# الذكاء الاصطناعي الموفّر للطاقة: كيف تخفضون استهلاك الذكاء الاصطناعي

> الذكاء الاصطناعي الموفّر للطاقة عمليًا: أهم طرق خفض استهلاك الذكاء الاصطناعي للطاقة مرتبةً، من النماذج الأصغر والتكميم إلى التوجيه والتخزين المؤقت واختيار الموقع.

Source: https://greenai.guide/ar/مقالات/الذكاء-الاصطناعي-الموفّر-للطاقة-كيف-تخفضون-استهلاك-الذكاء-الاصطناعي/  
Updated: 2026-11-20

## باختصار

الذكاء الاصطناعي الموفّر للطاقة يعني الحصول على النتيجة المفيدة نفسها بكهرباء أقل. يأتي أكبر توفير عادةً من اختيار نموذج أصغر أو مخصص للمهمة، وإيقاف الاستدلال الطويل حين لا يُحتاج إليه، والتشغيل في مركز بيانات كفء على شبكة نظيفة؛ ثم تخفض تقنيات مثل التكميم والتقطير والتوجيه والتخزين المؤقت والمعالجة على دفعات طاقة الذكاء الاصطناعي أكثر. وتفيد الدراسات المنشورة بتوفير يتراوح بين عشرات بالمئة و90% أو أكثر لكل وسيلة منفردة، وبتوفير أكبر بكثير عند الجمع بينها.

## النقاط الرئيسية

- وجدت UNESCO وUCL أن النماذج الصغيرة المخصصة للمهام يمكن أن تخفض استهلاك الطاقة بنسبة تصل إلى 90%، وأن الطلبات والاستجابات الأقصر يمكن أن تخفضه بأكثر من 50%.
- استهلكت نماذج الاستدلال في المتوسط طاقة تزيد 30 مرة على النماذج العادية في اختبارات AI Energy Score من Hugging Face؛ ورفع تفعيل الاستدلال طاقة أحد النماذج ما بين 150 و700 مرة.
- في دراسة من 2024، استهلك توليد 1,000 صورة نحو 2.9 كيلوواط ساعة، مقابل 0.002 كيلوواط ساعة لـ1,000 عملية تصنيف نصي.
- قدّر باحثون في Google أن اختيار النموذج ومركز البيانات والمعالج معًا يمكن أن يخفض البصمة الكربونية للتدريب بنحو 100 إلى 1,000 مرة.
- كفاءة التقديم مهمة: فقد حققت إدارة الذاكرة في vLLM إنتاجية أعلى من 2 إلى 4 مرات عند زمن الاستجابة نفسه، وجعل فك الترميز التخميني نموذجًا أسرع من 2 إلى 3 مرات مع مخرجات مطابقة.
- خفض بدء مهام التدريب القصيرة في أوقات منخفضة الكربون الانبعاثات بنسبة تصل إلى 80% في إحدى الدراسات، لكن بأقل من 1.5% لمهمة طويلة.

الذكاء الاصطناعي الموفّر للطاقة هو ذكاء اصطناعي يمنحكم النتيجة التي تحتاجون إليها بكهرباء أقل. تعرض هذه الصفحة أهم
الطرق لخفض استهلاك الذكاء الاصطناعي للطاقة، مرتبةً تقريبًا بحسب مقدار ما توفّره عادةً، مع الأرقام المنشورة وراء كل
منها.

## ما أسرع طريقة لجعل الذكاء الاصطناعي يستهلك طاقة أقل؟ {#what-is-the-quickest-way-to-make-ai-use-less-energy}

**استخدموا أصغر نموذج مناسب، ولا تفعّلوا أوضاعًا ثقيلة لا تحتاجون إليها.** يفوق اختيار النموذج عادةً كل وسيلة أخرى،
لأن الطاقة تتناسب مع مقدار الحوسبة التي تتطلبها كل إجابة. وجد تقرير صدر في 2025 عن UNESCO وUniversity College London
(UCL) أن النماذج الصغيرة المخصصة للمهام يمكن أن تخفض استهلاك الطاقة بنسبة تصل إلى 90%، وأن الطلبات والاستجابات
الأقصر يمكن أن تخفضه بأكثر من 50%. ويقول التقرير إن هذه التدابير مجتمعةً يمكن أن تخفض استهلاك الطاقة بنسبة تصل إلى
90%.

والوسيلة الكبيرة الثانية هي الموقع. قدّر باحثون في Google عام 2021 أن اختيار النموذج ومركز البيانات والمعالج معًا
يمكن أن يخفض البصمة الكربونية للتدريب بنحو 100 إلى 1,000 مرة. فنماذج الذكاء الاصطناعي الكفؤة، المشغَّلة في أماكن
كفؤة، هي موضع معظم المكاسب.

