greenai.guide

الرئيسية › مقالات › الذكاء الاصطناعي الأخضر مقابل الذكاء الاصطناعي من أجل البيئة: ما الفرق؟

مقالة

الذكاء الاصطناعي الأخضر مقابل الذكاء الاصطناعي من أجل البيئة: ما الفرق؟

تاريخ التحديث · مدة القراءة: 7 دقيقة

باختصار

يعني الذكاء الاصطناعي الأخضر، بمعناه الضيق، خفض البصمة البيئية للذكاء الاصطناعي (AI) نفسه: طاقته وانبعاثاته الكربونية ومياهه وعتاده. أما الذكاء الاصطناعي من أجل البيئة فيعني استخدام الذكاء الاصطناعي لدعم العمل المناخي والبيئي، من التنبؤ بإنتاج الطاقة المتجددة واكتشاف تسربات الميثان إلى الإنذار بالفيضانات والتنبؤات الجوية. والاثنان متلازمان، لأن مشروع الذكاء الاصطناعي من أجل المناخ لا يفيد إلا إذا وفّر أكثر مما يكلّف.

النقاط الرئيسية

  • يخفّض الذكاء الاصطناعي الأخضر بصمة الذكاء الاصطناعي نفسه؛ ويستخدم الذكاء الاصطناعي من أجل البيئة الذكاءَ الاصطناعي لخفض الانبعاثات في مجالات أخرى أو لمساعدة الناس على التكيّف مع تغيّر المناخ.
  • يشمل الذكاء الاصطناعي من أجل البيئة التخفيف (خفض الانبعاثات) والتكيّف والقدرة على الصمود (التعامل مع آثار المناخ المتغيّر).
  • تقدّر الوكالة الدولية للطاقة أن الاستخدام الواسع لحلول قائمة يقودها الذكاء الاصطناعي قد يخفّض الانبعاثات بما يعادل نحو 5% من الانبعاثات المرتبطة بالطاقة في 2035، لكنها تقول إن ذلك غير مضمون.
  • ينبغي لمشروع الذكاء الاصطناعي من أجل البيئة أن يحتسب بصمته الخاصة ويقارنها بالانبعاثات أو الأضرار التي يتجنبها، مع نطاق صادق لعدم اليقين.
  • تطبّق مشاريع الذكاء الاصطناعي من أجل البيئة الجيدة مبادئ الذكاء الاصطناعي الأخضر: أصغر نموذج يؤدي الغرض، وقياس استهلاك الطاقة، والانتباه إلى تأثيرات الارتداد.

عبارتان تكادان تتطابقان في اللفظ تصفان عملًا مختلفًا تمامًا. فـ«الذكاء الاصطناعي الأخضر» يتعلق بتكلفة الذكاء الاصطناعي (AI) على الكوكب. و«الذكاء الاصطناعي من أجل البيئة» يتعلق بما يمكن أن يقدّمه الذكاء الاصطناعي للكوكب. تشرح هذه المقالة الفرق، وتعرض أمثلة حقيقية على كل منهما، وتبيّن لماذا تحتاج أفضل المشاريع إليهما معًا.

ما الفرق بين الذكاء الاصطناعي الأخضر والذكاء الاصطناعي من أجل البيئة؟

يخفّض الذكاء الاصطناعي الأخضر البصمة البيئية للذكاء الاصطناعي نفسه؛ ويستخدم الذكاء الاصطناعي من أجل البيئة الذكاءَ الاصطناعي لدعم العمل المناخي والبيئي. الأول ينظر إلى الداخل، إلى نظام الذكاء الاصطناعي، والثاني إلى الخارج، إلى المشكلة التي يُطبَّق عليها.

  • الذكاء الاصطناعي الأخضر، بالمعنى الضيق الذي يقصده معظم الناس، يتعلق بالطاقة والكربون والمياه والعتاد التي يستهلكها الذكاء الاصطناعي. ويشمل نماذج وشيفرات أكفأ، وقياس استهلاك الطاقة، والتشغيل بطاقة أنظف، وإبقاء العتاد في الخدمة مدة أطول، والكفاية: استخدام الذكاء الاصطناعي، أو نموذج كبير، فقط حيث يستحق ذلك.
  • الذكاء الاصطناعي من أجل البيئة يطبّق الذكاء الاصطناعي على المشكلات البيئية. ويشمل خفض الانبعاثات ومساعدة الناس والطبيعة على التعامل مع المناخ المتغيّر.

