باختصار
توليد كل إجابة أو سطر شيفرة أو صورة من الصفر بنموذج كبير هو أغلى طريقة لاستخدام الذكاء الاصطناعي. أما التنسيق فيستخدم الذكاء الاصطناعي للتخطيط والاختيار، ثم يجمع النتيجة من مكوّنات مُختبَرة ويوجّه كل خطوة إلى أرخص نموذج قادر على إنجازها. فأرخص رمز (token) هو الذي لا تولّدونه أبدًا.
النقاط الرئيسية
- التوليد هو الخطوة المكلفة في الذكاء الاصطناعي التوليدي؛ واختيار المكوّنات الموجودة والمُختبَرة وإعادة استخدامها أرخص بكثير.
- التوجيه يرسل كل طلب إلى أصغر نموذج قادر على معالجته، وأدوات التوجيه المنشورة تخفّض التكلفة كثيرًا مع خسارة طفيفة في الجودة.
- الاسترجاع لا يقدّم إلا الجزء ذا الصلة من مستند أو قاعدة شيفرة، فيقرأ النموذج رموزًا أقل.
- إعادة استخدام المكوّنات المُراجَعة تفيد أيضًا الأمن والصيانة: فإصلاح واحد يصل إلى كل موضع يُستخدم فيه المكوّن.
- للتوجيه محذور: فالنموذج الأصغر من اللازم قد يفشل ويفرض إعادة محاولة مكلفة على نموذج كبير.
تسأل معظم النقاشات حول البصمة البيئية للذكاء الاصطناعي (AI) عن كيفية جعل التوليد أرخص: نماذج أصغر، ورقائق أسرع، وطاقة أنظف. وهناك سؤال مختلف: ما مقدار التوليد المطلوب أصلًا؟ يجيب التنسيق عن هذا السؤال بمعاملة التوليد بوصفه الملاذ الأخير لا الخيار الافتراضي.
ماذا يعني "التنسيق بدل التوليد"؟
يعني استخدام الذكاء الاصطناعي لتخطيط المهمة واختيار الأجزاء، ثم بناء النتيجة في معظمها من أشياء موجودة بالفعل وجرى التحقق منها. ولا يُطلب من نموذج كبير توليد شيء جديد إلا حين لا يوجد ما يناسب.
جزء كبير مما يطلبه الناس من الذكاء الاصطناعي التوليدي ليس جديدًا. فالبرمجيات مليئة بالأنماط نفسها: شاشات تسجيل الدخول، ورفع الملفات، والتعامل مع التواريخ، والتحقق من صحة البيانات. والعقود تعيد استخدام بنود معيارية. والتقارير تعيد استخدام أقسام معيارية. وتوليد كل منها من جديد في كل مرة يكرّر تكلفة الطاقة، وينتج نسخًا مختلفة قليلًا تحتاج كل منها إلى مراجعة.
يعمل النظام المنسَّق على نحو أقرب إلى فريق هندسي حسن الإدارة:
- يحدد المخطِّط ما تحتاج إليه المهمة.
- يعثر مصنِّف رخيص أو بحث على مكوّن موجود ومُختبَر يناسبها.
- لا تُولَّد إلا الأجزاء الجديدة فعلًا، بأصغر نموذج قادر على إنجازها.
- تُختبَر الأجزاء المولَّدة حديثًا وتُضاف إلى المكتبة، ليتمكن الطلب التالي من إعادة استخدامها.
تتصرف المكتبة مثل ذاكرة تخزين مؤقت. وقد ناقشت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عُقدت عام 2026، وجمعت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، هذا النمط تحت عنوان "أرخص رمز (token) هو الذي لا تولّده أبدًا"، والرمز هو وحدة النص التي يقرؤها النموذج أو يكتبها.
لماذا توفّر إعادة الاستخدام الطاقة؟
لأن استرجاع مكوّن وتكييفه يكلّف جزءًا ضئيلًا من تكلفة توليده، ولأن المكوّنات المُختبَرة تحتاج إلى إعادة عمل أقل. فالتوليد هو حيث تُنفَق الرموز، ومن ثَمّ معظم طاقة الاستدلال (inference).
وتكلفة الطاقة للمخرجات التي يكتبها الذكاء الاصطناعي ليست هيّنة. فقد قارنت دراسة من King's College London (Cheung وزملاؤه، 2025)، وهي ورقة لأحد الشركاء في مشروع GreenCode، بين حل مهام برمجية يدويًا وحلّها بمساعد ذكاء اصطناعي. وفي المتوسط على هذه المهام، وهي مسائل من مسابقات برمجة، بلغت البصمة الكربونية لتوليد الشيفرة بمساعدة الذكاء الاصطناعي 32.72 ضعف بصمة النهج اليدوي، واتسعت الفجوة كلما ازدادت المهام تعقيدًا. وإعادة الاستخدام تستهدف هذه التكلفة بالضبط.
وهناك فوائد تتجاوز الطاقة:
- الجودة. المكوّن المُراجَع اختُبر مرة واحدة ويمكن الوثوق به مرات كثيرة.
