# الكفاءة ليست كفاية: تأثير الارتداد في الذكاء الاصطناعي

> لماذا لا يضمن جعل الذكاء الاصطناعي أكثر كفاءة أن يستهلك طاقة أقل إجمالًا، وما تأثير الارتداد أو تأثير Jevons، وما الذي يساعد على إبقاء التوفير حقيقيًا.

Source: https://greenai.guide/ar/مقالات/الكفاءة-ليست-كفاية-تأثير-الارتداد-في-الذكاء-الاصطناعي/  
Updated: 2026-11-19

## باختصار

جعل كل مهمة من مهام الذكاء الاصطناعي (AI) أرخص لا يعني أن الذكاء الاصطناعي ككل يستهلك طاقة أقل، لأن المهام الأرخص تؤدي عادةً إلى مزيد منها. هذا هو تأثير الارتداد أو تأثير Jevons. ويحتاج الذكاء الاصطناعي الأخضر إلى الكفاءة (أداء كل مهمة بموارد أقل) وإلى الكفاية (أداء المهام التي تستحق فقط)، مع قياس التوفير على مستوى النظام كله.

## النقاط الرئيسية

- تخفّض الكفاءة الطاقة لكل مهمة؛ أما الطاقة الإجمالية فتتوقف على عدد المهام المنفَّذة.
- حين تجعل الكفاءة شيئًا أرخص، كثيرًا ما يزداد الطلب عليه، وأحيانًا بما يكفي لإلغاء التوفير. هذا هو تأثير الارتداد أو تأثير Jevons.
- أصبحت الحوسبة أكثر كفاءة بأضعاف هائلة على مدى عقود، ومع ذلك استمر استهلاكها الإجمالي للكهرباء في النمو.
- تسأل الكفاية هل تحتاج المهمة إلى الذكاء الاصطناعي أصلًا، أو إلى نموذج بهذا الحجم.
- لا تُحسب مكاسب الكفاءة توفيرًا إلا حين يُوضع سقف للاستخدام الإجمالي أو يُقاس أو يُسعَّر.

كثيرًا ما يُقدَّم الذكاء الاصطناعي (AI) الأخضر على أنه مشكلة كفاءة: اجعلوا النماذج أصغر والشرائح أفضل ومراكز البيانات
أنظف، فتنخفض البصمة. الكفاءة مهمة، لكنها وحدها لا تضمن أن يستهلك الذكاء الاصطناعي طاقة أقل. تشرح هذه المقالة السبب،
وما الذي يجب أن يرافقها.

## ما الفرق بين الكفاءة والكفاية؟ {#what-is-the-difference-between-efficiency-and-sufficiency}

**الكفاءة هي أداء المهمة بموارد أقل؛ والكفاية هي أداء المهام التي تستحق فقط.** كلتاهما تخفّض الأثر البيئي، لكنهما
تجيبان عن سؤالين مختلفين.

| | الكفاءة | الكفاية |
|---|---|---|
| السؤال | كيف نفعل هذا بطاقة أقل؟ | هل نحتاج إلى فعل هذا، وبهذا الحجم؟ |
| أمثلة | التقليم، والتكميم، وشرائح أفضل، والتبريد | عدم استخدام الذكاء الاصطناعي حيث يكفي بحث أو معادلة؛ استخدام نموذج صغير بدلًا من نموذج رائد |
| وحدة القياس | الطاقة لكل مهمة | الطاقة الإجمالية، والقيمة لكل وحدة طاقة |
| من يتصرف | المهندسون، وصانعو العتاد، ومشغّلو مراكز البيانات | المستخدمون، ومالكو المنتجات، والمشترون، وصانعو السياسات |

ليستا متنافستين. أجرت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عام 2026، ضمّت علماء رياضيات وعلماء
حاسوب وممثلين عن الصناعة، استطلاعًا حول ما إذا كان ينبغي للذكاء الاصطناعي الأخضر أن يركّز على الكفاءة أم على استخدام
الذكاء الاصطناعي حيث تدعو الحاجة فقط؛ وكانت الإجابة الأكثر شيوعًا "كلاهما بالقدر نفسه". راجعوا
[ما الذكاء الاصطناعي الأخضر؟](/ar/مقالات/ما-الذكاء-الاصطناعي-الأخضر/) للاطلاع على التعريفات الأوسع.