في هذا الموقع، تستخدم صفحة ما الذكاء الاصطناعي الأخضر؟ مصطلح «الذكاء الاصطناعي الأخضر» مظلةً للفكرتين معًا، وتسمّي المعنى الضيق «ذكاءً اصطناعيًا أكثر اخضرارًا». والتمييز واحد: أيًّا كانت الكلمات التي تستخدمونها، من المفيد أن توضّحوا أيهما تقصدون.

ماذا يشمل الذكاء الاصطناعي من أجل البيئة؟

نوعين واسعين من العمل المناخي: التخفيف، الذي يخفّض الانبعاثات، والتكيّف والقدرة على الصمود، اللذين يقلّلان الضرر الذي يسببه المناخ المتغيّر. رسمت ورقة Rolnick وزملائه لعام 2019 بعنوان Tackling climate change with machine learning خريطةً للنوعين، من الشبكات الذكية إلى إدارة الكوارث. وتنشرها Climate Change AI، وهي منظمة غير ربحية يديرها متطوعون تأسست عام 2019، وتنظّم الآن ورش عمل ومدرسة صيفية ومنحًا للابتكار في هذا المجال.

التخفيف: خفض الانبعاثات

  • شبكات الكهرباء: التنبؤ بإنتاج الرياح والطاقة الشمسية وبالطلب، كي تتمكن الشبكات من موازنة العرض بقدر أقل من الاحتياطي الأحفوري.
  • اكتشاف الميثان والانبعاثات: يستخدم نظام الإنذار والاستجابة للميثان (MARS) التابع لبرنامج الأمم المتحدة للبيئة، الذي أُطلق عام 2023، بيانات الأقمار الصناعية، مقرونةً بالخبرة العلمية والذكاء الاصطناعي، لإرسال تنبيهات مجانية بشأن الانبعاثات الكبيرة للميثان. وتُفيد الوكالة الدولية للطاقة بأن نحو 12% فقط من الإشعارات تلقّت ردًا في 2025، وهو تذكير بأن الاكتشاف لا يفيد إلا إذا تصرّف أحد بناءً عليه.
  • اكتشاف المواد: أفاد مشروع GNoME التابع لـGoogle DeepMind في مجلة Nature عام 2023 بأن شبكات الرسوم البيانية (graph networks) حدّدت 2.2 مليون بنية بلورية، منها 381,000 مادة مستقرة مكتشفة حديثًا، وهي نقطة انطلاق لبطاريات وخلايا شمسية أفضل. لكن كل مادة مرشّحة لا تزال بحاجة إلى تصنيعها واختبارها.
  • المباني والصناعة: أفادت DeepMind عام 2016 بأن تعلّم الآلة يمكنه أن يخفّض باستمرار الطاقة المستخدمة لتبريد مراكز بيانات Google بنسبة 40%.
  • الزراعة واستخدام الأراضي: رصد المحاصيل والتربة وإزالة الغابات من صور الأقمار الصناعية.

التكيّف والقدرة على الصمود: التعامل مع تغيّر المناخ

  • التنبؤ بالطقس والمناخ: تفوّق GraphCast، وهو نموذج طقس قائم على تعلّم الآلة، على أدق الأنظمة الحتمية التشغيلية في 90% من 1,380 هدفًا للتحقق، وأنتج تنبؤًا عالميًا لعشرة أيام في أقل من دقيقة. وفي 25 فبراير 2025، أدخل المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) نظامه للتنبؤ القائم على تعلّم الآلة، Artificial Intelligence Forecasting System (AIFS)، حيز التشغيل. ويقول ECMWF إنه يتفوّق على النماذج القائمة على الفيزياء في مقاييس كثيرة، ويستهلك طاقة أقل بنحو 1,000 مرة لإعداد التنبؤ.
  • الإنذار بالفيضانات: بيّن Nearing وزملاؤه في مجلة Nature عام 2024 أن التنبؤ بالفيضانات بالذكاء الاصطناعي في أحواض أنهار لا توجد فيها محطات قياس كان، قبل خمسة أيام، بالموثوقية نفسها لتنبؤات نظام عالمي رائد في اليوم نفسه أو أكثر موثوقية منها. ويغذّي نموذجهم نظام إنذار مبكر يقدّم تنبؤات عامة مجانية في أكثر من 80 بلدًا.
  • الإنذار المبكر بحرائق الغابات وموجات الحر، والاستجابة للكوارث، وإدارة المياه، ورصد التنوع البيولوجي، مثل تحديد الأنواع من كاميرات المراقبة البرية والتسجيلات الصوتية.