## أي الوسائل توفّر أكثر؟ قائمة مرتبة {#which-levers-save-the-most-a-ranked-list}

**يعكس الترتيب أدناه الحجم المعتاد للتوفير في الدراسات المنشورة، من الأكبر إلى الأصغر.** وستتوقف نتائجكم على المهمة،
والجودة التي تحتاجون إليها، ومكان تشغيل العمل، لذا قيسوا قبل التغيير وبعده (راجعوا
[كيف تقيسون طاقة الذكاء الاصطناعي وكربونه](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/)).

### 1. لا تستخدموا الذكاء الاصطناعي التوليدي لمهام لا تحتاج إليه {#1-don-t-use-generative-ai-for-jobs-it-isn-t-needed-for}

**التوليد أغلى بكثير من المهام الأبسط.** في دراسة من 2024، قاس Sasha Luccioni وYacine Jernite وEmma Strubell توليد
الصور بمتوسط يبلغ نحو 2.9 كيلوواط ساعة لكل 1,000 صورة، مقابل 0.002 كيلوواط ساعة لكل 1,000 عملية تصنيف نصي: أي أكثر
من ألف ضعف لكل طلب بفارق كبير. ووجدوا أيضًا أن النماذج التوليدية العامة الغرض أغلى بأضعاف مضاعفة من الأنظمة المخصصة
للمهمة نفسها.

والفيديو أثقل أيضًا. فقد قاست دراسة من 2025 على نماذج مفتوحة لتحويل النص إلى فيديو قرابة 90 واط ساعة لمقطع قصير من
نموذج واحد وأكثر من 415 واط ساعة من نموذج أكبر، مع نمو الطاقة تربيعيًا مع حجم الفيديو وطوله. راجعوا
[كيف تقرّرون هل تحتاجون إلى الذكاء الاصطناعي لمهمة ما](/ar/كيف/هل-أحتاج-فعلًا-إلى-الذكاء-الاصطناعي-لهذه-المهمة/) و
[كيف تختارون تعلّم الآلة الكلاسيكي بدلًا من نموذج لغوي كبير](/ar/كيف/كيف-أعرف-إن-كان-التعلم-الآلي-التقليدي-يكفي-بدلًا-من-نموذج-لغوي-كبير/).

### 2. اختاروا نموذجًا بالحجم المناسب {#2-right-size-the-model}

**اختاروا أصغر نموذج يبلغ مستوى الجودة المطلوب.** إلى جانب ما توصلت إليه UNESCO وUCL، تُظهر الأبحاث على السلاسل
المتدرجة (cascades) حجم الهامش المتاح: فـFrugalGPT، الذي يجرّب النماذج الأرخص أولًا ولا يصعّد إلا عند الحاجة، ضاهى
أداء GPT-4 بتكلفة أقل بنسبة تصل إلى 98%. التكلفة ليست طاقة، لكنها في النماذج المستضافة دليل تقريبي معقول على الحوسبة.
راجعوا [اختاروا النموذج المناسب للمهمة](/ar/الممارسات-الجيدة/اختاروا-النموذج-المناسب-للمهمة/)، و
[كيف تختارون نموذج ذكاء اصطناعي أصغر](/ar/كيف/كيف-أختار-نموذج-ذكاء-اصطناعي-أصغر/)، و
[كيف تعثرون على نموذج مخصص للمهمة](/ar/كيف/كيف-أجد-نموذجًا-متخصصًا-في-مهمة-بعينها-بدلًا-من-استخدام-روبوت-محادثة/).

### 3. استخدموا أوضاع الاستدلال عند الحاجة فقط {#3-use-reasoning-modes-only-when-needed}

**أوضاع «التفكير» تضاعف الطاقة.** وجدت اختبارات AI Energy Score من Hugging Face في أواخر 2025 أن نماذج الاستدلال
استهلكت في المتوسط طاقة تزيد 30 مرة على النماذج العادية، وأن النموذج نفسه استهلك طاقة تزيد ما بين 150 و700 مرة مع
تفعيل الاستدلال مقارنة بإيقافه. والوكلاء، الذين يُجرون استدعاءات كثيرة في حلقة، قد تتراكم طاقتهم بالطريقة نفسها.
راجعوا [كيف تستخدمون أوضاع الاستدلال عند الحاجة فقط](/ar/كيف/متى-أستخدم-وضع-التفكير-أو-الاستدلال-في-الذكاء-الاصطناعي/) و
[الذكاء الاصطناعي الوكيلي وهدر الـtokens](/ar/مقالات/الذكاء-الاصطناعي-الوكيلي-وهدر-الرموز/).

