# كيف أقارن استهلاك الطاقة بين نماذج الذكاء الاصطناعي المختلفة؟

> كيف تقارنون نماذج الذكاء الاصطناعي من حيث الطاقة بإنصاف: استخدموا معايير مثل AI Energy Score، أو قيسوها بأنفسكم على المهمة والعتاد والإعدادات نفسها.

Source: https://greenai.guide/ar/كيف/كيف-أقارن-استهلاك-الطاقة-بين-نماذج-الذكاء-الاصطناعي-المختلفة/  
Updated: 2026-11-19

## باختصار

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.

## Steps

1. تحققوا إن كان للنماذج المرشحة تصنيف AI Energy Score لمهمتكم.
2. للنماذج التي لا تملك تصنيفًا، شغّلوا المعيار نفسه على كل منها، على وحدة GPU نفسها وبالإعدادات نفسها.
3. استخدموا مجموعة ثابتة من الطلبات الحقيقية بأطوال إدخال وإخراج واقعية.
4. سجّلوا الطاقة لكل طلب والجودة لكل نموذج، مقيسةً بالطريقة نفسها.
5. قارنوا الكلفة لكل مهمة ناجحة، بما في ذلك إعادة المحاولات.

**قارنوا المتماثل بالمتماثل: المهمة نفسها، والعتاد نفسه، والإعدادات نفسها، والقياس نفسه.** فالأرقام المنشورة من
مزوّدين مختلفين تستخدم منهجيات وحدودًا مختلفة، لذا نادرًا ما تكون المقارنة بينها منصفة.

## هل توجد مقارنة جاهزة؟ {#is-there-a-ready-made-comparison}

**بالنسبة إلى كثير من النماذج المفتوحة، نعم.** يقيس AI Energy Score لدى Hugging Face طاقة GPU لكل 1,000 استعلام في
عشر مهام شائعة، ويمنح من نجمة إلى خمس نجوم مقارنة بالنماذج الأخرى في المهمة نفسها. كما يوفّر طريقة لاختبار النماذج
الخاصة بالمنهجية نفسها. ابدؤوا من هناك.

## كيف أقيس النماذج بنفسي؟ {#how-do-i-measure-models-myself}

- **النماذج التي تشغّلونها:** غلّفوا كل تشغيل بأداة مثل CodeCarbon، التي تقدّر الطاقة من قدرة المعالج والذاكرة.
- **واجهات API المستضافة:** قدّروا الطاقة من أعداد الرموز (tokens) بأداة مثل EcoLogits، ووسموا النتيجة بأنها تقدير.
- **ثبّتوا كل ما عدا ذلك:** الطلبات، وحجم الدفعة، وطول الإدخال والإخراج، والعتاد، والمنطقة.
- **كرّروا التشغيلات** وأبلغوا عن نطاق، لا عن رقم واحد.

وقد تكون الفروق كبيرة. ففي مقارنة Luccioni وJernite وStrubell، كانت النماذج التوليدية متعددة الأغراض أغلى بمراتب عشرية
من الأنظمة المتخصصة للمهام نفسها.

## أخطاء شائعة {#common-mistakes}

- **المقارنة لكل استدعاء بدلًا من لكل نجاح.** احسبوا إعادة المحاولات والإخفاقات.
- **تجاهل طول الإخراج.** فالنموذج الذي يكتب ضعف الكمية قد يكلّف الضعف، أيًّا كان حجمه.
- **خلط الأرقام المقدّرة بالأرقام المقيسة** في الجدول نفسه دون الإشارة إلى ذلك.

للاطلاع على المنهجية كاملة، انظروا [كيف تقيسون طاقة الذكاء الاصطناعي](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/)، ولقراءة التصنيفات،
انظروا [كيف تقرؤون تصنيف AI Energy Score](/ar/كيف/كيف-أفهم-تقييم-ai-energy-score-لنموذج-ذكاء-اصطناعي/).

## المصادر

- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [EcoLogits documentation](https://ecologits.ai/latest/), EcoLogits (2025)
