# القياس هو عنق الزجاجة في الذكاء الاصطناعي الأخضر

> لماذا يصعب الوثوق بأرقام طاقة الذكاء الاصطناعي أو مقارنتها: أرقام يعلنها أصحابها، وتقديرات لا قياسات، وحدود مختلفة، وكيف يبدو القياس الجيد.

Source: https://greenai.guide/ar/مقالات/القياس-هو-عنق-الزجاجة-في-الذكاء-الاصطناعي-الأخضر/  
Updated: 2026-11-19

## باختصار

معظم أرقام طاقة الذكاء الاصطناعي إما تعلنها الشركات نفسها بطرق لا تُنشر كاملة، وإما تُقدَّر انطلاقًا من افتراضات بدل قياسها على عتاد حقيقي. كما ترسم الدراسات المختلفة حدود "النظام" في مواضع مختلفة. وإلى أن يصبح القياس متّسقًا، يصعب التحقق من ادعاءات الذكاء الاصطناعي الأخضر، وقد تكون المقارنات بين النماذج أو المزوّدين مضلِّلة.

## النقاط الرئيسية

- أشهر الأرقام لكل موجّه تأتي من المزوّدين أنفسهم وتستخدم طرقًا مختلفة، فلا يمكن مقارنتها مباشرة.
- تغيير حدود القياس قد يضاعف النتيجة أكثر من مرة؛ فرقم Google نفسه لموجّه في Gemini ينخفض من 0.24 Wh إلى 0.10 Wh إذا احتُسبت شرائح الذكاء الاصطناعي وحدها.
- كثير من الأدوات تقدّر الطاقة من مواصفات العتاد ومتوسطات الشبكة الكهربائية بدل قياسها بالعدّادات.
- الشفافية بشأن التكاليف البيئية للذكاء الاصطناعي تتراجع لا تتحسن، وفق تحليل صدر عام 2025.
- الرقم الجيد يبيّن ما الذي قيس، وكيف، وضمن أي حدود، وعلى أي عتاد، ولأي مهمة.

لا يمكنكم إدارة ما لا تستطيعون قياسه، ولا يزال استهلاك الذكاء الاصطناعي (AI) للطاقة مقيسًا على نحو ضعيف. وهذه
ليست مسألة تفصيلية: فهي تحدد هل يمكن التحقق من ادعاءات الذكاء الاصطناعي الأخضر، وهل يستطيع المشترون مقارنة
المنتجات، وهل تستطيع السياسات استهداف الأمور الصحيحة. ومن دون أرقام جديرة بالثقة، يبقى كل ادعاء أخضر مجرد بيان
صحفي.

## لماذا يصعب الوثوق بأرقام طاقة الذكاء الاصطناعي؟ {#why-are-ai-energy-figures-hard-to-trust}

**لأن معظمها يأتي من الشركات التي تبيع الذكاء الاصطناعي، ويستخدم طرقًا لا تُنشر كاملة، ولا يمكن التحقق منه
باستقلالية.** وهذا لا يجعلها خاطئة، لكنه يجعل مقارنتها صعبة.

الرقمان الأكثر تداولًا لموجّه (prompt) نصي كلاهما مُعلن من أصحابه:

| الرقم | الجهة | ما نعرفه عن الطريقة |
|---|---|---|
| 0.24 Wh لموجّه نصي وسيط في تطبيقات Gemini | Google، 2025 | ورقة منشورة تصف الطريقة، بما في ذلك الأعباء الإضافية لمركز البيانات والسعة الخاملة. بيانات من مايو 2025، لم يُتحقق منها باستقلالية. |
| نحو 0.34 Wh لاستعلام متوسط في ChatGPT | الرئيس التنفيذي لـOpenAI، 2025 | تدوينة؛ لم تُنشر أي منهجية. |
| نحو 0.3 Wh لاستعلام نموذجي في GPT-4o | Epoch AI، 2025 | تقدير مستقل من معلومات علنية عن العتاد وحجم النموذج. |

تبدو الأرقام متقاربة، لكنها ليست متماثلة: فالوسيط ليس متوسطًا، والحدود تختلف. كما أنها لا تغطي إلا الموجّهات النصية
القصيرة، لا توليد الصور أو الفيديو، ولا الاستدلال الطويل، ولا الوكلاء.

## إلى أي حد تهمّ الحدود؟ {#how-much-does-the-boundary-matter}

**إلى حد كبير جدًا.** ورقة Google نفسها توضح ذلك. فاحتساب مسرّعات الذكاء الاصطناعي النشطة وحدها (TPU وGPU) يعطي
0.10 Wh لكل موجّه وسيط. وإضافة الخوادم المضيفة، والسعة الخاملة المُبقاة جاهزة للطلب، والأعباء الإضافية لمركز البيانات
مثل التبريد، يعطي 0.24 Wh، أي أكثر من الضعف.