### 4. اختاروا عتادًا ومراكز بيانات كفؤة ومواقع منخفضة الكربون {#4-choose-efficient-hardware-data-centres-and-low-carbon-locations}

**مكان تشغيل العمل والعتاد الذي يعمل عليه قد يغيّران كربونه أضعافًا.** وجد Jesse Dodge وزملاؤه أن تدريب نموذج BERT
نفسه أطلق نحو 7 كغ من CO₂ في المنطقة السحابية الأكفأ ونحو 26 كغ في الأقل كفاءة، أي قرابة أربعة أضعاف. والعتاد يتحسن
باستمرار أيضًا: إذ تقدّر Epoch AI أن شرائح تعلّم الآلة الرائدة تصبح أكفأ في استهلاك الطاقة بنحو 40% كل عام. راجعوا
[استضافة الذكاء الاصطناعي الأخضر ومراكز البيانات](/ar/الممارسات-الجيدة/استضافة-الذكاء-الاصطناعي-الأخضر-ومراكز-البيانات/)، و
[كيف تختارون منطقة سحابية منخفضة الكربون](/ar/كيف/كيف-أختار-منطقة-سحابية-منخفضة-الكربون/)، و
[كيف تختارون عتادًا موفّرًا للطاقة للذكاء الاصطناعي](/ar/كيف/كيف-أختار-عتادًا-موفّرًا-للطاقة-للذكاء-الاصطناعي/).

### 5. اختصروا الطلبات والسياق والمخرجات {#5-shorten-prompts-context-and-outputs}

**ترتفع الطاقة مع مقدار ما يقرؤه النموذج ويكتبه.** تقدّر Epoch AI أن استعلام ChatGPT المعتاد يستهلك نحو 0.3 واط
ساعة، ويرتفع إلى نحو 2.5 واط ساعة مع مدخلات من 10,000 token وإلى قرابة 40 واط ساعة مع مدخلات من 100,000 token.
وإعادة إرسال المحادثات الطويلة وطلب إجابات طويلة هما السببان اليوميان. راجعوا
[كيف تكتبون طلبات تستهلك طاقة أقل](/ar/كيف/كيف-أكتب-طلبات-prompts-للذكاء-الاصطناعي-تستهلك-طاقة-أقل/)، و
[كيف تحدّون من مقدار ما يكتبه النموذج اللغوي الكبير](/ar/كيف/كيف-أحدّ-من-طول-ما-يكتبه-النموذج-اللغوي-الكبير/)، و
[كيف تتوقفون عن إعادة إرسال المحادثة كاملة](/ar/كيف/كيف-أمنع-روبوت-المحادثة-من-إعادة-إرسال-المحادثة-كاملة-في-كل-مرة/).

### 6. وجّهوا الطلبات إلى النموذج المناسب {#6-route-requests-to-the-right-model}

**أرسلوا الطلبات السهلة إلى نموذج صغير والصعبة إلى نموذج كبير.** تفيد أبحاث التوجيه بتوفير كبير: فقد أجرى Hybrid LLM
استدعاءات أقل بنسبة تصل إلى 40% إلى النموذج الكبير دون تراجع في جودة الاستجابة، وخفّض RouteLLM التكاليف بأكثر من
النصف في بعض الحالات دون المساس بالجودة. راجعوا
[كيف تُعدّون توجيه النماذج](/ar/كيف/كيف-أوجّه-الطلبات-إلى-نماذج-ذكاء-اصطناعي-أصغر/) و
[التنسيق بدلًا من التوليد](/ar/مقالات/التنسيق-بدل-التوليد/).

### 7. كمّموا النموذج {#7-quantise-the-model}

**خزّنوا الأرقام واحسبوا بها بعدد أقل من البتات.** [التكميم](/ar/المسرد/#quantisation) (quantisation) يخفض الذاكرة ونقل
البيانات، وهما المهيمنان على الطاقة في النماذج الكبيرة. خفّض LLM.int8() الذاكرة اللازمة للاستدلال إلى النصف مع
الحفاظ على أداء الدقة الكاملة، ووجد تقرير UNESCO وUCL أن الضغط مثل التكميم وفّر ما يصل إلى 44% من الطاقة. راجعوا
[كيف تكمّمون نموذجًا](/ar/كيف/كيف-أجري-تكميمًا-quantisation-لنموذج-ذكاء-اصطناعي/).

