البصمة البيئية لنماذج اللغة الكبيرة

مع السعي الدؤوب نحو الابتكار في مجال الذكاء الاصطناعي (AI)، تم تطوير نماذج لغوية كبيرة (LLMs) متزايدة التعقيد. في حين أن هذه النماذج تعرض قدرات رائعة في مختلف المجالات، إلا أن العواقب البيئية المرتبطة بتدريبها ونشرها ظلت إلى حد كبير طي الكتمان. وتميل الشركات التي تطور نماذج الذكاء الاصطناعي إلى مشاركة بيانات الأداء على المعايير القياسية، ولكنها تتجنب التأثير البيئي. تسلط الأبحاث الحديثة الضوء على تكاليف الطاقة والمياه والكربون التي غالبًا ما يتم تجاهلها والمرتبطة بأدوات الذكاء الاصطناعي القوية هذه.

معيار جديد لتقييم الأثر البيئي

في السعي إلى تحديد الأثر البيئي للذكاء الاصطناعي كميًا، قدم فريق من الباحثين من جامعة رود آيلاند وكلية بروفيدنس وجامعة تونس معيارًا قياسيًا مدركًا للبنية التحتية لاستدلال الذكاء الاصطناعي. يقدم هذا البحث، المتاح على خادم ما قبل الطباعة بجامعة كورنيل arXiv، تقييمًا أكثر دقة للتأثيرات البيئية للذكاء الاصطناعي. يجمع المعيار القياسي بين بيانات زمن الوصول لواجهة برمجة التطبيقات العامة ومعلومات حول وحدات معالجة الرسومات (GPUs) الأساسية وتكوينات شبكة الطاقة الإقليمية لحساب البصمة البيئية لكل مطالبة (prompt) لـ 30 نموذجًا رئيسيًا للذكاء الاصطناعي. يأخذ هذا النهج الشامل في الاعتبار استهلاك الطاقة واستخدام المياه وانبعاثات الكربون، مما يؤدي إلى الحصول على درجة “كفاءة بيئية”.

يوضح عبد التواب هنيدي، الأستاذ المساعد في جامعة رود آيلاند، الدافع وراء الدراسة: “بدأنا نفكر في مقارنة هذه النماذج من حيث الموارد البيئية والمياه والطاقة والبصمة الكربونية.” تكشف النتائج عن تباينات كبيرة في التأثير البيئي لنماذج الذكاء الاصطناعي المختلفة.

التفاوتات في استهلاك الطاقة: OpenAI و DeepSeek و Anthropic

تسلط الدراسة الضوء على اختلافات كبيرة في استهلاك الطاقة بين نماذج الذكاء الاصطناعي الرائدة. يستهلك نموذجا o3 من OpenAI ونموذج الاستدلال الأساسي من DeepSeek أكثر من 33 واط/ساعة (Wh) لاستجابة واحدة موسعة. يتناقض هذا بشكل حاد مع نموذج GPT-4.1 nano الأصغر من OpenAI، والذي يتطلب طاقة أقل بأكثر من 70 مرة. يظهر نموذج Claude-3.7 Sonnet من Anthropic باعتباره النموذج الأكثر كفاءة من الناحية البيئية في الدراسة.

يؤكد الباحثون على الدور الحاسم للأجهزة في تحديد التأثير البيئي لنماذج الذكاء الاصطناعي. على سبيل المثال، يستهلك نموذج GPT-4o mini، الذي يستخدم وحدات معالجة الرسومات A100 الأقدم، طاقة أكبر لكل استعلام من نموذج GPT-4o الأكبر، الذي يعمل على شرائح H100 الأكثر تقدمًا. وهذا يؤكد على أهمية الاستفادة من الأجهزة المتطورة لتقليل البصمة البيئية للذكاء الاصطناعي.

