قد يكون للمنتج الرقمي الواحد أثر بيئي أقل من نظيره المادي (على سبيل المثال، استبدال الوثائق الورقية بعقود موقعة رقميًا). ومع ذلك، عندما نستخدم الخدمات الرقمية فإننا نستخدمها على نطاق مختلف تمامًا، مما يجعل هذه المقارنة أقل وضوحًا. فقد نجري مئات عمليات البحث يوميًا، ونتحدث مع روبوتات الدردشة، ونطلب تعديلات طفيفة على الصور المُنشأة. كما تتيح الإمكانات الجديدة التي توفرها تقنيات مثل الذكاء الاصطناعي حالات استخدام جديدة، مما يؤدي بدوره إلى زيادة الاستخدام الإجمالي.
يمثل ذلك مثالًا نموذجيًا لما يُعرف بـ مفارقة جيفونز (Jevons Paradox). فعندما تصبح عملية ما أكثر كفاءة وفعالية، فإننا نميل إلى استخدامها بشكل أكبر لا أقل. ومع ازدياد سهولة استخدام نماذج الذكاء الاصطناعي، وانخفاض تكلفة تشغيلها (من الناحية المالية البحتة، وسنتناول ذلك لاحقًا)، وتحسن سرعتها، يزداد اعتمادنا عليها، مما يبدد مكاسب الكفاءة ويرفع التكلفة الإجمالية بدلًا من خفضها.
ولو كان المال هو الشاغل الوحيد، لكانت المشكلة أقل إلحاحًا. لكن من المهم إدراك أن للذكاء الاصطناعي تكاليف بيئية مرتفعة، وعلينا أن نتعلم كيفية الحد منها، تمامًا كما نسعى إلى تقليل الانبعاثات والنفايات الناتجة عن مختلف الأنشطة التي يمارسها الأفراد والمؤسسات.
البنية التحتية والتدريب والاستدلال: من أين تأتي التكاليف البيئية للذكاء الاصطناعي؟
لا يقتصر الأثر البيئي لنماذج وأدوات الذكاء الاصطناعي على استهلاك الطاقة فحسب. فكما هو الحال مع أي تقنية رقمية، ينبغي النظر إلى جميع مراحل دورة حياتها والموارد اللازمة لاستمرار تشغيلها.
وغالبًا ما تكون منظمات القطاع غير الربحي مستهلكة للتقنيات والخدمات الرقمية أكثر من كونها مطوّرة لها. ومن أجل اتخاذ قرارات واعية بشأن المنتجات والخدمات التي تستخدمها، من المفيد فهم كيفية تطوير هذه التقنيات وآلية عملها ضمن سياق أوسع يتجاوز ما يظهر على شاشاتنا.
من استخراج المواد الخام إلى إنتاج الأجهزة
قبل أن تتمكن أي شركة من تدريب نموذج ذكاء اصطناعي جديد أو إطلاق خدمة مدعومة بالذكاء الاصطناعي في مراكز البيانات، لا بد أولًا من تصنيع الأجهزة التي سيُدرَّب النموذج عليها ويُشغَّل من خلالها لاحقًا.
ويُعد تصنيع وحدات معالجة الرسومات (GPUs) عملية كثيفة الاستهلاك للموارد بشكل استثنائي؛ إذ يستهلك مصنع أشباه الموصلات نحو 38 مليون لتر من المياه يوميًا لإنتاج المياه فائقة النقاء اللازمة لتصنيع الرقائق.
ويضاف إلى ذلك استخراج المعادن الأرضية النادرة، وهي عملية ترتبط في كثير من الأحيان بتكاليف بيئية محلية مرتفعة، مثل تلوث التربة والمياه الجوفية، فضلًا عن عمليات النقل والتشييد الفعلي لمراكز البيانات نفسها.
ونادرًا ما يحظى هذا الجانب من البصمة البيئية للذكاء الاصطناعي بالاهتمام الكافي في النقاشات العامة. فهو أكثر صعوبة في القياس مقارنة باستهلاك الطاقة، كما أنه يسلط الضوء على أبعاد أخلاقية مهمة تتعلق بالأشخاص الذين يعيشون أو يعملون بالقرب من مواقع استخراج المعادن أو مشاريع إنشاء مراكز البيانات.
والجانب الآخر من المشكلة يتمثل في النفايات الإلكترونية. فالسعي المستمر نحو أجهزة أكثر قوة يؤدي إلى تقليص العمر الافتراضي للعديد من المعدات والأجهزة.
وتشير التقديرات إلى أن الذكاء الاصطناعي قد يتسبب في إنتاج ما بين 1.2 و5 ملايين طن إضافية من النفايات الإلكترونية. وفي الوقت نفسه، ينمو حجم النفايات الإلكترونية عالميًا بمعدل يفوق قدرة إعادة التدوير بخمسة أضعاف، لينتهي جزء كبير منها في مكبات النفايات في الدول النامية، حيث تتسرب مواد مثل الزئبق والزرنيخ والرصاص إلى النظم البيئية المحلية.