## ما تأثير الارتداد؟ {#what-is-the-rebound-effect}

**تأثير الارتداد هو الاستخدام الإضافي الذي يعقب صيرورة شيء ما أرخص أو أسهل.** وإذا كان الاستخدام الإضافي كبيرًا بما
يكفي ليفوق التوفير، ارتفع الاستهلاك الإجمالي. وتُسمّى هذه الحالة القصوى مفارقة Jevons (وتُعرف أيضًا باسم
[تأثير الارتداد](/ar/المسرد/#rebound-effect) في صورها الأخف).

وصفها الاقتصادي William Stanley Jevons في كتابه *The Coal Question* عام 1865. فقد رأى أن المحركات البخارية الأكفأ لن
تخفّض استهلاك بريطانيا للفحم، لأن الطاقة البخارية الأرخص ستُستخدم في أغراض أكثر بكثير. وكان محقًا: فقد استمر استهلاك
الفحم في الارتفاع.

وللارتداد درجات:

- **الارتداد المباشر:** تُنفَّذ المهمة الأرخص مرات أكثر. فروبوت المحادثة الأسرع والأرخص يُسأل أسئلة أكثر.
- **الارتداد غير المباشر:** يُنفق المال أو الوقت الموفَّر على شيء آخر يستهلك الطاقة هو أيضًا.
- **الارتداد على مستوى الاقتصاد كله:** تتيح القدرة الأرخص ظهور منتجات وصناعات جديدة بأكملها.

## هل حدث هذا في الحوسبة؟ {#has-this-happened-in-computing}

**نعم.** وجد Koomey وزملاؤه عام 2011 أن عدد العمليات الحسابية لكل وحدة طاقة تضاعف كل 1.57 سنة تقريبًا منذ أول
الحواسيب الإلكترونية في الأربعينيات. وخلال العقود نفسها، نما الاستهلاك الإجمالي للحوسبة من الكهرباء، لأن الحوسبة
الأرخص استُخدمت في أغراض أكثر بكثير.

وقدّرت مراجعة Freitag وزملائه عام 2021 للأثر المناخي لتقنية المعلومات والاتصالات (ICT) حصة القطاع بنسبة 1.8–2.8% من
انبعاثات غازات الدفيئة العالمية، أو 2.1–3.9% عند احتساب سلاسل التوريد بالكامل. ورأوا أن بصمة تقنية المعلومات والاتصالات
ظلت تنمو رغم مكاسب الكفاءة الكبيرة، وأن تأثيرات الارتداد يجب أن تؤخذ في الحسبان قبل احتساب الكفاءة توفيرًا مناخيًا.

## هل يسير الذكاء الاصطناعي على النمط نفسه؟ {#is-ai-following-the-same-pattern}

**تشير الدلائل الأولى إلى ذلك.** فالطاقة لكل مهمة من مهام الذكاء الاصطناعي تنخفض بسرعة، بينما يرتفع الطلب الإجمالي.

- أفادت Google عام 2025 بأن طاقة الطلب النصي الوسيط على Gemini انخفضت 33 ضعفًا خلال اثني عشر شهرًا، بفضل نماذج
  وبرمجيات وعتاد أفضل.
- وفي فترة مماثلة، توقعت الوكالة الدولية للطاقة أن يتضاعف استهلاك مراكز البيانات للكهرباء بأكثر من مرتين بحلول 2030،
  من نحو 415 تيراواط ساعة (TWh) في 2024 إلى نحو 945 تيراواط ساعة، وأن يكون الذكاء الاصطناعي أهم محرّك لهذا النمو.

