من الحوسبة إلى التكلفة البيئية عبء الموارد للذكاء الاصطناعي

لماذا تهم المعادن داخل أجهزتنا الذكية

خلف كل روبوت دردشة ودود أو مولد صور ثمة عالم مخفي واسع من المعادن والتعدين والتصنيع. يكشف هذا البحث ما وراء الستار الرقمي ليبيّن أن الذكاء الاصطناعي (AI) ليس موضوعًا يختص بالكهرباء والبيانات فحسب؛ بل يتعلق أيضًا بالأجهزة المادية التي تجعله ممكنًا، من الشرائح القوية إلى العناصر الكيميائية المتعددة التي تحتويها. ومع نمو نماذج الذكاء الاصطناعي وزيادة قدراتها، يطرح البحث سؤالًا بسيطًا لكنه ملح: ما هي تكلفة المواد لهذا التقدّم على الكوكب وللناس الذين يعيشون بالقرب من المناجم والمصانع؟

من الطلب المتصاعد إلى الحدود الواقعية

يبدأ المؤلفون بوضع الذكاء الاصطناعي داخل قصة أوسع عن استخدام الموارد. في السنوات الأخيرة أصبحت مراكز البيانات والشرائح المتخصصة مركزية لكل شيء من البث إلى خدمات السحابة، والآن إلى الذكاء الاصطناعي. تضخ شركات التكنولوجيا العملاقة مئات المليارات من الدولارات في مراكز بيانات جديدة، ومن المتوقع أن تهيمن أحمال عمل الذكاء الاصطناعي على استخدامها بحلول نهاية العقد. وحتى الآن ركز النقاش العام في الغالب على مقدار الكهرباء والماء التي تستهلكها هذه المراكز. لكن الآلات في صلبها تعتمد على قائمة طويلة من المعادن والمعادن المعدنية، بعضها نادر أو يصعب تعدينه أو سام عند إساءة التعامل معه. يجادل البحث بأنه للحكم على ما إذا كان الذكاء الاصطناعي مستدامًا حقًا، يجب أن نتجاوز عد الكيلوواط-ساعات ونبدأ أيضًا في عد الكيلوغرامات من المواد.

ممَّ يتكون شريحة ذكاء اصطناعي واحدة فعلاً

لإسناد هذه المسألة المجردة إلى حقائق ملموسة، قام الباحثون بتفكيك وحدة معالجة رسومية مستخدمة على نطاق واسع، Nvidia A100، وحللوا محتوياتها كيميائيًا. حدّدوا 32 عنصرًا مختلفًا، بما في ذلك معادن شائعة مثل النحاس والحديد والقصدير، إلى جانب كميات أصغر من النيكل والباريوم والزنك وعدد من المعادن الثمينة مثل الذهب والفضة. الجدير بالملاحظة أن حوالي 90 بالمائة من كتلة الشريحة تتكوّن من معادن ثقيلة، وحوالي 93 بالمائة تقريبًا تتكون من عناصر مصنَّفة على أنها خطرة تحت ظروف التعرض النموذجية. لأجزاء مختلفة من الشريحة أدوار وتركيبات مميزة: المشتت الحراري يكاد يكون نحاسًا نقيًا للتبريد، بينما يمزج لوح الدوائر المطبوعة بين النحاس والحديد مع إضافات أخرى، في حين يتركز النواة الحاسوبية الصغيرة على السليكون ومجموعة متنوعة من المعادن الأخرى.

كم عدد الشرائح اللازمة لتعليم ذكاء اصطناعي التحدّث

بعد ذلك يربط البحث عبء العمل الرقمي المتمثل في تدريب النماذج الكبيرة بالاهتراء المادي للأجهزة. يقاس جهد التدريب بالـ FLOPs، وهو عد معياري لعدد العمليات الحسابية الأساسية التي يؤديها النموذج. من خلال تقدير عدد FLOPs التي يمكن أن توفرها Nvidia A100 على مدار عمرها المفيد، ومقارنة ذلك مع ميزانيات الحوسبة التي تم الإبلاغ عنها أو استنتاجها للنماذج الكبرى، يحسب المؤلفون عدد وحدات GPU التي تُستهلك فعليًا في عملية تدريب واحدة. وفق افتراضات واقعية بشأن عمر الشريحة والكفاءة، يستهلك تدريب نموذج لغوي متقدّم مثل GPT-4 ما يعادل آلاف وحدات A100. بالنسبة لمجموعة من تسعة نماذج بارزة، يقع إجمالي الطلب المادي في نطاق عدة أطنان من الموارد المستخرجة، أغلبها معادن خطرة تشكل مخاطر أثناء التعدين والتخلص.