تدريب النماذج
يتطلب تدريب نموذج لغوي ضخم (LLM) كميات هائلة من الطاقة.
فعلى سبيل المثال، استلزم تدريب GPT-4 ما يقارب 25,000 وحدة معالجة رسومية تعمل لمدة تتراوح بين 90 و100 يوم. وقدرت كمية الطاقة المستهلكة بما يتراوح بين 51,000 و62,000 ميغاواط/ساعة، أي أكثر من أربعين ضعف الطاقة المطلوبة لتدريب النموذج السابق GPT-3.
ويعادل ذلك استهلاك الطاقة لنحو ألف منزل أمريكي لمدة تتراوح بين خمس وست سنوات.
وفي الوقت الذي تستمر فيه بعض الشركات في تطوير نماذج أكبر وأكثر قدرة مع كل إصدار جديد، كما هو الحال في سلسلة GPT، تعمل شركات أخرى على تحسين كفاءة التدريب أو تطوير نماذج أصغر وأكثر تخصصًا لمهام محددة أو لأجهزة ذات قدرات محدودة.
وتُعرف هذه الفئة باسم نماذج اللغة الصغيرة.
الاستدلال (تشغيل النموذج)
يحظى تدريب النماذج باهتمام واسع بسبب حجمه الكبير، إلا أن الاستدلال، أي تشغيل النموذج لتوليد استجابات لطلبات المستخدمين، يمثل في الواقع التكلفة البيئية المستمرة والأكثر تأثيرًا على المدى الطويل.
فعلى نطاق مليار استفسار يوميًا، فإن نموذجًا عالي الكفاءة يستهلك نحو 0.42 واط/ساعة فقط لكل استفسار نصي قصير يمكن أن يؤدي إلى استهلاك سنوي للطاقة يعادل استهلاك نحو 35,000 منزل في الولايات المتحدة.
وتختلف النماذج بشكل كبير من حيث استهلاكها للطاقة. كما أن معظم البيانات التي تنشرها شركات الذكاء الاصطناعي تُقدَّم بصورة انتقائية للغاية، وغالبًا ما تركز على النماذج النصية فقط.
أما توليد الصور ومقاطع الفيديو، فيُعد أكثر تكلفة واستهلاكًا للطاقة بشكل ملحوظ مقارنة بالنماذج النصية.
العمل البشري ضمن سلسلة توريد الذكاء الاصطناعي
إذا نظرنا إلى مفهوم "البيئة" بمنظور أشمل يشمل تأثيراتها على صحة الإنسان ورفاهيته، فعلينا أن نأخذ في الاعتبار، إلى جانب التلوث البيئي المذكور سابقًا، الأشخاص الذين يشاركون في تقييم نماذج الذكاء الاصطناعي وتنقيحها وتحسينها.
وتشمل هذه الأعمال تصنيف بيانات التدريب، وتقييم مخرجات النماذج، وتنقية المحتوى الضار، وهي ممارسات تُعرف باسم التعلم المعزز بالتغذية الراجعة البشرية (RLHF).
وغالبًا ما يبقى هذا العمل منخفض الأجر بعيدًا عن الأنظار، حيث يُسند إلى شركات متعاقدة تعمل في دول ذات مستويات أقل من الحماية العمالية، مثل كينيا وأوغندا والهند.
وتشبه الآثار النفسية لهذا النوع من العمل ما يواجهه مشرفو المحتوى في منصات التواصل الاجتماعي، الذين يتعرضون بشكل مستمر لمحتوى عنيف أو صادم بهدف تصفيته قبل وصوله إلى المستخدمين.
كيفية اختيار أدوات ونماذج الذكاء الاصطناعي من منظور التكلفة البيئية
يمكن تقليل التكاليف البيئية المرتبطة باستخدام التقنيات الرقمية، بما في ذلك الذكاء الاصطناعي. إلا أن ذلك يتطلب التمييز بين الإجراءات ذات الأثر المنهجي الواسع، والإجراءات التي تقتصر على الخيارات الفردية، وتلك التي قد تتحول إلى مجرد ممارسات شكلية توحي بالمسؤولية البيئية دون أن تحقق أثرًا حقيقيًا.
وبصفتنا مؤسسات، لا نملك تأثيرًا مباشرًا على كيفية بناء النماذج أو تدريبها، لكن يمكننا التأثير في اختيار النماذج التي نستخدمها.
ولهذا ينبغي أن يكون الوصول إلى بيانات تتعلق بالكفاءة الطاقية والتكلفة البيئية جزءًا من معايير الاختيار. ومع ذلك، لا تزال هذه المعلومات محدودة نسبيًا في الوقت الحالي.