ويمكن أن يصح الأمران معًا. فالطلبات الأرخص تجعل من المجدي اقتصاديًا إدخال الذكاء الاصطناعي افتراضيًا في نتائج البحث
والمستندات والهواتف وأدوات البرمجيات، وتشغيل وكلاء يجرون استدعاءات كثيرة لكل مهمة (راجعوا
[الذكاء الاصطناعي الوكيلي وهدر الرموز](/ar/مقالات/الذكاء-الاصطناعي-الوكيلي-وهدر-الرموز/)).

تناولت Luccioni وStrubell وCrawford هذه المسألة في ورقة عام 2025 عن الجدل البيئي المستقطب حول الذكاء الاصطناعي. ورأين
أن جعل الذكاء الاصطناعي أكثر كفاءة لن يضمن وحده ضررًا بيئيًا أقل، لأن مكاسب الكفاءة قد ترفع الاستخدام الإجمالي، وأن
الجدل يُغفل هذه التأثيرات غير المباشرة. ودعون إلى تقييم دورة الحياة مقرونًا بتحليل الحوافز التجارية والأسواق والحوكمة
والأعراف الاجتماعية.

## لماذا لا تتحول الكفاءة تلقائيًا إلى توفير؟ {#why-doesn-t-efficiency-automatically-become-a-saving}

**لأن المستفيد من الكفاءة عادةً ما ينفق المكسب.** وثمة ثلاث آليات شائعة في الذكاء الاصطناعي:

- **السعر.** ينقل المزوّدون انخفاض التكاليف إلى العملاء، فيزداد الاستخدام.
- **القدرة.** يُنفق التوفير المحقَّق عند حجم معيّن على نموذج أكبر أو سياق أطول، لأن الجودة تبيع.
- **الإعدادات الافتراضية.** حين يصبح الذكاء الاصطناعي رخيصًا بما يكفي لتفعيله للجميع، يُفعَّل للجميع، بمن فيهم من لم
  يطلبوه.

ولا شيء من هذا سبب للتوقف عن تحسين الكفاءة. فلولاها لكان الطلب الإجمالي أعلى. لكنه سبب لعدم احتساب مكاسب الكفاءة
توفيرًا مناخيًا إلى أن يُقاس الاستخدام الإجمالي.

## كيف تبدو الكفاية عمليًا؟ {#what-does-sufficiency-look-like-in-practice}

**تعني مواءمة الأداة مع المهمة، واختيار عدم استخدام الذكاء الاصطناعي أحيانًا.** ومن صورها العملية:

- **استخدموا طريقة حتمية حين تتوافر.** فالآلة الحاسبة أو استعلام قاعدة البيانات أو الطريقة العددية التقليدية عادةً
  أرخص وأكثر موثوقية من نموذج لغوي.
- **اختاروا النموذج بالحجم المناسب.** وجّهوا الطلبات البسيطة إلى نماذج صغيرة. راجعوا [اختيار النموذج المناسب](/ar/الممارسات-الجيدة/اختاروا-النموذج-المناسب-للمهمة/).
- **اجعلوا الذكاء الاصطناعي الثقيل اختياريًا لا افتراضيًا.** فالميزات التي تولّد محتوى عند كل عرض للصفحة تضاعف استهلاك
  الطاقة.
- **قلّلوا التكرار.** إعادة توليد صورة أو فيديو مرارًا حتى يبدو صحيحًا تضاعف تكلفة كل محاولة. والتعليمات الأفضل وأدوات
  التحرير تقلّل عدد المحاولات.
- **أعيدوا الاستخدام بدلًا من إعادة التوليد.** راجعوا [التنسيق بدلًا من التوليد](/ar/مقالات/التنسيق-بدل-التوليد/).

ومن الأفكار التي برزت في الورشة أن النظام، لا كل مستخدم على حدة، هو من ينبغي أن يتخذ هذه الخيارات حيثما أمكن، مثلًا
بالتوجيه التلقائي إلى أصغر نموذج وافٍ بالغرض، لأن مطالبة كل مستخدم بتقدير تكلفة الطاقة لكل طلب لا تصلح على نطاق واسع.

