# كيف أقلل الطاقة المستهلكة في تدريب نموذج ذكاء اصطناعي؟

> الروافع الرئيسية لخفض طاقة التدريب: ابدؤوا بنموذج مدرّب مسبقًا، واختاروا الحجم المناسب، واستخدموا الدقة المختلطة، وتوقفوا مبكرًا، واختاروا أماكن وأوقاتًا نظيفة، وقيسوا.

Source: https://greenai.guide/ar/كيف/كيف-أقلل-الطاقة-المستهلكة-في-تدريب-نموذج-ذكاء-اصطناعي/  
Updated: 2026-11-19

## باختصار

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.

## Steps

1. تحققوا إن كان يمكن ضبط نموذج مدرّب مسبقًا ضبطًا دقيقًا بدلًا من التدريب من الصفر.
2. جرّبوا الأفكار على نطاق صغير قبل إطلاق جولة كاملة.
3. درّبوا بالدقة المختلطة وتوقفوا مبكرًا حين يتوقف التحسن في التحقق.
4. شغّلوا التدريب على مسرّعات فعّالة في منطقة منخفضة الكربون، وجدولوا الجولات المرنة في ساعات أنظف.
5. احفظوا نقاط التحقق حتى يمكن إيقاف الجولات واستئنافها وتجنّب البدء من جديد.
6. تتبّعوا الطاقة والانبعاثات لكل جولة، بما فيها الجولات الفاشلة.

**تتحدد طاقة التدريب في معظمها بقرارات تُتخذ قبل بدء الجولة.** فما الذي تدرّبونه، وعلى أي عتاد، وأين ومتى، أهم من أي
تعديل أثناء الجولة.

## لماذا يهم ذلك؟ {#why-does-it-matter}

قاست ورقة Strubell وGanesh وMcCallum لعام 2019 الكلفة المالية والبيئية لتدريب النماذج اللغوية واقترحت طرقًا لخفضها.
ثم وجد Patterson وزملاؤه أن اختيار بنية النموذج ومركز البيانات والمعالج يمكن أن يخفض البصمة الكربونية للتدريب بما
يصل إلى نحو 100 إلى 1,000 ضعف.

## ما الذي يُحدث الفرق الأكبر؟ {#what-makes-the-biggest-difference}

1. **عدم التدريب من الصفر.** فالضبط الدقيق لنموذج مدرّب مسبقًا، أو لمحوِّل (adapter) مضاف إليه، يكلّف عادةً جزءًا
   ضئيلًا من التدريب المسبق. راجعوا [كيف تتجنبون التدريب من الصفر](/ar/كيف/كيف-أتجنب-تدريب-نموذج-من-الصفر/).
2. **اختيار الحجم المناسب.** فبنية أصغر تبلغ المستوى المطلوب أفضل من بنية كبيرة تتجاوزه.
3. **الدقة المختلطة.** التدريب بنصف الدقة مع نسخة رئيسية كاملة الدقة خفّض استخدام الذاكرة إلى النصف تقريبًا في عمل
   Micikevicius وزملائه، فأتاح وضع دفعات أكبر على العتاد نفسه.
4. **الإيقاف المبكر.** أنهوا الجولات حين تستقر خسارة التحقق.
5. **المكان والزمان.** اختاروا مسرّعات فعّالة ومنطقة منخفضة الكربون، وشغّلوا المهام المرنة حين تكون الشبكة أنظف:
   راجعوا [كيف تجدولون التدريب](/ar/كيف/كيف-أجدول-تدريب-النماذج-في-الأوقات-التي-تكون-فيها-شبكة-الكهرباء-أنظف/).

## أخطاء شائعة {#common-mistakes}

- **حساب الجولة النهائية فقط.** فجولات الضبط والجولات الفاشلة كثيرًا ما تكلّف أكثر؛ راجعوا
  [كيف تخفضون طاقة عمليات البحث عن المعاملات الفائقة](/ar/كيف/كيف-أقلل-الطاقة-المستهلكة-في-البحث-عن-المعاملات-الفائقة/).
- **عدم حفظ نقاط التحقق**، فيعني أي انقطاع البدء من جديد.
- **غياب القياس.** ضعوا أداة تتبّع مثل CodeCarbon في نص التدريب البرمجي.

للاطلاع على مجموعة الأدوات الكاملة، اقرؤوا [التدريب والاستدلال الفعّالان](/ar/الممارسات-الجيدة/تدريب-الذكاء-الاصطناعي-واستدلاله-بكفاءة/).

## المصادر

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Mixed Precision Training](https://arxiv.org/abs/1710.03740), Micikevicius et al. (arXiv 1710.03740) (2017)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
