود.

## المصادر

- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang et al., Nature Computational Science (2024)
- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
