# كيف أقيس الطاقة التي يستهلكها الذكاء الاصطناعي على حاسوبي أو وحدة معالجة الرسومات لديّ؟

> قيسوا طاقة الذكاء الاصطناعي المحلي بعدّادات العتاد أو بيانات قياس GPU أو مقياس يوصل بالمقبس، وخذوا عينات طوال المهمة واطرحوا خط الأساس في وضع الخمول.

Source: https://greenai.guide/ar/كيف/كيف-أقيس-الطاقة-التي-يستهلكها-الذكاء-الاصطناعي-على-حاسوبي-أو-وحدة/  
Updated: 2026-11-19

## باختصار

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.

## Steps

1. قيسوا قدرة الجهاز في وضع الخمول قبل أن تبدؤوا.
2. شغّلوا مهمة الذكاء الاصطناعي مع تسجيل CodeCarbon أو أداة قائمة على العدّادات أو مقبس ذكي للقياس طوال الوقت.
3. خذوا عينات من قدرة وحدة معالجة الرسومات طوال المهمة واجمعوها عبر الزمن.
4. كرّروا التشغيل عدة مرات وأبلغوا عن المتوسط والمدى.
5. قارنوا مقياسًا برمجيًا بمقياس المقبس الجداري مرة واحدة لكل جهاز.

**العتاد الذي تملكونه يمكن قياسه، وهذا أفضل من أي تقدير.** إنها أفضل طريقة لمعرفة ما يستهلكه فعلًا نموذج محلي، أو
جولة ضبط دقيق، أو أداة برمجة بالذكاء الاصطناعي على جهازكم.

## أي الأدوات يمكنني استخدامها؟ {#which-tools-can-i-use}

| الخيار | ما يقرؤه | يناسب |
|---|---|---|
| مقبس ذكي للقياس | الجهاز كله عند المقبس الجداري | الجميع؛ ويتحقق من الأدوات الأخرى |
| CodeCarbon | قدرة المعالج ووحدة معالجة الرسومات والذاكرة، إضافة إلى كربون الشبكة | نصوص Python والتدريب والاستدلال المحلي |
| عدّادات المعالج (RAPL في كثير من شرائح Intel وAMD) | طاقة المعالج المركزي والذاكرة | أدوات Linux مثل `perf` وScaphandre وPowerJoular |
| بيانات قياس وحدة معالجة الرسومات (`nvidia-smi` وNVML) | قدرة وحدة معالجة الرسومات | تدريب النماذج والاستدلال على بطاقات NVIDIA |

## لماذا آخذ عينات عبر الزمن؟ {#why-sample-over-time}

قراءات وحدة معالجة الرسومات تؤخذ على شكل عينات، لا بصورة متصلة. وجد Yang وزملاؤه أن `nvidia-smi` على وحدات A100
وH100 لا يأخذ عينات القدرة إلا من نحو 25% من زمن التشغيل، وهو ما قد يضلّل كثيرًا في المهام القصيرة. سجّلوا القراءات
طوال المهمة، وشغّلوها مدة كافية لتغطية فترات عيّنات كثيرة، واجمعوها عبر الزمن.

## أخطاء شائعة {#common-mistakes}

- **نسيان خط الأساس في وضع الخمول.** يستهلك الحاسوب المكتبي طاقة وهو لا يفعل شيئًا؛ اطرحوها لتروا ما يضيفه الذكاء
  الاصطناعي.
- **القياس مرة واحدة.** فدرجة الحرارة والمهام الخلفية وتغيّر التردد تغيّر القراءات. كرّروا وقدّموا مدى.
- **مقارنة السرعة وحدها.** كثيرًا ما تجتمع السرعة الأعلى والطاقة الأقل، لكن ليس دائمًا. أبلغوا عن الاثنين.

لتحويل الطاقة إلى كربون، راجعوا [العثور على بيانات كثافة الكربون في الشبكة](/ar/كيف/كيف-أعرف-كثافة-الكربون-في-شبكة-الكهرباء-التي-أستخدمها/).
والمنهجية الكاملة موجودة في [كيف تقيسون طاقة الذكاء الاصطناعي](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/).

## المصادر

- [Part-time power measurements: nvidia-smi's lack of attention](https://arxiv.org/abs/2312.02741), Yang et al. (arXiv 2312.02741) (2023)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [When to use CodeCarbon](https://docs.codecarbon.io/latest/explanation/when-to-use/), CodeCarbon (2025)