### 8. قطّروا نموذجًا كبيرًا في نموذج صغير {#8-distil-a-large-model-into-a-small-one}

**درّبوا نموذج «تلميذ» صغيرًا على محاكاة نموذج «معلّم» كبير.** [التقطير](/ar/المسرد/#distillation) (distillation) هو
الطريقة التي تُصنع بها نماذج ذكاء اصطناعي كفؤة كثيرة. فقد كان DistilBERT أصغر من BERT بنسبة 40% وأسرع بنسبة 60%
مع الاحتفاظ بـ97% من قدرته على فهم اللغة. راجعوا [كيف تقطّرون نموذجًا كبيرًا في نموذج صغير](/ar/كيف/كيف-أقطّر-نموذجًا-كبيرًا-إلى-نموذج-أصغر/).

### 9. قلّموا النموذج واستفيدوا من التناثر {#9-prune-and-exploit-sparsity}

**أزيلوا الأوزان التي لا يحتاج إليها النموذج.** أظهر SparseGPT أن النماذج اللغوية الكبيرة جدًا يمكن
[تقليمها](/ar/المسرد/#pruning) إلى [تناثر](/ar/المسرد/#sparsity) (sparsity) لا يقل عن 50% دفعة واحدة، دون إعادة تدريب،
مع خسارة ضئيلة في الدقة. ويتوقف توفير الطاقة على قدرة البرمجيات والعتاد على تخطي الأصفار، لذا يوفّر التقليم عمليًا أقل
مما توحي به نسبة التناثر المعلنة. راجعوا [كيف تقلّمون شبكة عصبية](/ar/كيف/كيف-أقلّم-شبكة-عصبية-pruning/).

### 10. خزّنوا مؤقتًا، وعالجوا على دفعات، وقدّموا بكفاءة {#10-cache-batch-and-serve-efficiently}

**تجنبوا تكرار العمل وأبقوا العتاد مشغولًا.** برمجيات التقديم مهمة: فقد حسّنت إدارة
[ذاكرة KV المؤقتة](/ar/المسرد/#kv-cache) (KV cache) المقسَّمة إلى صفحات في vLLM الإنتاجية من 2 إلى 4 مرات عند زمن
الاستجابة نفسه، وجعل فك الترميز التخميني (speculative decoding) نموذج T5-XXL أسرع من 2 إلى 3 مرات مع مخرجات مطابقة.
ويسعّر مقدمو الخدمة إعادة الاستخدام وفقًا لذلك: فـBatch API من OpenAI تكلّف أقل بنسبة 50% من الطلبات العادية،
وتتقاضى Anthropic 10% من سعر المدخلات العادي لقراءات الطلبات المخزَّنة مؤقتًا. راجعوا
[كيف تخزّنون استدعاءات النماذج اللغوية الكبيرة مؤقتًا](/ar/كيف/كيف-أستخدم-التخزين-المؤقت-لتقليل-طاقة-استدعاءات-النماذج-اللغوية/)، و[كيف تعالجون طلبات الذكاء الاصطناعي على دفعات](/ar/كيف/كيف-أجمّع-طلبات-الذكاء-الاصطناعي-في-دفعات-لتوفير-الطاقة/)،
و[كيف تستخدمون فك الترميز التخميني](/ar/كيف/كيف-أسرّع-نموذجًا-كبيرًا-باستخدام-فك-الترميز-التخميني-speculative/)، و
[كيف تخفضون طاقة تقديم نموذج](/ar/كيف/كيف-أقلل-استهلاك-الطاقة-عند-تشغيل-نموذج-في-بيئة-الإنتاج/).

### 11. جدولوا الأعمال المرنة في أوقات أنظف {#11-schedule-flexible-work-for-cleaner-times}

**الجدولة المراعية للكربون تخفض الانبعاثات لا الطاقة، وتنجح أكثر مع المهام القصيرة المرنة.** في دراسة Dodge وزملائه،
خفض تأخير بدء مهمة تدريب قصيرة إلى وقت منخفض الكربون الانبعاثات بنسبة تصل إلى 80% في إحدى المناطق الأمريكية، لكن بأقل
من 1.5% لمهمة طويلة؛ ووفّر إيقاف مهمة طويلة واستئنافها ما يصل إلى نحو 25%. راجعوا
[كيف تجدولون التدريب حين تكون الشبكة أكثر اخضرارًا](/ar/كيف/كيف-أجدول-تدريب-النماذج-في-الأوقات-التي-تكون-فيها-شبكة-الكهرباء-أنظف/) و
[الحوسبة المراعية للكربون](/ar/المسرد/#carbon-aware-computing).