الحصيلة البيئية لطول الاستعلام

تكشف الدراسة عن وجود علاقة مباشرة بين طول الاستعلام والتأثير البيئي. تؤدي الاستعلامات الأطول دائمًا إلى زيادة استهلاك الموارد. حتى المطالبات القصيرة التي تبدو غير مهمة تساهم في العبء البيئي العام. تستهلك مطالبة GPT-4o موجزة واحدة حوالي 0.43 واط / ساعة من الطاقة. يقدر الباحثون أنه بمعدل 700 مليون مكالمة GPT-4o متوقعة من OpenAI يوميًا، يمكن أن يتراوح إجمالي استهلاك الطاقة السنوي بين 392 و 463 جيجاوات / ساعة (GWh). ولوضع هذا في المنظور الصحيح، فإن هذه الطاقة تكفي لتزويد ما بين 35000 منزل أمريكي بالطاقة سنويًا.

الأثر التراكمي لاعتماد الذكاء الاصطناعي

تؤكد الدراسة على أن اعتماد المستخدمين الفرديين للذكاء الاصطناعي يمكن أن يتصاعد بسرعة إلى تكاليف بيئية كبيرة. توضح نضال جغم، الباحثة في جامعة رود آيلاند والمؤلفة الرئيسية للدراسة، أن “استخدام ChatGPT-4o سنويًا يستهلك مياهًا بقدر احتياجات الشرب لـ 1.2 مليون شخص سنويًا.” تحذر جغم من أنه على الرغم من أن التأثير البيئي لرسالة أو مطالبة واحدة يبدو ضئيلاً، “بمجرد توسيع نطاقه، خاصة مقدار توسع الذكاء الاصطناعي عبر المؤشرات، فإنه يصبح مشكلة متزايدة حقًا.”

التعمق أكثر في مقاييس الأثر البيئي

لتقدير الآثار المترتبة على نتائج الدراسة بشكل كامل، من الضروري إجراء فحص أكثر تفصيلاً للمقاييس البيئية المستخدمة لتقييم نماذج الذكاء الاصطناعي. تقدم الأقسام التالية تفصيلاً للمقاييس الرئيسية:

استهلاك الطاقة

يعتبر استهلاك الطاقة مقياسًا أساسيًا للطاقة الكهربائية المطلوبة لتشغيل نماذج الذكاء الاصطناعي. تحدد الدراسة استهلاك الطاقة بكمية الواط/ساعة (Wh) لكل استعلام، مما يسمح بإجراء مقارنة مباشرة لكفاءة الطاقة للنماذج المختلفة. يعد تقليل استهلاك الطاقة أمرًا بالغ الأهمية لتقليل البصمة الكربونية والتأثير البيئي العام للذكاء الاصطناعي.

العوامل المؤثرة في استهلاك الطاقة:

• حجم النموذج وتعقيده: تتطلب النماذج الأكبر والأكثر تعقيدًا عادةً طاقة أكبر لتشغيلها من النماذج الأصغر والأبسط.
• كفاءة الأجهزة: تلعب وحدات معالجة الرسومات ومكونات الأجهزة الأخرى المستخدمة لتشغيل نماذج الذكاء الاصطناعي دورًا مهمًا في استهلاك الطاقة. يمكن للأجهزة الأكثر تقدمًا وكفاءة في استخدام الطاقة أن تقلل بشكل كبير من البصمة البيئية للذكاء الاصطناعي.
• طول وتعقيد الاستعلام: تتطلب الاستعلامات الأطول والأكثر تعقيدًا بشكل عام المزيد من الموارد الحسابية وبالتالي تستهلك المزيد من الطاقة.
• تقنيات التحسين: يمكن لتقنيات التحسين المختلفة، مثل ضغط النموذج والتكميم، أن تقلل من استهلاك الطاقة لنماذج الذكاء الاصطناعي دون التضحية بالدقة.

استخدام المياه

يعد استخدام المياه جانبًا غالبًا ما يتم تجاهله من الأثر البيئي للذكاء الاصطناعي. تتطلب مراكز البيانات، التي تضم الخوادم التي تشغل نماذج الذكاء الاصطناعي، كميات كبيرة من المياه للتبريد. تقدر الدراسة استخدام المياه بناءً على استهلاك الطاقة لمراكز البيانات وكثافة المياه لشبكات الطاقة الإقليمية التي تزود الكهرباء لتلك المراكز.