## كيف يمكن كبح الارتداد؟ {#how-can-rebound-be-kept-in-check}

**بقياس الاستخدام الإجمالي أو وضع سقف له أو تسعيره، لا الاستخدام لكل مهمة فحسب.** ومن الخيارات:

- **الميزانيات.** حدّدوا ميزانية للطاقة أو الرموز (tokens) أو الكربون لمشروع أو منتج، كي تُتيح مكاسب الكفاءة هامشًا بدلًا
  من أن توسّع الاستخدام تلقائيًا.
- **القياس على مستوى النظام كله.** أبلغوا عن الطاقة الإجمالية عبر الزمن، إلى جانب الطاقة لكل مهمة. راجعوا
  [القياس هو عنق الزجاجة](/ar/مقالات/القياس-هو-عنق-الزجاجة-في-الذكاء-الاصطناعي-الأخضر/).
- **الادعاءات الصادقة.** الادعاء بأن منتجًا ما "أكفأ بعدد X من المرات" لا يقول شيئًا عن الأثر الإجمالي. راجعوا
  [إطلاق ادعاءات خضراء صادقة](/ar/الممارسات-الجيدة/ادعاءات-بيئية-صادقة-عن-الذكاء-الاصطناعي/).
- **السياسات.** يؤثر تسعير الكربون وقيود الشبكة الكهربائية في الطلب الإجمالي بطريقة لا تحققها معايير الكفاءة وحدها.
  راجعوا [سياسة الذكاء الاصطناعي الأخضر](/ar/الممارسات-الجيدة/كيف-تكتبون-سياسة-للذكاء-الاصطناعي-الأخضر/).

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

- تتبّعوا إجمالي طاقة الذكاء الاصطناعي أو الإنفاق عليه عبر الزمن، لا أرقام كل طلب فقط.
- قبل إضافة ميزة ذكاء اصطناعي، اسألوا هل تكفي طريقة لا تعتمد عليه، وهل ينبغي أن تكون مفعّلة افتراضيًا.
- وجّهوا الطلبات إلى أصغر نموذج يؤدي المهمة: راجعوا [استخدام الذكاء الاصطناعي بكفاءة](/ar/الممارسات-الجيدة/استخدموا-الذكاء-الاصطناعي-بكفاءة-عادات-يومية/).
- حين تحققون مكسبًا في الكفاءة، قرّروا مسبقًا هل سيخفّض الاستخدام الإجمالي أم سيموّل استخدامًا جديدًا.
- اقرؤوا [دليل الشركات](/ar/أدلة/الذكاء-الاصطناعي-الأخضر-للشركات/) لمعرفة كيف تُدمج هذه الخيارات في المشتريات وتصميم المنتجات.

## الأسئلة المتكررة

### ما مفارقة Jevons؟

الملاحظة التي أبداها William Stanley Jevons أول مرة عام 1865 بشأن الفحم، ومفادها أن استخدام مورد ما بكفاءة أكبر قد يزيد إجمالي استهلاكه، لأن الكفاءة تجعله أرخص ومن ثم أوسع استخدامًا.

### هل يعني تأثير الارتداد أن الكفاءة بلا جدوى؟

لا. الكفاءة لا تزال ضرورية، ولولاها لكان الاستخدام الإجمالي أعلى. المقصود أن الكفاءة وحدها لا تضمن استخدامًا إجماليًا أقل، ولذلك يجب أن تقترن بالكفاية والقياس.

### ما الكفاية في الذكاء الاصطناعي الأخضر؟

استخدام الذكاء الاصطناعي فقط حيث يضيف قيمة كافية، واستخدام أصغر نموذج وأقل حوسبة تؤدي المهمة جيدًا. إنها تسأل «هل ينبغي أن نفعل هذا؟» إلى جانب «كيف نفعل هذا بتكلفة أقل؟»

## المصادر

- [The Coal Question](https://oll.libertyfund.org/titles/317), W. Stanley Jevons, Macmillan (1865)
- [From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate](https://arxiv.org/abs/2501.16548), Luccioni, Strubell and Crawford, ACM FAccT (2025)
- [The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations](https://doi.org/10.1016/j.patter.2021.100340), Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Measuring the environmental impact of delivering AI at Google Scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