## وسائل الذكاء الاصطناعي الموفّر للطاقة في لمحة {#energy-efficient-ai-levers-at-a-glance}

**يلخّص هذا الجدول الوسائل، ومن يمكنه استخدامها، والتوفير المذكور في المصادر.** الأرقام من دراسات مختلفة بخطوط أساس
مختلفة، فاقرؤوها مؤشرات على الحجم، لا مجاميع قابلة للجمع.

| الوسيلة | من يمكنه استخدامها | التوفير المعتاد المذكور | المصدر |
|---|---|---|---|
| استخدام نموذج مخصص للمهمة بدلًا من نموذج توليدي | المطوّرون، المؤسسات | أضعاف مضاعفة لمهام مثل التصنيف | Luccioni وJernite وStrubell، 2024 |
| نموذج أصغر مخصص للمهمة | المستخدمون، المطوّرون | ما يصل إلى 90% من الطاقة | UNESCO وUCL، 2025 |
| إيقاف الاستدلال ما لم يُحتج إليه | المستخدمون، المطوّرون | أقل بـ150–700 مرة لنموذج واحد؛ 30 مرة في المتوسط عبر النماذج | Hugging Face AI Energy Score، 2025 |
| النموذج ومركز البيانات والمعالج معًا | المطوّرون، المؤسسات | كربون أقل بنحو 100–1,000 مرة (التدريب) | Patterson وزملاؤه، Google، 2021 |
| منطقة سحابية منخفضة الكربون | المطوّرون، المؤسسات | نحو 3.7 مرة بين أفضل منطقة وأسوئها | Dodge وزملاؤه، 2022 |
| طلبات واستجابات أقصر | المستخدمون، المطوّرون | أكثر من 50% من الطاقة | UNESCO وUCL، 2025 |
| التوجيه | المطوّرون | استدعاءات أقل للنموذج الكبير بنسبة تصل إلى 40% | Ding وزملاؤه، 2024 |
| التكميم | المطوّرون | ما يصل إلى 44% من الطاقة؛ نصف الذاكرة | UNESCO وUCL، 2025؛ Dettmers وزملاؤه، 2022 |
| التقطير | المطوّرون | أصغر بنسبة 40%، وأسرع بنسبة 60%، مع الاحتفاظ بـ97% من القدرة | Sanh وزملاؤه، 2019 |
| التقليم | المطوّرون | إزالة 50% على الأقل من الأوزان | Frantar وAlistarh، 2023 |
| التقديم الكفء والمعالجة على دفعات | المطوّرون | إنتاجية أعلى من 2–4 مرات | Kwon وزملاؤه، 2023 |
| فك الترميز التخميني | المطوّرون | أسرع من 2–3 مرات، بالمخرجات نفسها | Leviathan وزملاؤه، 2022 |
| وقت بدء مراعٍ للكربون | المطوّرون، الباحثون | ما يصل إلى 80% (المهام القصيرة)؛ أقل من 1.5% (المهام الطويلة) | Dodge وزملاؤه، 2022 |
| الضبط الدقيق الموفّر للمعاملات (LoRA) | المطوّرون، الباحثون | معاملات قابلة للتدريب أقل بـ10,000 مرة، وذاكرة GPU أقل بـ3 مرات | Hu وزملاؤه، 2021 |

## كيف يمكن للمستخدمين خفض استهلاك الذكاء الاصطناعي للطاقة؟ {#how-can-users-reduce-ai-energy}

**اختاروا الخيارات الأخف واطلبوا أقل.** لا يستطيع معظم الناس تغيير مركز البيانات، لكنهم يستطيعون تغيير ما يطلبونه:

- استخدموا نموذجًا سريعًا أو «مصغّرًا» (mini) للمهام اليومية، واحتفظوا بأكبر النماذج وأوضاع الاستدلال للمشكلات الصعبة.
- اجعلوا الطلبات واضحة واطلبوا إجابات قصيرة؛ وابدؤوا محادثة جديدة بدلًا من مواصلة محادثة طويلة جدًا.
- تجنبوا إعادة التوليد مرة بعد مرة: حسّنوا الطلب بدلًا من ذلك. راجعوا [كيف تتوقفون عن إعادة توليد إجابات الذكاء الاصطناعي](/ar/كيف/كيف-أتوقف-عن-إعادة-توليد-إجابات-الذكاء-الاصطناعي-مرة-بعد-مرة/).
- ولّدوا الصور والفيديو عند الحاجة فقط. راجعوا [كيف تخفضون أثر توليد الصور والفيديو بالذكاء الاصطناعي](/ar/كيف/كيف-أقلل-الأثر-البيئي-لتوليد-الصور-والفيديو-بالذكاء-الاصطناعي/).
- أوقفوا ميزات الذكاء الاصطناعي التي لا تستخدمونها. راجعوا [استخدموا الذكاء الاصطناعي بكفاءة: عادات يومية](/ar/الممارسات-الجيدة/استخدموا-الذكاء-الاصطناعي-بكفاءة-عادات-يومية/).