موضع رسم الخط هو ما يحدد الجواب. وقد تشمل الحدود الكاملة لخدمة ذكاء اصطناعي:

1. شرائح الذكاء الاصطناعي التي تنجز العمل.
2. بقية الخادم: المعالجات والذاكرة والتخزين.
3. السعة الخاملة والاحتياطية المُبقاة لأوقات الذروة.
4. تبريد مركز البيانات وتحويل الطاقة.
5. الشبكة التي تنقل الطلبات والإجابات.
6. جهاز المستخدم.
7. تدريب النموذج، موزّعًا على استخداماته.
8. تصنيع العتاد (الكربون المتجسّد).

وينطبق الأمر نفسه على المقارنات الجريئة. فالادعاء بأن الذكاء الاصطناعي يستهلك طاقة أكثر أو أقل بمرات كثيرة مما
يستهلكه شخص يؤدي المهمة نفسها يتوقف على ما يُحتسب في كل جانب: حاسوب الشخص ووقته، وتدريب النموذج، والعمل اللازم
لمراجعة مخرجات الذكاء الاصطناعي وتصحيحها. وقد شدّدت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر
عُقدت عام 2026، وجمعت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، على وجوب إعلان حدود النظام قبل أن يكون لأي
مقارنة من هذا النوع أي معنى.

## ما الفرق بين التقدير والقياس بالعدّادات؟ {#what-is-the-difference-between-estimating-and-metering}

**القياس بالعدّادات يقرأ القدرة الفعلية من العتاد أثناء تنفيذ العمل؛ والتقدير يحسبها من افتراضات.** ولكلٍّ منهما
مكانه، لكنهما كثيرًا ما يُخلط بينهما.

- **القياس بالعدّادات** يستخدم عدّادات العتاد (مثل تلك المدمجة في المعالجات ووحدات GPU الحديثة)، أو عدّادات القدرة
  على الخوادم، أو عدّادات مركز البيانات. وهو دقيق لما يغطيه، لكنه يتطلب الوصول إلى العتاد.
- **التقدير** يضرب القدرة الاسمية المفترضة في مدة التشغيل ومعدل الاستخدام، ثم في متوسط كثافة الكربون في الشبكة
  الكهربائية. وأدوات مثل CodeCarbon تقدّر قدرة المعالجات ووحدات GPU والذاكرة وتطبّق كثافة الشبكة الإقليمية. وهي سهلة
  الاستخدام، لكنها أدوات تقدير لا عدّادات.

قد تبتعد التقديرات كثيرًا عن الواقع، لا سيما على عتاد سحابي مشترك لا ترون فيه ما يعمل إلى جانب عملكم. والقواعد
التقريبية البسيطة محفوفة بالمخاطر أيضًا: فقد أظهر Mytton وLundén وMalmodin عام 2024 أن طاقة الشبكة هي في معظمها خط
أساس ثابت، ولذلك فإن معاملات "كيلوواط ساعة لكل غيغابايت" تعطي صورة خاطئة عن أثر إرسال بيانات أكثر أو أقل.

وقد عدّ تقرير الاتحاد الدولي للاتصالات (ITU) لعام 2025 بشأن قياس الأثر البيئي للذكاء الاصطناعي الاعتمادَ الكبير على
التقديرات غير المباشرة، دون قياس تجريبي، مشكلةً ملحّة.

## هل تتحسن الشفافية؟ {#is-transparency-getting-better}

**ليس بمعظم المقاييس.** حلّل Luccioni وGamazaychikov وAlves da Costa وStrubell عام 2025 الإفصاح البيئي لنماذج
الذكاء الاصطناعي، وخلصوا إلى أن الشفافية بشأن تكاليف هذه النماذج وآثارها تراجعت، حتى مع تزايد استخدامها.

وبدأت التشريعات تدفع في الاتجاه المعاكس. فبموجب قانون الذكاء الاصطناعي الأوروبي، يجب على مزوّدي نماذج الذكاء
الاصطناعي العامة الغرض توثيق استهلاك الطاقة المعروف أو المقدَّر لنماذجهم (الملحق الحادي عشر، Annex XI). ويذهب هذا
التوثيق إلى الجهات التنظيمية والمزوّدين في المراحل اللاحقة، لا إلى الجمهور، ويُسمح بالتقديرات حيث لا يتوفر القياس.