كيف يُقارَن بينهما؟

يختلفان في الهدف والأشخاص ومقاييس النجاح، لكنهما يشتركان في خطر واحد: فوائد يُدّعى تحققها ولا تُقاس أبدًا.

الذكاء الاصطناعي الأخضر الذكاء الاصطناعي من أجل البيئة
الهدف خفض الطاقة والكربون والمياه والمواد التي يستهلكها الذكاء الاصطناعي استخدام الذكاء الاصطناعي لخفض الانبعاثات في مجالات أخرى أو تقليل الضرر المناخي
من يقوم به مطوّرو الذكاء الاصطناعي، ومصممو مراكز البيانات والشرائح، وفرق تقنية المعلومات والمشتريات، والمستخدمون اليوميون علماء المناخ والأرض، وشركات الطاقة، والمتنبئون الجويون، ومجموعات الحفاظ على البيئة، والحكومات، بالتعاون مع متخصصين في الذكاء الاصطناعي
كيف يبدو النجاح طاقة وكربون أقل لكل نتيجة مفيدة، واستخدام إجمالي أقل انبعاثات مُتجنَّبة مقيسة، وإنذارات أبكر، وأرواح وأموال يُحافظ عليها
أمثلة على الأساليب نماذج أصغر أو مقطّرة (distilled)، والتكميم، وقياس الطاقة، والجدولة المراعية للكربون، وإطالة عمر العتاد التنبؤ، وتحليل صور الأقمار الصناعية، وتحسين الشبكات والمباني، وفرز المواد
أبرز المخاطر إنفاق التوفير على مزيد من الاستخدام (تأثير الارتداد)؛ ادعاءات الكفاءة من دون أرقام إجمالية بصمة أكبر من الفائدة؛ فوائد مفترضة بدلًا من أن تكون مقيسة؛ اكتشافات لا يتصرف أحد بناءً عليها

هل الذكاء الاصطناعي مفيد للمناخ أم ضار به؟

كلاهما، والميزان يتوقف على طريقة استخدامه. يتوقع تقرير Energy and AI الصادر عن الوكالة الدولية للطاقة عام 2025 أن تنمو الانبعاثات الناتجة عن استهلاك مراكز البيانات للكهرباء من 180 مليون طن اليوم إلى 300 مليون طن بحلول 2035 في سيناريوها الأساسي. ويقدّر أيضًا أن الاستخدام الواسع لحلول قائمة يقودها الذكاء الاصطناعي قد يخفّض الانبعاثات بما يعادل نحو 5% من الانبعاثات المرتبطة بالطاقة في 2035: وهو أكبر بكثير من انبعاثات مراكز البيانات، لكنه أصغر بكثير مما يلزم لمواجهة تغيّر المناخ.

والوكالة حذرة بشأن الرقم الثاني. فهي تقول إنه يجب تذليل العقبات أمام التبنّي، وإن تأثيرات الارتداد، مثل انتقال الناس من النقل العام إلى السيارات ذاتية القيادة، قد تقوّض الفوائد، وإن الذكاء الاصطناعي «ليس حلًا سحريًا». ويقدّم Kaack وزملاؤه، في مقال نشروه في Nature Climate Change عام 2022، طريقة مفيدة للتفكير في ذلك. فهم يصنّفون آثار الذكاء الاصطناعي على الانبعاثات في ثلاث مجموعات:

  1. الآثار المرتبطة بالحوسبة: الطاقة والعتاد اللذان يستهلكهما الذكاء الاصطناعي.
  2. الآثار المباشرة للتطبيق: الأثر المباشر للاستخدام، مثل حرق وقود أقل.
  3. الآثار على مستوى النظام: تغيّرات أوسع في السلوك والطلب، بما فيها الارتداد.