وللمقارنة، أفادت Google في 2025 بأن الطلب النصي الوسيط في Gemini استهلك 0.24 واط ساعة. فالطلبات النصية المنفردة
صغيرة؛ والإجماليات تأتي من الأحجام الهائلة ومن المهام الأثقل المذكورة أعلاه. راجعوا
[الدليل لعامة الناس](/ar/أدلة/الذكاء-الاصطناعي-الأخضر-دليل-بلغة-واضحة-للجميع/).

## كيف يمكن للمطوّرين بناء نماذج وأنظمة ذكاء اصطناعي كفؤة؟ {#how-can-developers-build-efficient-ai-models-and-systems}

**اختاروا الحجم المناسب أولًا، ثم حسّنوا التقديم، ثم قيسوا.** ترتيب عملي:

1. حدّدوا مستوى جودة على بياناتكم الخاصة واختبروا أصغر النماذج المرشحة وفقه.
2. أضيفوا التوجيه أو سلسلة متدرجة بحيث لا يتولى النموذج الكبير إلا ما يعجز عنه الصغير.
3. كمّموا، وفكّروا في التقطير إن كانت الأحجام كبيرة.
4. قدّموا ببيئة تشغيل كفؤة: المعالجة على دفعات، وذاكرة KV المؤقتة المقسَّمة إلى صفحات، والتخزين المؤقت للطلبات، وفك
   الترميز التخميني.
5. ضعوا حدًا لطول المخرجات وحلقات الوكلاء؛ راجعوا [كيف تمنعون وكلاء الذكاء الاصطناعي من هدر الـtokens](/ar/كيف/كيف-أمنع-وكلاء-الذكاء-الاصطناعي-من-إهدار-الرموز-tokens/).
6. اضبطوا النماذج ضبطًا دقيقًا باستخدام LoRA بدلًا من التدريب من الصفر؛ راجعوا [كيف تتجنبون تدريب نموذج من الصفر](/ar/كيف/كيف-أتجنب-تدريب-نموذج-من-الصفر/).
7. قيسوا الطاقة لكل مهمة قبل التغيير وبعده؛ راجعوا [كيف تتتبعون طاقة الذكاء الاصطناعي لكل مهمة](/ar/كيف/كيف-أتتبع-طاقة-الذكاء-الاصطناعي-لكل-مهمة-بدل-الإجمالي-فقط/).

مزيد من التفاصيل في [التدريب والاستدلال الكفؤان للذكاء الاصطناعي](/ar/الممارسات-الجيدة/تدريب-الذكاء-الاصطناعي-واستدلاله-بكفاءة/) و
[الرياضيات من أجل ذكاء اصطناعي كفء](/ar/مقالات/الرياضيات-التي-تجعل-الذكاء-الاصطناعي-أكثر-كفاءة/).

## كيف يمكن للمؤسسات خفض استهلاك الذكاء الاصطناعي للطاقة على نطاق واسع؟ {#how-can-organisations-reduce-ai-energy-at-scale}

**حدّدوا الإعدادات الافتراضية، واشتروا جيدًا، وقيسوا.** أكبر الوسائل المؤسسية هي أي نموذج يكون الافتراضي، وأي الميزات
تكون مفعّلة افتراضيًا، وأين تُشغَّل أعباء العمل:

- اجعلوا نموذجًا صغيرًا وسريعًا الخيار الافتراضي في الأدوات الداخلية، مع إتاحة النماذج الأكبر عند الطلب.
- اطلبوا من المورّدين أرقام الطاقة لكل مهمة وأرقام مراكز البيانات؛ راجعوا [الشراء المستدام للذكاء الاصطناعي](/ar/الممارسات-الجيدة/المشتريات-المستدامة-للذكاء-الاصطناعي/).
- اختاروا مقدمي خدمة ومناطق ذات كهرباء نظيفة؛ راجعوا [الاستضافة ومراكز البيانات](/ar/الممارسات-الجيدة/استضافة-الذكاء-الاصطناعي-الأخضر-ومراكز-البيانات/).
- ضعوا سياسة ودرّبوا الموظفين؛ راجعوا [كيف تكتبون سياسة للذكاء الاصطناعي الأخضر](/ar/الممارسات-الجيدة/كيف-تكتبون-سياسة-للذكاء-الاصطناعي-الأخضر/) و
  [كيف تدرّبون الموظفين على استخدام الذكاء الاصطناعي بكفاءة](/ar/كيف/كيف-أدرّب-الموظفين-على-استخدام-الذكاء-الاصطناعي-بكفاءة/).
- حدّدوا خط أساس وأهدافًا؛ راجعوا [كيف تحدّدون خط أساس لتوفير طاقة الذكاء الاصطناعي](/ar/كيف/كيف-أحدد-خط-أساس-لإثبات-توفير-الطاقة-في-الذكاء-الاصطناعي/).