## كيف يبدو القياس الجيد؟ {#what-would-good-measurement-look-like}

**رقم يمكنكم إعادة إنتاجه: ما الذي قيس، وكيف، وضمن أي حدود، وعلى أي عتاد، ولأي مهمة.** وثمة لبنات مفيدة موجودة
بالفعل:

- **مقاييس أداء مفتوحة** مثل ML.ENERGY Leaderboard، الذي يقيس طاقة الاستدلال (inference) للنماذج المفتوحة على عتاد
  معروف، و[ملصقات الطاقة ومقاييس الأداء](/ar/مقالات/ملصقات-الطاقة-ومقاييس-الأداء-للذكاء-الاصطناعي/) الآخذة في الظهور.
- **معايير** مثل ISO/IEC 21031:2024، أي مواصفة كثافة الكربون في البرمجيات (Software Carbon Intensity)، التي تحدد
  معدّل كربون لكل وحدة وظيفية انطلاقًا من الطاقة وكثافة الشبكة والانبعاثات المتجسّدة.
- **الدقة إلى جانب الطاقة.** الإجابة الرخيصة الخاطئة ليست كفاءة. ينبغي الإبلاغ عن أرقام الطاقة مع جودة النتيجة، ومع
  مقدار إعادة العمل التي احتاجت إليها.

كما يجب أن يصل القياس إلى مستويات أدق من "مركز البيانات": طلب واحد، أو نموذج، أو سطر من الشيفرة. فهذا النوع من
الإسناد هو ما يتيح للمهندسين العثور على الأجزاء المكلفة وإصلاحها.

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

- حين ترون رقمًا لطاقة الذكاء الاصطناعي، اسألوا: من قاسه، وضمن أي حدود، وهل قيس بالعدّادات أم قُدِّر؟
- قيسوا أحمال العمل الخاصة بكم على العتاد الذي تستخدمونه؛ راجعوا [قياس طاقة الذكاء الاصطناعي](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/).
- أعلنوا الحدود والطريقة مع أي رقم تنشرونه؛ راجعوا [إطلاق ادعاءات خضراء صادقة](/ar/الممارسات-الجيدة/ادعاءات-بيئية-صادقة-عن-الذكاء-الاصطناعي/).
- اطلبوا من المورّدين الطاقة المُقاسة لكل مهمة، لا نسبًا تسويقية؛ راجعوا [المشتريات المستدامة للذكاء الاصطناعي](/ar/الممارسات-الجيدة/المشتريات-المستدامة-للذكاء-الاصطناعي/).
- ابحثوا عن أدوات مساعدة في [دليل المنتجات](/ar/منتجات/) وعن مساعدة الخبراء في [دليل الاستشاريين](/ar/مستشارون/).

## الأسئلة المتكررة

### لماذا لا أستطيع مقارنة طاقة ChatGPT وGemini؟

لأن الأرقام المنشورة يعلنها أصحابها، وتغطي أشياء مختلفة، وتستخدم طرقًا لا تُنشر كاملة. فقد يشمل أحدها الأعباء الإضافية لمركز البيانات والسعة الخاملة، وقد لا يشملها الآخر. وإلى أن يُقاس الاثنان بالطريقة نفسها، لا يمكن الاعتماد على مقارنة مباشرة.

### ما الفرق بين تقدير طاقة الذكاء الاصطناعي وقياسها؟

القياس يقرأ القدرة الكهربائية من مستشعرات العتاد أو العدّادات أثناء تنفيذ العمل. أما التقدير فيحسب الطاقة من افتراضات مثل القدرة الاسمية للشرائح ومعدل استخدامها ومدة التشغيل. التقديرات مفيدة حين يتعذّر القياس، لكنها قد تبتعد كثيرًا عن الواقع.

### ما هي حدود النظام؟

الخط الذي يحدد ما يُحتسب. الحدود الضيقة لا تحتسب إلا شريحة الذكاء الاصطناعي؛ والحدود الأوسع تضيف الخادم والتبريد والسعة الخاملة والشبكة وجهاز المستخدم وتصنيع العتاد.

## المصادر

- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Misinformation by omission: the need for more environmental transparency in AI](https://arxiv.org/abs/2506.15572), Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- [Measuring what matters: how to assess AI's environmental impact](https://www.itu.int/hub/publication/s-gen-gda-001-2025/), International Telecommunication Union (2025)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [The ML.ENERGY benchmark: toward automated inference energy measurement and optimization](https://arxiv.org/abs/2505.06371), Chung et al., NeurIPS Datasets and Benchmarks (2025)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [Network energy use not directly proportional to data volume](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