يعمل الذكاء الاصطناعي الأخضر على المجموعة الأولى، والذكاء الاصطناعي من أجل البيئة على الثانية. أما الثالثة فقد تفيد أيًّا منهما أو تضرّه.

لماذا يتلازم الذكاء الاصطناعي الأخضر والذكاء الاصطناعي من أجل البيئة؟

لأن مشروع الذكاء الاصطناعي من أجل البيئة لا يفيد إلا إذا وفّر أكثر مما يكلّف، والذكاء الاصطناعي الأخضر هو طريقة إبقاء التكلفة منخفضة. فالغرض المناخي لا يُخفي البصمة.

كثير من مهام الذكاء الاصطناعي من أجل البيئة مناسبة تمامًا للذكاء الاصطناعي الأخضر. فتنبؤات الطقس والفيضانات والشبكات أنظمة متخصصة مبنية لمهمة واحدة، ويُفيد ECMWF بأن نظامه AIFS يستهلك طاقة أقل بنحو 1,000 مرة لإعداد التنبؤ. وهذا الرقم يخص إعداد التنبؤ؛ أما الحساب الكامل فيحتسب أيضًا تدريب النموذج. ويظهر الخطر حين يلجأ مشروع إلى نموذج عام كبير، أو يعيد التدريب أكثر مما يحتاج، أو يعمل على نطاق لا تبرّره فائدته. ويرى Luccioni وStrubell وCrawford أن مكاسب الكفاءة قد تدفع إلى مزيد من الاستخدام، ولذلك ينبغي للمشروع أن ينظر إلى بصمته الإجمالية، لا إلى كفاءته لكل مهمة فقط (راجعوا الكفاءة ليست كفاية).

ولذلك تطبّق مشاريع الذكاء الاصطناعي من أجل البيئة الجيدة مبادئ الذكاء الاصطناعي الأخضر:

  • اختيار أبسط طريقة تؤدي الغرض، وهي أحيانًا الإحصاء التقليدي أو نموذج فيزيائي؛
  • قياس الطاقة المستهلكة في تدريب النظام وتشغيله؛
  • التشغيل في الأماكن والأوقات التي تكون فيها الكهرباء أنظف؛
  • إعادة استخدام النماذج والبيانات الموجودة بدلًا من التدريب من الصفر.

كيف تُقيِّمون الفائدة الصافية لمشروع ذكاء اصطناعي من أجل البيئة؟

قارنوا بصمة الذكاء الاصطناعي نفسه بالانبعاثات أو الأضرار التي يتجنبها، مقارنةً بما كان سيحدث من دونه، وقدّموا نطاقًا لعدم اليقين. ويدعو Kaack وزملاؤه إلى هذا النوع من تقييم الأثر بوصفه أولوية.

  1. احتسبوا بصمة الذكاء الاصطناعي. أدرجوا التدريب، وإعادة التدريب، والاستخدام اليومي، وتخزين البيانات، وحيثما أمكن، الكربون المتجسّد في العتاد. قيسوا بدلًا من التخمين حيثما استطعتم.
  2. حدّدوا السيناريو المقابل (counterfactual). ما الذي كان سيحدث من دون الذكاء الاصطناعي: التنبؤ القائم، أو الفحص اليدوي، أو لا شيء على الإطلاق؟ الفائدة هي الفرق فقط.
  3. قدّروا الانبعاثات أو الأضرار المُتجنَّبة. استخدموا النتائج المقيسة حيثما وُجدت، مثل التسربات التي أُصلحت فعلًا أو الطاقة التي وُفّرت فعلًا، لا مجرد الاكتشافات أو التنبؤات.
  4. أدرجوا الارتداد وآثار النظام. اسألوا هل يؤدي النشاط الأرخص أو الأسهل إلى مزيد منه.
  5. أظهروا عدم اليقين. قدّموا نطاقًا، واذكروا افتراضاتكم، وراجعوا التقدير بعد بدء استخدام النظام.

إذا كانت الفائدة أكبر من البصمة بأضعاف كثيرة حتى عند الطرف المتشائم من النطاق، فالحجة قوية. وإذا كانا متقاربين، أو كانت الفائدة غير مقيسة، فتعاملوا مع الادعاء بحذر. راجعوا القياس هو عنق الزجاجة و الادعاءات الخضراء الصادقة.