العوامل المؤثرة في استخدام المياه:

• متطلبات التبريد: تولد مراكز البيانات حرارة كبيرة وتتطلب أنظمة تبريد للحفاظ على درجات حرارة التشغيل المثالية. غالبًا ما تُستخدم المياه كمبرد، إما بشكل مباشر أو غير مباشر من خلال أبراج التبريد.
• كثافة المياه في شبكة الطاقة: تشير كثافة المياه في شبكة الطاقة إلى كمية المياه المطلوبة لتوليد وحدة كهرباء. شبكات الطاقة التي تعتمد بشكل كبير على محطات الطاقة الحرارية، التي تستخدم المياه للتبريد، لديها كثافة مياه أعلى.
• موقع مركز البيانات: يمكن لمراكز البيانات الموجودة في المناطق القاحلة أو المناطق التي تعاني من ندرة المياه أن تزيد من تفاقم الأثر البيئي للذكاء الاصطناعي.

انبعاثات الكربون

تعتبر انبعاثات الكربون محركًا رئيسيًا لتغير المناخ. تحسب الدراسة انبعاثات الكربون بناءً على استهلاك الطاقة لنماذج الذكاء الاصطناعي وكثافة الكربون لشبكات الطاقة الإقليمية. تشير كثافة الكربون إلى كمية ثاني أكسيد الكربون المنبعثة لكل وحدة من الكهرباء المولدة.

العوامل المؤثرة في انبعاثات الكربون:

• مصدر الطاقة: لنوع الطاقة المستخدمة لتشغيل مراكز البيانات تأثير كبير على انبعاثات الكربون. مصادر الطاقة المتجددة، مثل الطاقة الشمسية وطاقة الرياح، لديها كثافة كربون أقل بكثير من الوقود الأحفوري مثل الفحم والغاز الطبيعي.
• كثافة الكربون في شبكة الطاقة: تختلف كثافة الكربون في شبكة الطاقة اعتمادًا على مزيج مصادر الطاقة المستخدمة لتوليد الكهرباء. المناطق التي لديها نسبة أعلى من مصادر الطاقة المتجددة لديها كثافة كربون أقل.
• كفاءة الطاقة: يعد تقليل استهلاك الطاقة الطريقة الأكثر فعالية لخفض انبعاثات الكربون.

الآثار والتوصيات

تترتب على نتائج الدراسة آثار كبيرة على مطوري الذكاء الاصطناعي وصناع السياسات والمستخدمين النهائيين. التأثير البيئي للذكاء الاصطناعي ليس ضئيلاً ويجب النظر إليه بعناية مع استمرار تقدم تكنولوجيا الذكاء الاصطناعي وانتشارها.

توصيات لمطوري الذكاء الاصطناعي:

• إعطاء الأولوية لكفاءة الطاقة: يجب على مطوري الذكاء الاصطناعي إعطاء الأولوية لكفاءة الطاقة عند تصميم وتدريب نماذج الذكاء الاصطناعي. ويشمل ذلك استخدام نماذج أصغر وتحسين التعليمات البرمجية والاستفادة من الأجهزة الفعالة.
• استكشاف مصادر الطاقة المتجددة: يجب على شركات الذكاء الاصطناعي استكشاف فرص لتشغيل مراكز البيانات الخاصة بها بمصادر الطاقة المتجددة. يمكن أن يؤدي ذلك إلى تقليل البصمة الكربونية للذكاء الاصطناعي بشكل كبير.
• الاستثمار في الحفاظ على المياه: يجب على مراكز البيانات الاستثمار في تقنيات الحفاظ على المياه لتقليل استخدام المياه. ويشمل ذلك استخدام أنظمة تبريد ذات دائرة مغلقة وتجميع مياه الأمطار.
• الشفافية والإبلاغ: يجب أن تكون شركات الذكاء الاصطناعي شفافة بشأن التأثير البيئي لنماذجها والإبلاغ عن المقاييس الرئيسية مثل استهلاك الطاقة واستخدام المياه وانبعاثات الكربون.