- الأمن. إذا تبيّن أن في المكوّن خللًا، فأنتم تعرفون كل موضع يُستخدم فيه، وإصلاح واحد يصل إليها جميعًا.
- الصيانة. قاعدة الشيفرة المبنية من أجزاء مشتركة أصغر وأسهل فهمًا من قاعدة مليئة بنسخ شبه مكررة.
ما هو توجيه النماذج؟
التوجيه يرسل كل طلب إلى النموذج الأنسب له، وهو عادةً أصغر نموذج يُرجَّح أن يجيب جيدًا. فالطلبات البسيطة تذهب إلى نماذج صغيرة ورخيصة، والصعبة تُصعَّد.
تُظهر الأبحاث المنشورة الإمكانات:
- FrugalGPT (Chen وZaharia وZou، 2023) ربط النماذج في سلسلة من الرخيص إلى المكلف، متوقفًا حين تُعدّ الإجابة جيدة بما يكفي، وأفاد بمضاهاة أداء GPT-4 بتكلفة أقل بنسبة تصل إلى 98%.
- RouteLLM (Ong وزملاؤه، 2024) درّب أدوات توجيه على بيانات تفضيلات بشرية لتقرّر متى يحتاج الطلب إلى نموذج قوي، وأفاد بخفض التكاليف إلى أكثر من النصف في بعض الحالات دون خسارة في الجودة.
- Hybrid LLM (Ding وزملاؤه، 2024) وجّه الاستعلامات بين نموذج صغير وآخر كبير وفق الصعوبة المتوقعة، فقلّل الاستدعاءات للنموذج الكبير بنسبة تصل إلى 40% دون تراجع في جودة الإجابات.
تقيس هذه الدراسات التكلفة لا الطاقة مباشرة، لكن مع المزوّد نفسه والعتاد نفسه، يعني عدد أقل من الرموز على النماذج الكبيرة طاقة أقل عمومًا. راجعوا اختيار النموذج المناسب.
ما هو الاسترجاع، ولماذا يفيد؟
الاسترجاع يبحث عن المعلومات ذات الصلة ولا يقدّم للنموذج سواها، بدل أن يجعله يقرأ كل شيء أو يستحضره. والتوليد المعزَّز بالاسترجاع (RAG)، الذي قدّمه Lewis وزملاؤه عام 2020، يجمع خطوة بحث مع مولِّد.
ومن ناحية الطاقة، المسألة هي عدد الرموز. فتمرير مستندات أو قواعد شيفرة كاملة عبر نافذة سياق النموذج يكلّف طاقة في كل طلب. ويستخدم GreenCode، وهو مشروع بحثي أوروبي (ITEA) في البرمجيات الموفّرة للطاقة، الاسترجاعَ من فهرس لقاعدة الشيفرة بحيث "يعكس عدد الرموز المهمة لا المستودع"، إلى جانب نماذج صغيرة مضبوطة بدقة (fine-tuned) والتوجيه إلى أصغر مكوّن قادر.
ماذا يُظهر عمل GreenCode؟
أن تكلفة استخدام الذكاء الاصطناعي يجب أن تُحتسب، وأن طريقة عمل الوكيل لا تقل أهمية عن النموذج الذي يستخدمه. وتوضح ذلك ورقتان لشركاء في المشروع:
- EnergyBench (Ionescu وJensen وThomsen، 2025) يقيّم الشيفرة المولَّدة بالذكاء الاصطناعي من حيث صحتها والطاقة التي تستهلكها عند تشغيلها. ووجد أن صياغة الموجّه (prompt) يمكن أن تحسّن كفاءة الطاقة في الشيفرة المولَّدة بنسبة تصل إلى 91.9% في بعض الحالات، لكن كثيرًا ما يكون ذلك على حساب الدقة. فطلب شيفرة خضراء في الموجّه ليس حلًا موثوقًا بمفرده.
- دستور GreenCode (GreenCode Constitution) (Kapenekakis وزملاؤه، 2026) أعطى وكيل برمجة مبادئ مكتوبة، أولها الصحة، ثم 37 نمطًا مضادًا يهدر الطاقة، وجعله يقيس الطاقة قبل كل تغيير وبعده. وعلى llama.cpp، وهو محرّك استدلال مضبوط أصلًا بدرجة عالية، خفّض طاقة GPU بنسبة 4.7%. وفاق توفير الطاقة مكسب السرعة، ما يذكّر بأن الأسرع ليس دائمًا الأكثر اخضرارًا، ولذلك يجب قياس الطاقة مباشرة.
ويطبّق مسار العمل الخاص بـGreenCode مبدأ التنسيق: فهو يفضّل النماذج الصغيرة المخصصة لمهام بعينها، والاسترجاع، والتوجيه، ويُجري تقييمًا مسبقًا حتى لا تُشغَّل مهمة لن تُسترد تكلفة استدلالها.