وبالإضافة إلى الاعتماد على البيانات المتاحة، ينبغي علينا أيضًا تعلم استخدام الذكاء الاصطناعي بوعي وترشيد. ففي الوقت الراهن، يستخدم كثير من الأفراد والمؤسسات الذكاء الاصطناعي، وخاصة الذكاء الاصطناعي التوليدي، في مهام لا يكون فيها الخيار الأنسب بالضرورة.
ومن المفيد التمييز بين بعض الفئات الأساسية من تقنيات الذكاء الاصطناعي من منظور التكلفة البيئية.
نماذج اللغة الكبيرة (LLMs)
تشمل هذه الفئة عائلات النماذج مثل:
GPT
Claude
Gemini
DeepSeekتُدرَّب هذه النماذج على مئات المليارات من المعاملات، وتعمل على البنية التحتية السحابية لشركات التقنية الكبرى.
وتُعد تكلفة تدريبها مرتفعة للغاية، إلا أنها تتوزع على ملايين المستخدمين.
ويجري الوصول إليها عادة عبر مواقع الويب أو تطبيقات الهواتف الذكية أو من خلال واجهات برمجة التطبيقات (APIs) المستخدمة في بناء الأدوات المخصصة، مثل ربط نموذج ذكاء اصطناعي بنظام إدارة علاقات العملاء.
وهذا يعني أن كل استفسار يُرسل إلى مركز بيانات خارجي لمعالجته.
وتتميز هذه النماذج بقدرات متقدمة جدًا، لكنها قد تستهلك موارد أكثر من اللازم عند استخدامها في مهام بسيطة، مثل طرح سؤال يمكن الإجابة عنه بسهولة من خلال محرك بحث تقليدي.
نماذج اللغة الصغيرة (SLMs)
تشمل هذه الفئة نماذج مثل:
Mistral Small 24B
Phi-4 14B
Gemma 2Bوتتميز هذه النماذج بعدد أقل من المعاملات وسرعة أكبر في التشغيل.
كما يمكن تشغيلها محليًا على جهاز حاسوب محمول أو خادم المؤسسة، وفي بعض الحالات حتى على الهواتف الذكية.
وتكفي هذه النماذج للعديد من المهام الشائعة، مثل:
تصنيف المستندات.
تلخيص المحتوى.
الإجابة عن الأسئلة استنادًا إلى قاعدة معارف المؤسسة.ويمكن تجربة هذه النماذج باستخدام أدوات مثل:
النماذج مفتوحة الأوزان
تشمل هذه الفئة نماذج مثل:
Llama
Qwen
Mistralوتتيح هذه النماذج الوصول إلى أوزانها التشغيلية وإمكانية تشغيلها محليًا.
وإلى جانب منح المؤسسات قدرًا أكبر من التحكم في مكان وزمان تشغيل النموذج، فإنها تتيح أيضًا لمن يحتاج إلى حلول أكثر تخصصًا إمكانية ضبط النموذج وتخصيصه ليتناسب مع احتياجاته الخاصة.
أمثلة عملية على اختيار أدوات الذكاء الاصطناعي بما يتناسب مع المهمة
فيما يلي بعض الأمثلة العملية التي توضح كيفية مواءمة أدوات الذكاء الاصطناعي مع طبيعة المهمة المطلوبة:
الاستعلامات والمهام المتكررة
يمكن تنفيذ مهام مثل البحث في الوثائق أو الإجابة عن الأسئلة استنادًا إلى مواد المؤسسة باستخدام نموذج محلي يعمل على خادم المؤسسة ويرتبط بقاعدة معرفية محددة.
وتُعرف هذه الأنظمة باسم أنظمة التوليد المعزز بالاسترجاع (RAG).
نسخ التسجيلات الصوتية
لا يتطلب نسخ التسجيلات الصوتية تشغيل نموذج لغوي ضخم قائم على الحوسبة السحابية مثل ChatGPT أو Gemini، والذي يستهلك موارد أكبر بكثير من أداة محلية متخصصة مثل OpenWhisper.
التحكم في الحاسوب بالأوامر الصوتية
في حين تشجع بعض الشركات المطورة للنماذج التجارية الكبرى على استخدام أدواتها لهذا الغرض، يمكن الاعتماد على أدوات محلية مفتوحة المصدر مثل Handy لتنفيذ هذه المهمة بكفاءة.
تحرير النصوص وتدقيقها
يمكن للنماذج اللغوية الصغيرة التي تعمل محليًا أن تؤدي مهام تحرير النصوص وتدقيقها بكفاءة عالية، دون الحاجة إلى اتصال دائم بالإنترنت.