توصيات لصناع السياسات:

• تحفيز الذكاء الاصطناعي الأخضر: يجب على صانعي السياسات تحفيز تطوير ونشر تقنيات الذكاء الاصطناعي الخضراء من خلال الإعفاءات الضريبية والإعانات وغيرها من الحوافز.
• تنظيم استهلاك الطاقة في مراكز البيانات: يجب على صانعي السياسات تنظيم استهلاك الطاقة في مراكز البيانات لضمان تشغيل مراكز البيانات بأكبر قدر ممكن من الكفاءة.
• تشجيع اعتماد الطاقة المتجددة: يجب على صانعي السياسات تشجيع اعتماد مصادر الطاقة المتجددة لتقليل كثافة الكربون في شبكات الطاقة.
• دعم البحث والتطوير: يجب على صانعي السياسات دعم البحث والتطوير في التقنيات الجديدة التي يمكن أن تقلل من التأثير البيئي للذكاء الاصطناعي.

توصيات للمستخدمين النهائيين:

• كن حذرًا بشأن استخدام الذكاء الاصطناعي: يجب على المستخدمين النهائيين أن يكونوا حذرين بشأن استخدامهم للذكاء الاصطناعي وتجنب الاستعلامات غير الضرورية أو التافهة.
• اختر نماذج الذكاء الاصطناعي الصديقة للبيئة: متى أمكن، يجب على المستخدمين النهائيين اختيار نماذج الذكاء الاصطناعي المعروفة بأنها أكثر كفاءة في استخدام الطاقة.
• دعم ممارسات الذكاء الاصطناعي المستدامة: يمكن للمستخدمين النهائيين دعم ممارسات الذكاء الاصطناعي المستدامة من خلال اختيار منتجات وخدمات الذكاء الاصطناعي من الشركات الملتزمة بالمسؤولية البيئية.

اتجاهات البحث المستقبلية

تسلط الدراسة الضوء على الحاجة إلى مزيد من البحث في التأثير البيئي للذكاء الاصطناعي. يجب أن يركز البحث المستقبلي على المجالات التالية:

• تقييم دورة الحياة: إجراء تقييم شامل لدورة حياة نماذج الذكاء الاصطناعي، من التطوير إلى التخلص، لتحديد جميع الآثار البيئية المحتملة.
• تأثير التدريب: التحقيق في التأثير البيئي لتدريب نماذج الذكاء الاصطناعي، والذي يمكن أن يكون أعلى بكثير من تأثير الاستدلال.
• تأثير الذكاء الاصطناعي على القطاعات الأخرى: فحص تأثير الذكاء الاصطناعي على القطاعات الأخرى من الاقتصاد، مثل النقل والتصنيع، لفهم العواقب البيئية الإجمالية لاعتماد الذكاء الاصطناعي.
• تطوير مقاييس جديدة: تطوير مقاييس جديدة لتقييم التأثير البيئي للذكاء الاصطناعي، مثل المقاييس التي تأخذ في الاعتبار الطاقة والمواد المضمنة في أجهزة الذكاء الاصطناعي.

خاتمة

يمثل التأثير البيئي لنماذج LLMs قضية معقدة ومتعددة الأوجه تتطلب دراسة متأنية. تقدم نتائج هذه الدراسة رؤى قيمة حول تكاليف الطاقة والمياه والكربون المرتبطة بأدوات الذكاء الاصطناعي الشائعة. من خلال فهم هذه التكاليف، يمكن لمطوري الذكاء الاصطناعي وصانعي السياسات والمستخدمين النهائيين اتخاذ خطوات لتقليل البصمة البيئية للذكاء الاصطناعي وضمان تطوير تكنولوجيا الذكاء الاصطناعي ونشرها بطريقة مستدامة. مع ازدياد اندماج الذكاء الاصطناعي في حياتنا، من الضروري إعطاء الأولوية للاستدامة والعمل معًا لخلق مستقبل يفيد فيه الذكاء الاصطناعي المجتمع دون الإضرار بالبيئة.