ماذا تفعلون بعد ذلك

الأسئلة المتكررة

ما الذكاء الاصطناعي من أجل البيئة؟

الذكاء الاصطناعي من أجل البيئة هو استخدام الذكاء الاصطناعي لدعم العمل المناخي والبيئي: خفض الانبعاثات، مثلًا بالتنبؤ بإنتاج الطاقة المتجددة أو العثور على تسربات الميثان، ومساعدة الناس على التكيّف، مثلًا عبر الإنذار بالفيضانات وتحسين التنبؤات الجوية.

ما الفرق بين الذكاء الاصطناعي الأخضر والذكاء الاصطناعي من أجل البيئة؟

يتعلق الذكاء الاصطناعي الأخضر ببصمة الذكاء الاصطناعي نفسه: جعل النماذج والعتاد ومراكز البيانات تستهلك طاقة وكربونًا ومياهًا ومواد أقل. أما الذكاء الاصطناعي من أجل البيئة فيتعلق بالغرض الذي يُستخدم فيه الذكاء الاصطناعي: تطبيقه على المشكلات البيئية. وقد يكون المشروع أحدهما، أو كليهما، أو لا هذا ولا ذاك.

هل الذكاء الاصطناعي مفيد للمناخ أم ضار به؟

كلاهما، بحسب طريقة استخدامه. تجد الوكالة الدولية للطاقة أن توسيع استخدام تطبيقات الذكاء الاصطناعي القائمة قد يخفّض الانبعاثات بقدر يفوق بكثير ما تضيفه مراكز البيانات، لكنها تحذّر من أن ذلك غير مضمون وأن تأثيرات الارتداد قد تقوّض المكاسب.

ما الفرق بين الذكاء الاصطناعي الأخضر والذكاء الاصطناعي المستدام؟

يتداخل المصطلحان وكثيرًا ما يُستخدمان بالتبادل. يركّز الذكاء الاصطناعي الأخضر عادةً على البصمة البيئية للذكاء الاصطناعي؛ أما الذكاء الاصطناعي المستدام فكثيرًا ما يُستخدم بمعنى أوسع يشمل الآثار الاجتماعية والاقتصادية أيضًا.

كيف تعرفون إن كان مشروع ذكاء اصطناعي مناخي يستحق بصمته؟

قدّروا طاقة بناء الذكاء الاصطناعي وتشغيله وانبعاثاته الكربونية، وقدّروا الانبعاثات أو الأضرار التي يتجنبها مقارنةً بما كان سيحدث من دونه، ثم قارنوا الاثنين مع نطاق لعدم اليقين. فإن لم تُقَس الفائدة، فالادعاء غير مُثبت.

هل توجد أمثلة على مساعدة الذكاء الاصطناعي في مواجهة تغيّر المناخ؟

نعم. فنماذج الطقس القائمة على تعلّم الآلة، مثل AIFS التابع لـECMWF، تعمل الآن تشغيليًا، ويقدّم التنبؤ بالفيضانات القائم على الذكاء الاصطناعي إنذارات عامة مجانية في أكثر من 80 بلدًا، ويستخدم نظام الإنذار بالميثان التابع لبرنامج الأمم المتحدة للبيئة بيانات الأقمار الصناعية والذكاء الاصطناعي للتنبيه إلى الانبعاثات الكبيرة للميثان.

المصادر

  1. Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
  2. About Climate Change AI, Climate Change AI (2026)
  3. Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
  4. Energy and AI: executive summary, International Energy Agency (2025)
  5. ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
  6. Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
  7. Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
  8. Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
  9. Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
  10. DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
  11. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)

انضموا إلينا

ساعدوا في خفض أثر الذكاء الاصطناعي على الكوكب

تلقّوا الأدلة الجديدة ودعوات التمويل وإدراجات الأدلة بالبريد الإلكتروني، مرة في الشهر تقريبًا. أو أضيفوا منتجكم أو دورتكم أو منحة الدكتوراه أو بحثكم إلى الأدلة.

بلا تتبّع. ألغوا الاشتراك بنقرة واحدة. طرق أخرى للانضمام · الخصوصية