## هل يخفض الذكاء الاصطناعي الموفّر للطاقة الاستهلاك الإجمالي للطاقة؟ {#does-energy-efficient-ai-reduce-total-energy-use}

**فقط إن لم ينمُ الاستخدام الإجمالي أسرع من تحسّن الكفاءة.** أفادت Google بأن طاقة الطلب الوسيط في Gemini انخفضت 33
ضعفًا في عام واحد، ومع ذلك يواصل استهلاك مراكز البيانات للكهرباء الارتفاع عالميًا لأن الاستخدام ينمو أسرع. وهذا هو
[تأثير الارتداد](/ar/المسرد/#rebound-effect). الكفاءة تخفض تكلفة كل مهمة؛ والكفاية تسأل هل تستحق المهمة الإنجاز. وكلتاهما
ضرورية، كما يشرح مقال [الكفاءة ليست كفاية](/ar/مقالات/الكفاءة-ليست-كفاية-تأثير-الارتداد-في-الذكاء-الاصطناعي/)، ويقدّم دليل
[كيف تمنعون إلغاء مكاسب الكفاءة](/ar/كيف/كيف-أمنع-تزايد-الاستخدام-من-إلغاء-مكاسب-كفاءة-الذكاء-الاصطناعي/) خطوات عملية. وللصورة الأوسع،
راجعوا [الذكاء الاصطناعي والطلب على كهرباء مراكز البيانات](/ar/مقالات/الذكاء-الاصطناعي-واستهلاك-مراكز-البيانات-للكهرباء/)
و[إحصاءات طاقة الذكاء الاصطناعي](/ar/مقالات/إحصاءات-استهلاك-الذكاء-الاصطناعي-للطاقة-محدَّثة-نوفمبر-2026/).

## ماذا تفعلون بعد ذلك {#what-to-do-next}

- اختبروا هل يبلغ نموذج أصغر مستوى الجودة المطلوب، وانتقلوا إليه إن كان كذلك.
- أوقفوا أوضاع الاستدلال والصور والفيديو افتراضيًا حيث لا يُحتاج إليها.
- أضيفوا التخزين المؤقت والمعالجة على دفعات والتوجيه إلى أي ميزة ذكاء اصطناعي ذات حجم استخدام فعلي.
- اختاروا منطقة منخفضة الكربون ومقدم خدمة كفؤًا لأعباء العمل الجديدة.
- قيسوا الطاقة لكل مهمة قبل كل تغيير وبعده، وأبلغوا عن النتيجة.
- اعثروا على المساعدة في [دليل الاستشاريين](/ar/مستشارون/) أو تعلّموا المزيد عبر [الدورات](/ar/دورات/).

## الأسئلة المتكررة

### ما الذكاء الاصطناعي الموفّر للطاقة؟

هو ذكاء اصطناعي يقدّم النتيجة التي تحتاجون إليها بكهرباء أقل، عبر نماذج أصغر أو أنسب، وبرمجيات أخف، وعتاد ومراكز بيانات كفؤة، واستخدام الذكاء الاصطناعي فقط حيث يضيف قيمة. وهو جزء من الذكاء الاصطناعي الأخضر، الذي يسأل أيضًا هل الاستخدام الإجمالي معقول.

### كيف أخفض استهلاك الذكاء الاصطناعي للطاقة؟

بوصفكم مستخدمين، اختاروا نموذجًا أصغر أو أسرع، واجعلوا الطلبات والإجابات المطلوبة قصيرة، وتجنبوا إعادة التوليد، واستخدموا أوضاع الاستدلال أو الصور والفيديو عند الحاجة فقط. وبوصفكم مطوّرين، اختاروا نموذجًا بالحجم المناسب، ثم أضيفوا التكميم والتوجيه والتخزين المؤقت والمعالجة على دفعات، وشغّلوا العمل في منطقة منخفضة الكربون.