زيادات صغيرة في الأداء وفواتير مادية كبيرة

يقارن البحث بعد ذلك كيف يتحسن أداء النماذج مقارنة بهذا العبء المتنامي للأجهزة. باستخدام اختبارات معيارية لمهارات الرياضيات والمعرفة العامة والبرمجة والأسئلة العلمية والمنطق اليومي، يظهر المؤلفون أن النماذج الأحدث والأكبر غالبًا ما تقدّم زيادات طفيفة فقط في الدرجات مقارنة بسابقاتها، على الرغم من استخدامها عشرات أو حتى مئات المرات من حيث الحوسبة. بعض القدرات، مثل حل المشكلات الرياضية المتقدّم، تتحسن بشكل كبير لكنها تبدو مستهلكة للموارد بشكل خاص. قدرات أخرى، مثل المنطق العام البسيط، تظهر تحسّنات طفيفة فقط حتى عندما ترتفع أحمال التدريب بشكل كبير. يشير هذا النمط إلى أن مجرد تكبير النماذج والأجهزة هو مسار ذو تكلفة متزايدة للتقدّم، ليس فقط من حيث الطاقة بل أيضًا من حيث استخراج المعادن والنفايات الإلكترونية المستقبلية.

طرق لتمديد عمر كل شريحة

يستكشف البحث أيضًا كيف يمكن للهندسة الأفضل أن تخفف من العبء المادي. يظهر رافعتان بارزتان. أولاً، تحسين مدى استغلال كل GPU أثناء التدريب يمكن أن يقلل عدد الوحدات المطلوبة؛ رفع نسبة الاستخدام من مستويات منخفضة إلى عالية يمكن أن يقلّص الطلب على GPU بأكثر من النصف. ثانيًا، إطالة العمر النموذجي للشرائح في مراكز البيانات — من حوالي سنة إلى ثلاث سنوات أو حتى خمس — يقلل المزيد من إجمالي عدد الوحدات التي يجب إنتاجها وفي النهاية التخلص منها. من خلال الجمع بين هذه التدابير، يقدر المؤلفون أن الطلب الفعّال على GPU لتدريب نموذج مثل GPT-4 يمكن، من حيث المبدأ، أن ينخفض بأكثر من 90 بالمائة. ومع ذلك، يحذّرون من أن المكاسب الواقعية تعتمد على التبريد والصيانة وتصميم النظام، وأن تحسّن الكفاءة قد يحفّز أحيانًا مزيدًا من استخدام الذكاء الاصطناعي عموماً، مما يعادل بعض المدخرات.

ما يعنيه هذا لمستقبل الذكاء الاصطناعي

خاتمةً، يجادل المؤلفون بأن البصمة البيئية للذكاء الاصطناعي لا يمكن الحكم عليها بأقراص كهرباء فقط. كل جيل جديد من النماذج القوية مبني على أساس من النحاس والنيكل والزرنيخ والر Lead والعديد من العناصر الأخرى المستخرجة من الأرض، غالبًا في مناطق ذات قدرة محدودة على السيطرة على التلوث وحماية العمال. ومع بدء تباطؤ مكاسب الأداء الناتجة عن التكبير القسري، يقترح البحث تغيير الأولويات: نحو بنى أكثر ذكاءً، وخوارزميات أفضل، وبيانات أعلى جودة، وأجهزة تدوم أطول، بدلاً من مجرد المزيد من نفس الشرائح. للقراء العاديين، الرسالة أن مساعديننا الرقميين وأدواتنا الإبداعية ليسوا بلا وزن. إنهم يحملون تكلفة مادية مخفية يجب الاعتراف بها وإدارتها إذا أراد الذكاء الاصطناعي أن ينمو دون أن يطغى على حدود موارد الكوكب والتلوث.

الاستشهاد: Falk, S., Kluge Corrêa, N., Luccioni, S. et al. From computation to environmental cost the resource burden of artificial intelligence. Commun Earth Environ 7, 397 (2026). https://doi.org/10.1038/s43247-026-03537-5

الكلمات المفتاحية: مواد أجهزة الذكاء الاصطناعي, تأثير وحدات معالجة الرسوميات على البيئة, تدريب نماذج اللغة الكبيرة, النفايات الإلكترونية, الحوسبة المستدامة