ما الذي قد يسوء؟
التوجيه وإعادة الاستخدام لا يوفّران الطاقة إلا إذا أحسنا الاختيار. المخاطر الرئيسية:
- التصغير المفرط. قد يفشل النموذج الأصغر من اللازم، وتكلّف إعادة المحاولة على نموذج أكبر أكثر من الذهاب إليه مباشرة. وفي الأنظمة الوكيلة، حيث يمكن لفشل واحد أن يُخرج كثيرًا من الخطوات اللاحقة عن مسارها، يزداد ذلك أهمية. وتحديد العتبة مشكلة تصميم حقيقية.
- المكتبات المتقادمة. تحتاج المكوّنات إلى مسؤولين واختبارات وتحديثات، وإلا نشرت إعادة الاستخدام الأخطاء القديمة.
- التكاليف الخفية. المصنِّف والفهرس وخطوة الاسترجاع كلها تستهلك طاقة. وهي في العادة أرخص بكثير من التوليد، لكن ينبغي قياسها أيضًا.
- الارتداد. الذكاء الاصطناعي الأرخص يستدعي مزيدًا من الذكاء الاصطناعي. راجعوا الكفاءة ليست كفاية.
ماذا تفعلون بعد ذلك
- قبل التوليد، ابحثوا: هل يوجد بالفعل مكوّن أو قالب أو إجابة سابقة مُختبَرة؟
- وجّهوا الطلبات حسب صعوبتها؛ استخدموا نموذجًا صغيرًا افتراضيًا وصعّدوا عند الحاجة. راجعوا استخدام الذكاء الاصطناعي بكفاءة.
- استخدموا الاسترجاع لإبقاء الموجّهات قصيرة، بدل لصق مستندات كاملة.
- احتفظوا بمكتبة من المخرجات المُراجَعة، مع اختبارات ومسؤول عنها، وأضيفوا إليها أولًا بأول.
- قيسوا الطاقة أو الرموز لكل مهمة مكتملة، بما في ذلك إعادة المحاولات، لا لكل طلب.
- اقرؤوا الذكاء الاصطناعي الوكيل وهدر الرموز إذا كنتم تشغّلون وكلاء متعددي الخطوات.
الأسئلة المتكررة
ما هو التنسيق في الذكاء الاصطناعي؟
تنسيق عدة نماذج وأدوات ومكوّنات مخزّنة لإنجاز مهمة، بدل أن يُطلب من نموذج كبير واحد توليد الإجابة كاملة. يقرّر المخطِّط ما المطلوب، وتنجز الأجزاء الأرخص معظم العمل.
ما هو توجيه النماذج؟
إرسال كل طلب إلى النموذج الأنسب له، وهو عادةً أصغر نموذج وأرخصه يُرجَّح أن يجيب جيدًا، والتصعيد إلى نموذج أكبر فقط عند الحاجة.
هل يقلّل التوجيه الجودة؟
تفيد أنظمة التوجيه المنشورة بتوفير كبير في التكلفة مع الحفاظ على معظم جودة النموذج الأقوى، لكن النتيجة تتوقف على المهمة وعلى مدى إحسان أداة التوجيه في تقدير الصعوبة.
المصادر
- FrugalGPT: how to use large language models while reducing cost and improving performance, Chen, Zaharia and Zou, Transactions on Machine Learning Research (2023)
- RouteLLM: learning to route LLMs with preference data, Ong et al., ICLR 2025 (2024)
- Hybrid LLM: cost-efficient and quality-aware query routing, Ding et al., ICLR (2024)
- Retrieval-augmented generation for knowledge-intensive NLP tasks, Lewis et al., NeurIPS (2020)
- Green optimised generative AI, GreenCode (2026)
- Green AI and energy-aware computing, GreenCode (2026)
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- EnergyBench: holistic benchmark for correct and energy-efficient LLM-generated code, Ionescu, Jensen and Thomsen, FLTA 2025 (2025)
- GreenCode Constitution: agent principles for optimizing code and LLM inference energy use, Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
ذو صلة
اختاروا النموذج المناسب للمهمة
كيف تختارون ذكاءً اصطناعيًا بالحجم المناسب: متى تستخدمون نماذج صغيرة أو متخصصة، ومتى يستحق نموذج متقدم كلفته، وكيف يعمل التوجيه، ومتى لا تستخدمون الذكاء الاصطناعي.
استخدموا الذكاء الاصطناعي بكفاءة: عادات يومية
عادات يومية تخفض طاقة استخدام الذكاء الاصطناعي: طلبات واضحة، وإعادة توليد أقل، وحذر مع الصور والفيديو، وتخزين مؤقت، وتعطيل الإعدادات الافتراضية.
الذكاء الاصطناعي الوكيلي وهدر الرموز
لماذا قد يستهلك وكلاء الذكاء الاصطناعي أضعاف رموز المحادثة وطاقتها، وكيف تهدرها الحلقات، وما الضوابط التي تُبقي الوكلاء بالحجم المناسب.
الرياضيات التي تجعل الذكاء الاصطناعي أكثر كفاءة
التقليم والتناثر والرسم العشوائي ونظرية المصفوفات العشوائية والنماذج المستنيرة بالفيزياء: كيف تقلّص الرياضيات الحوسبة والذاكرة والطاقة التي يحتاج إليها الذكاء الاصطناعي.