### هل نماذج الذكاء الاصطناعي الأصغر أكثر كفاءة في استهلاك الطاقة؟

عادةً، في المهام التي تحسن أداءها. تفيد UNESCO وUCL بأن النماذج الصغيرة المخصصة للمهام يمكن أن تخفض استهلاك الطاقة بنسبة تصل إلى 90% في المهام الملائمة. تحققوا من الجودة على عملكم الخاص: فالنموذج الصغير الذي يجب تشغيله مرات عدة قد لا يوفّر شيئًا.

### هل يوفّر التكميم الطاقة؟

عادةً نعم، لأن النموذج ينقل بيانات أقل ويحتاج إلى ذاكرة أقل. تفيد UNESCO وUCL بتوفير يصل إلى 44% من ضغط النماذج مثل التكميم، وخفّض LLM.int8() الذاكرة اللازمة للاستدلال إلى النصف. ويتوقف التوفير على دعم العتاد للدقة الأدنى.

### أي أنواع الذكاء الاصطناعي يستهلك أكثر طاقة؟

توليد الفيديو، ثم توليد الصور ومهام الاستدلال الطويل أو الوكلاء. في دراسة من 2025، استهلك نموذج مفتوح قرابة 90 واط ساعة لمقطع فيديو قصير، ونموذج أكبر أكثر من 415 واط ساعة، واستهلكت نماذج الاستدلال في المتوسط طاقة تزيد نحو 30 مرة على النماذج العادية.

### هل تخفض الكفاءة فعلًا الاستهلاك الإجمالي للذكاء الاصطناعي للطاقة؟

ليس تلقائيًا. فالذكاء الاصطناعي الأرخص والأسرع يُستخدم أكثر عادةً، وهذا هو تأثير الارتداد. الكفاءة تخفض الطاقة لكل مهمة؛ أما إبقاء الإجماليات منخفضة فيحتاج أيضًا إلى الكفاية، أي استخدام الذكاء الاصطناعي حيث يستحق ذلك.

### هل يوفّر مقدمو خدمات الذكاء الاصطناعي الطاقة بالتخزين المؤقت للطلبات والمعالجة على دفعات؟

إنهم يتجنبون العمل المتكرر، ولهذا يتقاضون مقابلًا أقل عنه: فـOpenAI تخصم 50% على مهام الدفعات، والمدخلات المخزَّنة مؤقتًا لدى عدة مقدمين تكلّف نحو عُشر السعر العادي. والأسعار دليل تقريبي على الحوسبة الموفَّرة، لا قياس للطاقة.

## المصادر

- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Hugging Face (Luccioni and Gamazaychikov) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al., Google (2021)
- [Good news about the carbon footprint of machine learning training](https://research.google/blog/good-news-about-the-carbon-footprint-of-machine-learning-training/), Google Research (2022)
- [Measuring the carbon intensity of AI in cloud instances](https://arxiv.org/abs/2206.05229), Dodge et al. (FAccT 2022) (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [DistilBERT, a distilled version of BERT](https://arxiv.org/abs/1910.01108), Sanh et al., Hugging Face (2019)
- [LLM.int8(): 8-bit matrix multiplication for transformers at scale](https://arxiv.org/abs/2208.07339), Dettmers et al. (2022)
- [SparseGPT: massive language models can be accurately pruned in one-shot](https://arxiv.org/abs/2301.00774), Frantar and Alistarh (2023)
- [FrugalGPT: how to use large language models while reducing cost and improving performance](https://arxiv.org/abs/2305.05176), Chen, Zaharia and Zou (2023)
- [Hybrid LLM: cost-efficient and quality-aware query routing](https://arxiv.org/abs/2404.14618), Ding et al. (2024)
- [RouteLLM: learning to route LLMs with preference data](https://arxiv.org/abs/2406.18665), Ong et al. (2024)
- [Efficient memory management for large language model serving with PagedAttention](https://arxiv.org/abs/2309.06180), Kwon et al. (2023)
- [Fast inference from transformers via speculative decoding](https://arxiv.org/abs/2211.17192), Leviathan, Kalman and Matias (2022)
- [LoRA: low-rank adaptation of large language models](https://arxiv.org/abs/2106.09685), Hu et al. (2021)
- [Batch API](https://developers.openai.com/api/docs/guides/batch), OpenAI (2026)
- [Prompt caching](https://platform.claude.com/docs/en/build-with-claude/prompt-caching), Anthropic (2026)
- [Leading ML hardware becomes 40% more energy-efficient each year](https://epoch.ai/data-insights/ml-hardware-energy-efficiency), Epoch AI (2024)