ويمكن أن يؤدي اختيار نموذج أصغر أو أكثر تخصصًا لمهمة محددة إلى خفض التكاليف البيئية المرتبطة باستخدام الذكاء الاصطناعي داخل المؤسسة بصورة ملحوظة.
وتكون النماذج المحلية أكثر جدوى من الناحية البيئية عندما تعمل على أجهزة مناسبة، أو عندما يكون البديل هو الاستخدام المكثف لنموذج تجاري ضخم في مهام يمكن لنموذج أصغر تنفيذها بالكفاءة نفسها.
ومن المزايا الإضافية للنماذج المحلية أنها تمنح المؤسسة تحكمًا أكبر في أوقات تشغيلها الفعلية، إذ تعمل العديد من خدمات الذكاء الاصطناعي، ولا سيما تلك المدمجة في حزم البرامج المكتبية، في الخلفية حتى في الأوقات التي لا تكون هناك حاجة فعلية إليها.
متى يكون عدم استخدام الذكاء الاصطناعي هو الخيار الأفضل؟
في كثير من الحالات، قد يكون أفضل خيار لتقليل التكاليف البيئية المرتبطة بالذكاء الاصطناعي هو ببساطة عدم استخدامه، أو تنفيذ المهمة بالطريقة التقليدية.
فعلى سبيل المثال، عند إنتاج فيديو متعدد اللغات، غالبًا ما تكون الترجمة النصية التقليدية كافية لتحقيق الغرض، أو في أفضل الأحوال يمكن تسجيل مسار صوتي جديد ودبلجته.
أما إنشاء نسخة جديدة بالكامل من الفيديو باستخدام أدوات الذكاء الاصطناعي لكل لغة، بحيث تتم إعادة توليد الصورة والصوت معًا، فقد يكون في كثير من الحالات استخدامًا غير ضروري للموارد واستهلاكًا إضافيًا للطاقة دون قيمة مضافة حقيقية.
الاستعداد للمستقبل
تمثل الطاقة التي تستهلكها مراكز البيانات المستخدمة في تدريب نماذج الذكاء الاصطناعي وتشغيلها جزءًا فقط من إجمالي الطاقة التي يستهلكها القطاع الرقمي.
ومع استمرار نمو الطلب على الخدمات الرقمية والذكاء الاصطناعي معًا، فإن من المهم النظر إلى الصورة الأشمل. وحتى لو كان إسهام الذكاء الاصطناعي في إجمالي انبعاثات ثاني أكسيد الكربون العالمية محدودًا نسبيًا، فإن ذلك لا يعفي المؤسسات من مسؤوليتها تجاه فهم أثر استخدام هذه التقنيات واتخاذ قرارات أكثر وعيًا بشأنها.
ولهذا ينبغي على منظمات القطاع غير الربحي أن تطالب الشركات المطورة لهذه التقنيات بمزيد من الشفافية حول آثارها البيئية، وأن تراجع ممارساتها الداخلية كذلك، بما يتجاوز مجرد متابعة استهلاك الكهرباء أو تكاليف التشغيل المباشرة.
يمكننا الاستفادة من الإمكانات الكبيرة التي توفرها نماذج الذكاء الاصطناعي، لكن من منظور بيئي، ومن أجل الحفاظ على استقلالية المؤسسات وقدرتها على اتخاذ قرارات واعية، من المهم استخدام هذه الأدوات بصورة مدروسة ومخطط لها.
وقد يعني ذلك أحيانًا التخلي عن بعض المنتجات الأكثر شهرة في السوق، أو عدم استخدام الأدوات التي نلجأ إليها تلقائيًا لمجرد أنها حظيت بحملة تسويقية واسعة أو أصبحت الخيار السائد.
ملاحظاتكم تهمنا
ما رأيكم في هذا النص؟
خصصوا 30 ثانية لمشاركة ملاحظاتكم ومساعدتنا في تطوير محتوى قيّم للعاملين في القطاع غير الربحي.
إخلاء المسؤولية
تم إعداد هذا المورد ضمن مشروع «الذكاء الاصطناعي من أجل الأثر المجتمعي» التابع لـ برنامج النشاط الرقمي في TechSoup، بدعم من Google.org.
استخدم المؤلف أدوات الذكاء الاصطناعي في إعداد هذا المحتوى. ومع ذلك، فقد تمت كتابة المقالة ومراجعتها وتدقيقها بالكامل من قبل المؤلف وفريق TechSoup.
تتطور أدوات الذكاء الاصطناعي بسرعة، وبينما نبذل قصارى جهدنا لضمان دقة المحتوى الذي نقدمه، فقد تصبح بعض المعلومات بحاجة إلى تحديث مع مرور الوقت.
إذا لاحظتم وجود معلومة تحتاج إلى تصحيح أو تحديث، يرجى التواصل معنا عبر البريد الإلكتروني: