يمكن للذكاء الاصطناعي أن يساعد الشركات على تقليل استهلاك الطاقة، والحد من الهدر، وتقليل الاعتماد على العمليات اليدوية في إعداد تقارير ESG. لكن مطوري منتجات الذكاء الاصطناعي يدركون أيضًا الجانب الآخر من القصة: فكل نموذج يعمل على بنى تحتية تستهلك الكثير من الطاقة، وكل استدعاء لواجهة برمجة التطبيقات (API) ينطوي على تكلفة حاسوبية، كما أن الطلب على القدرات الحاسوبية لا يظهر أي علامات على التباطؤ.
ولهذا السبب، لا ينبغي التعامل مع استدامة الذكاء الاصطناعي لا كشعار ولا كذنب يجب التكفير عنه. بل يجب التعامل معها كمسألة تشغيلية. في إيطاليا، تركز النقاش الآن على فكرتين محددتين: «استدامة الذكاء الاصطناعي » و«الذكاء الاصطناعي من أجل الاستدامة». تتعلق الفكرة الأولى بالآثار البيئية للذكاء الاصطناعي نفسه، بينما تتعلق الثانية باستخدام الذكاء الاصطناعي لتحسين العمليات والاستهلاك والحوكمة البيئية. وفي السياق نفسه، «تضاعف مكون إعداد تقارير ESG المدعوم بالذكاء الاصطناعي ثلاث مرات تقريبًا خلال العام الماضي»، وفقًا لهذا التحليل حول استدامة الذكاء الاصطناعي والحوكمة ESG.
بصفتي مؤسس شركة متخصصة في الذكاء الاصطناعي، أرى أن كلاً من التهويل التلقائي والتفاؤل التكنولوجي السطحي أمران عديمي الجدوى. فالمسألة لا تكمن في تحديد ما إذا كان الذكاء الاصطناعي «جيداً» أم «سيئاً» بالنسبة للبيئة. بل تكمن في فهم أين يستهلك الموارد، ومتى يخلق قيمة حقيقية، وما هي الخيارات الملموسة التي تقلل من تأثيره دون المساس بفائدته.
أصبح النقاش حول الاستدامة والذكاء الاصطناعي أكثر نضجًا. أخيرًا. ليس لأن المشكلة قد حُلّت، بل لأنه أصبح من المستحيل اختزالها في عبارة مبتذلة.
من ناحية، تساعد الذكاء الاصطناعي الشركات والمنشآت على استخدام الطاقة بشكل أفضل، والحد من الهدر، وجعل إعداد تقارير ESG أكثر تنظيماً. ومن ناحية أخرى، تتطلب هذه الأنظمة نفسها قدرات حاسوبية ومراكز بيانات وأنظمة تبريد وشبكات ومكونات أجهزة، وهي أمور تنطوي على تكلفة بيئية حقيقية. وإذا نظرنا إلى أحد الجانبين فقط، فسنقوم باتخاذ قرار خاطئ.
الفئتان اللتان أستخدمهما في أغلب الأحيان هما اللتان أصبحتا شائعتين الآن في السياق الإيطالي أيضًا:
هذا الاختلاف ليس نظريًّا. إنه يجبرك على طرح سؤالين مختلفين. السؤال الأول هو: ما هو وزن حزمة الذكاء الاصطناعي الخاصة بي؟ والسؤال الثاني هو: هل يولد هذا الوزن فائدة بيئية أو تشغيلية ملموسة بما يكفي لتبرير وجوده؟
السؤال الصحيح ليس «هل نستخدم الذكاء الاصطناعي أم لا». السؤال الصحيح هو «هل هذه المهمة تتطلب حقًا هذه الكمية من الحوسبة؟».
الخطأ الذي أراه في أغلب الأحيان ليس تقنيًّا. إنه خطأ في اتخاذ القرار. تعتمد العديد من الشركات الذكاء الاصطناعي وكأنه يجب استخدام كل القوة المتاحة دائمًا. عمليًّا، تختار هذه الشركات النموذج الأكبر، وسير العمل الأكثر تعقيدًا، والأتمتة الأوسع نطاقًا، حتى عندما تكون المشكلة أبسط من ذلك بكثير.
في الواقع، تنطلق أي استراتيجية مستدامة من مبدأ أقل إثارة: التناسب. فإذا كان من الممكن تنفيذ مهمة ما بشكل جيد باستخدام حسابات أقل، ونقل بيانات أقل، وتعقيد أقل، فإن ذلك لا يُعد تنازلاً. بل هو خيار أفضل.
يبدأ الجزء الأكثر فائدة من النقاش عندما نتوقف عن الحديث بشكل مجرد. إن الأثر البيئي للذكاء الاصطناعي ليس مجرد رأي. إنه موضوع يتعلق بالبنية التحتية، والأرقام المتعلقة به واضحة بما يكفي لتفرض علينا توخي الحذر.
تشير مصدر إيطالي يستند إلى بيانات دولية إلى أن دراسة أجرتها جامعة ماساتشوستس عام 2019 قدّرت أن تدريب نموذج واحد للذكاء الاصطناعي قد يولد أكثر من 284 طنًا من ثاني أكسيد الكربون، وهو ما يعادل انبعاثات خمس سيارات طوال دورة حياتها الكاملة. ويشير المصدر نفسه إلى أن تطوير ChatGPT-3 استهلك حوالي 1,287 ميجاوات ساعة من الكهرباء، وهو ما يعادل الاستهلاك السنوي لحوالي 120-130 منزلًا أمريكيًا متوسط الحجم، كما يستشهد بتوقعات صادرة عن «جولدمان ساكس ريسيرتش» تفيد بأن الطلب على الكهرباء في مراكز البيانات قد يرتفع بنسبة 160%، بزيادة تبلغ حوالي 200 تيراواط/ساعة سنويًا بين عامي 2023 و2030، في حين أن الاستهلاك المرتبط بالذكاء الاصطناعي قد يصل بحلول عام 2028 إلى 19% من إجمالي احتياجات مراكز البيانات من الطاقة. وقد وردت جميع هذه البيانات في هذا التحليل الإيطالي حول التكلفة البيئية للذكاء الاصطناعي.
ليس المقصود هنا استخدام هذه الأرقام لإثارة الذعر الإعلامي. بل المقصود هو فهم حجم المشكلة. فإذا كنت تقوم بتطوير أو اعتماد الذكاء الاصطناعي، فأنت تساهم في زيادة الطلب على الطاقة التي تمس البنى التحتية بأكملها، وليس ميزانيتك المخصصة للسحابة فحسب.
قاعدة عملية: عند تقييم مشروع ذكاء اصطناعي، لا تقتصر على النظر إلى التكلفة لكل توكن أو لكل استدعاء واجهة برمجة التطبيقات. فالمشكلة الحقيقية غالبًا ما تكمن في المرحلة السابقة، أي في البنية التحتية التي تجعل هذا الاستدعاء ممكنًا.
يعتقد الكثيرون أن الأثر البيئي للذكاء الاصطناعي يقتصر تقريبًا على عملية التدريب فقط. وهذا تبسيط مريح، لكنه خاطئ. فاستهلاك الطاقة يتوزع على عدة مستويات:
| مكون مكون م م م م م م م م م م م م م م م م م م م م م م م م م م | لماذا هذا مهم |
|---|---|
| التدريب | يتطلب كميات كبيرة من الحوسبة المكثفة |
| الاستدلال | كل طلب من المستخدم يولد عملاً متكرراً بمرور الوقت |
| مركز البيانات | الإمداد بالطاقة، والتكرار، والإدارة المستمرة للبنية التحتية |
| التبريد | يجب تبديد الحرارة الناتجة عن الأنظمة بكفاءة |
| الشبكات ونقل البيانات | ينطوي نقل البيانات بين الأنظمة والمناطق والخدمات على تكلفة طاقة |
وهذا يغير الطريقة التي يجب أن نتعامل بها مع مسألة الاستدامة في مجال الذكاء الاصطناعي. فلا يكفي أن نتساءل «كم يستهلك النموذج من الطاقة». بل يجب أن نتساءل أيضًا عن المكان الذي يعمل فيه، وكم من حركة المرور يولد، وكم مرة يتم استدعاؤه، وما إذا كانت البنية قد صُممت للحد من الهدر.
ولهذا السبب، من المنطقي أيضًا دراسة الحالات التي تُستخدم فيها الذكاء الاصطناعي لتحسين البنية التحتية الخاصة بها. ومن الأمثلة المفيدة على ذلكتحسين كفاءة استخدام الطاقة في مراكز البيانات باستخدام الذكاء الاصطناعي، وهو ما يوضح جيدًا حقيقة بسيطة: المشكلة لا تكمن في النموذج فحسب، بل في البيئة التقنية بأكملها التي تدعمه.
إذا اقتصرنا على التكاليف، فإننا نفقد نصف الصورة. فالذكاء الاصطناعي يمكن أن يكون أيضًا أداة فعالة لتحسين الاستدامة المؤسسية. ليس من الناحية النظرية فحسب، بل من خلال عمليات ملموسة للغاية.
في السياق الإيطالي، وعند تطبيقها على أنظمة إدارة الطاقة، يمكن للذكاء الاصطناعي أن يقلل من استهلاك الطاقة التشغيلي في المنشآت الصناعية والشركات الصغيرة والمتوسطة من خلال توقع ذروات الطلب وتنظيم الأحمال في الوقت الفعلي، مثل أنظمة التدفئة والتهوية وتكييف الهواء (HVAC) والإضاءة. ويؤثر ذلك بشكل مباشر على انبعاثات النطاق 2 ويساعد على تحسين استخدام مصادر الطاقة المتجددة المتقطعة، كما هو موضح في هذا التقرير التفصيلي حول أنظمة إدارة الطاقة باستخدام الذكاء الاصطناعي.
هذا هو النوع من التطبيقات الذي أعتبره مبرراً حتى من الناحية البيئية. ليس لأنها مجانية، بل لأنها تستخدم الحسابات للتخلص من الهدر المادي المستمر. ففي منشأة تتسم بطلب متغير، قد يكون تنظيم التهوية أو التكييف أو الإضاءة في الوقت الفعلي أكثر فائدة من ألف شريحة عرض عن التحول الأخضر.
فيما يلي ثلاثة مجالات تُعد فيها الذكاء الاصطناعي مفيدًا حقًّا:
بالنسبة للشركات الصغيرة والمتوسطة، لا تنبع الفائدة غالبًا من نموذج مذهل، بل من نظام يمنع تكرار العمل. عمليات التصدير اليدوية، وملفات «إكسل» المتعددة، والمرفقات التي تُرسل مرارًا وتكرارًا، وعمليات المطابقة التي يقوم بها أشخاص مختلفون على نفس البيانات. كل هذا يستهلك الوقت والموارد التقنية وعرض النطاق الترددي والتركيز.
إن أي عملية يتم إعادتها خمس مرات من قبل أشخاص مختلفين تعتبر غير فعالة من الناحية البيئية أيضًا، وليس فقط من الناحية التنظيمية.
عندما تقوم الذكاء الاصطناعي بتركيز البيانات، وأتمتة الخطوات المتكررة، وجعل التحليلات قابلة لإعادة الاستخدام، فإن القيمة المضافة لا تكمن في الاستنتاج الفردي، بل في التخلص من التكرار.
بالنسبة لمن يعملون في مجال إعداد التقارير، يُعد نظام ELECTE الخاص بتقارير ESG مثالاً وثيق الصلة بهذه المشكلة، وهو مفيد لفهم كيف يمكن للأتمتة أن تقلل من الخطوات اليدوية وتشتت المعلومات دون تحويل كل نشاط إلى مشروع تكنولوجيا معلومات معقد.
الجانب المشجع هو أن هذا القطاع لا يقف مكتوف الأيدي. فالذكاء الاصطناعي هو الذي يسبب المشكلة، لكنه يدفع في الوقت نفسه عجلة الابتكارات التي تسعى إلى خفض تكلفته من حيث استهلاك الطاقة. لكن من الأفضل أن نكون صادقين: لا توجد حل واحد.
أحد الاتجاهات الواعدة هو ذلك الذي يركز على الترابط وكفاءة البنية التحتية. فعندما تنتظر أنظمة الحوسبة وصول البيانات، يتم إهدار الطاقة المركبة. وهذا أحد الأسباب التي تجعل من الضروري النظر إلى أجهزة الجيل الجديد ليس من منظور الأداء فحسب، بل من منظور الكفاءة أيضًا.
في النقاش الدائر حول التكنولوجيا، تنتشر مقترحات تركز على الوصلات الضوئية، وتحسين نقل البيانات، وتقليل التبديد. أما الجانب العملي، بالنسبة لمن يشترون الخدمات السحابية وليس الرقائق، فهو أمر آخر: اختيار مجموعات برمجية تؤدي المزيد من العمل المفيد مع تقليل أوقات الانتظار، وتقليل حركة المرور، وتقليل التكاليف الإضافية.
وينطبق هذا المنطق أيضًا خارج نطاق الذكاء الاصطناعي بالمعنى الضيق للكلمة. فمن يرغب في التفكير بشكل أعم في نماذج إنتاجية أقل إهدارًا يمكنه أن يجد أفكارًا مفيدة في هذه الممارسات المتعلقة بالاقتصاد المستدام، لا سيما لربط الكفاءة الرقمية بالحد من هدر المواد في العمليات.
على صعيد البرمجيات، غالبًا ما تكون العوامل الأكثر إثارة للاهتمام هي الأقل بريقًا والأكثر فورية:
هذا، حسب خبرتي، كان الخيار الأكثر تأثيرًا. لم يكن التغيير الأكثر فعالية هو إدخال تقنية مستقبلية، بل التوقف عن استخدام النموذج الأقوى في كل شيء. فالتصنيف، والتنسيق، واستخراج الأنماط المعروفة، والعديد من العمليات الداعمة لا تتطلب دائمًا نموذجًا متطورًا. بل تتطلب انضباطًا معماريًا.
إذا كانت النتيجة بالنسبة للمستخدم هي نفسها، فإن تقليل الحسابات لا يُعد تنازلاً. بل هو تصميم أفضل.
ولهذا السبب أتحدث كثيرًا عن «النموذج المناسب للمهمة المناسبة». وهذا يعني عمليًّا إنشاء طبقة توجيه تُخصص لكل عملية مستوى الطاقة اللازم. إنه خيار يتعلق بالتكلفة، ولكنه يتعلق أيضًا بالاستدامة.
يمكن لمن يرغب في التعمق في العلاقة بين الحلول التقنية والأثر البيئي أن يقرأ أيضًا تقرير ELECTE حول الذكاء الاصطناعي والبيئة، الذي يجمع العديد من الحالات واتجاهات التطوير دون تقديمها على أنها حلول سحرية.
الاعتراض الأهم هو أيضًا الأكثر إزعاجًا: فزيادة كفاءة الذكاء الاصطناعي لا تضمن تلقائيًّا انخفاض الاستهلاك الإجمالي. بل إن العكس هو ما يحدث أحيانًا.
عندما تصبح الحوسبة أكثر اقتصاديةً، وأكثر سهولةً، وأسرع، تميل الشركات إلى استخدامها بشكل أكبر. المزيد من الأتمتة، والمزيد من الطلبات، والمزيد من عمليات التكامل، والمزيد من العمليات التي يتم إنشاؤها «لأن تكلفتها منخفضة». هذا هو جوهر مفارقة الكفاءة.
ولهذا السبب، لا يمكن أن تقتصر الاستدامة في مجال الذكاء الاصطناعي على مجرد تطوير رقائق أفضل أو نماذج أكثر إحكاما. بل يجب أن تصبح معياراً من معايير الأولوية. وهناك بعض الأسئلة التي ينبغي طرحها قبل أي عملية تنفيذ:
إحدى أوجه القصور الأكثر وضوحًا في النقاش الإيطالي هي بالضبط هذه: الافتقار إلى مقاييس موحدة ونهج شامل لقياس البصمة البيئية للذكاء الاصطناعي على مدار دورة حياته، وهو موضوع تم التأكيد عليه في هذه النظرة النظامية حول استدامة الذكاء الاصطناعي.
المشكلة، إذن، لا تكمن في كبح الابتكار. بل في التوقف عن اعتبار الحوسبة مورداً مجانياً لا ينضب. ينبغي على كل مؤسسة أن تتعامل معها كما تتعامل مع الميزانية أو وقت الموظفين: كشيء يجب تخصيصه حيثما يولد قيمة حقيقية.
بالنسبة للشركات الصغيرة والمتوسطة، لا فائدة تذكر من الحديث عن الاستدامة دون وجود خطة تشغيلية. من الأفضل البدء بأربعة قرارات يمكن اتخاذها على الفور، حتى في غياب قياس دقيق للبصمة البيئية.
يشير مصدر إيطالي إلى أن العديد من النقاشات حول استدامة الذكاء الاصطناعي تتجاهل المفاضلة بين التكلفة والفائدة، في حين أن مراكز البيانات تستهلك بالفعل حوالي 3% من الطاقة العالمية. والسؤال الذي لا يحظى بالاهتمام الكافي هو: متى يكون من الأفضل استخدام نموذج أصغر أو عملية تقليدية لتجنب زيادة غير مستدامة في الاستهلاك والتكاليف؟ وقد تم تلخيص هذه النقطة بشكل جيد في هذا المقال حول المفاضلة البيئية للذكاء الاصطناعي.
اختر النموذج المناسب لحجم المشكلة
هذا هو الأداة التي توفر أفضل توازن بين البساطة والفعالية. لا تستخدم النموذج الأقوى كخيار افتراضي. استخدمه فقط عندما يُحدث فرقًا حقيقيًّا. بالنسبة للعديد من الأنشطة اليومية، تكفي النماذج الأبسط أو الأنظمة غير التوليدية.
قم بتقييم مزود الخدمات السحابية من حيث استهلاكه للطاقة أيضًا
لا تقتصر على النظر إلى السعر وزمن الاستجابة والامتثال فحسب. بل انظر أيضًا إلى الشفافية فيما يتعلق بمراكز البيانات، ومزيج الطاقة الإقليمي، والنهج المتبع في الكفاءة التشغيلية. فالموقع الجغرافي مهم. فحمل العمل لا يترك نفس الأثر في كل منطقة.
تقليل التكرار في سير العمل
إذا تم تصدير نفس البيانات أو نسخها أو إعادة تنسيقها وإعادة إرسالها عدة مرات، فأنت تهدر الموارد قبل أن نتحدث حتى عن الذكاء الاصطناعي. يمكن استخدام منصة مثل ELECTE، وهي منصة لتحليل البيانات مدعومة بالذكاء الاصطناعي مخصصة للشركات الصغيرة والمتوسطة، لتركيز البيانات وأتمتة التقارير وتقليل التحليلات المكررة. الميزة، في هذا السياق، لا تكمن في «القيام بالمزيد من الذكاء الاصطناعي»، بل في تقليل العمل غير الضروري.
تقيس أيضًا بشكل غير دقيق
ليست كل الشركات تمتلك أدوات لقياس الكيلوواط/ساعة أو انبعاثات ثاني أكسيد الكربون لكل عملية. لا بأس. ابدأ بالمقاييس التشغيلية المتوفرة بالفعل.
في ظل عدم وجود معيار راسخ حقًّا في هذا المجال، سأبدأ بجدول بسيط:
| المقاييس التشغيلية | ماذا يقول لك؟ |
|---|---|
| استدعاءات واجهة برمجة التطبيقات (API) عند اكتمال المهمة | إذا كنت تبذل جهدًا أكبر من اللازم للحصول على نتيجة |
| الحجم المتوسط للنموذج لكل عملية | إذا كنت تبالغ في تقدير حجم المهام |
| حجم البيانات المنقولة في كل جلسة | إذا كان سير عملك يولد حركة مرور يمكن تجنبها |
| التحليلات التي تم إعدادها ولكن لم يتم استخدامها | إذا كنت تقوم بأتمتة مخرجات لا يقرأها أحد |
القياس الخاطئ ولكن المتسق أفضل من عدم القياس على الإطلاق.
إذا لاحظت بعد ثلاثة أشهر أن عدد المكالمات لكل مهمة قد انخفض، وأن النماذج الكبيرة يتم تفعيلها بوتيرة أقل، وأن نقل البيانات أصبح أقل، فهذا يعني أنك لم تصل بعد إلى نظام محاسبة الكربون المثالي. لكنك تمتلك شيئًا مفيدًا للغاية: نظام كفاءة يقلل من الهدر الحاسوبي والتكلفة، وربما أيضًا التأثير البيئي.
لا يمكن معالجة مسألة الاستدامة في مجال الذكاء الاصطناعي بمجرد شعار. ولا حتى برفض أيديولوجي للذكاء الاصطناعي. بل تُبنى من خلال اتخاذ قرارات تقنية وإدارية أفضل.
على من يستخدم الذكاء الاصطناعي اليوم أن يوازن بين حقيقتين. الأولى: إن الأثر البيئي موجود، وهو آخذ في الازدياد، ولا ينبغي التقليل من شأنه. والثانية: يمكن للذكاء الاصطناعي أن يحقق فوائد ملموسة عندما يقلل من الهدر، ويحسن استخدام الطاقة، ويستبدل العمليات المتكررة وغير المنظمة بأنظمة أكثر ذكاءً. وتكمن جودة الاختيار في التوازن بين هذين الجانبين.
بالنسبة للشركات الأوروبية، هناك أيضًا مستوى ثانٍ من المسؤولية. فلا يكفي مجرد الامتثال للقوانين. بل يتعين فهم كيفية تداخل التكنولوجيا والبنية التحتية والحوكمة والملكية الفكرية. وبشأن هذه النقطة الأخيرة، أود أن أشير، لمن يرغب في التعمق في الإطار القانوني المصاحب لتبني الذكاء الاصطناعي، إلى هذا الدليل الخاص ببراءات اختراع الذكاء الاصطناعي، وهو مفيد لفهم الاستدامة التكنولوجية باعتبارها خيارًا استراتيجيًا طويل الأمد.
الاتجاه الصحيح لا يكمن في تقليل استخدام الذكاء الاصطناعي بشكل عام، بل في استخدام الذكاء الاصطناعي المناسب، في المكان المناسب، وبالقدرة المناسبة.
إذا كنت ترغب في اعتماد الذكاء الاصطناعي بطريقة أكثر كفاءة ووعيًا، يمكنك الاطلاع على كيفية عمل منصة ELECTE. تساعد هذه المنصة الشركات الصغيرة والمتوسطة على توحيد البيانات، وأتمتة التقارير، وتقليل الأعمال التحليلية المكررة، من خلال نهج عملي في اختيار النموذج وتحقيق الكفاءة التشغيلية.
.svg)
.svg)
.svg)
