Ecological Proportionality in Generative AI: The Ethics of Marginal Capability and Environmental Sufficiency

كلما طلبنا من الحاسوب كتابة قصة، أو حل مسألة رياضية، أو تلخيص مستند، فإننا في الواقع نستغل آلة ضخمة غير مرئية. هذه الآلة ليست مجرد أكواد برمجية؛ بل هي نظام مادي يتكون من الكهرباء، والمياه، وخوادم هائلة تضج في مراكز البيانات حول العالم. وكما تستهلك السيارة الوقود لتتحرك، تستهلك أنظمة الذكاء الاصطناعي هذه الطاقة لتفكر. لسنوات، ركز النقاش حول هذه التكنولوجيا على ما يمكنها فعله لنا — مدى ذكائها، وسرعة استجابتها، ومدى براعتها في محاكاة الإبداع البشري. ولكن بدأ يبرز سؤال أكثر هدوءاً وصعوبة: عندما نختار النسخة الأكثر قوة وقدرة من هذه الأدوات، هل ندفع ثمناً باهظاً للبيئة؟

يكمن جوهر هذه المعضلة في فكرة "القدرة الهامشية". تخيل أنك بحاجة لإرسال بريد إلكتروني بسيط؛ يمكنك استخدام أداة قياسية تؤدي المهمة بشكل جيد تماماً، أو يمكنك استخدام أداة فائقة القوة تؤدي المهمة نفسها ولكن بلمسة جمالية أكبر قليلاً. قد تكون الأداة القوية أفضل، لكنها تتطلب أيضاً طاقة أكبر بكثير للتشغيل. السؤال الذي يطرحه الباحثون الآن ليس ما إذا كانت الأداة القوية أفضل، بل ما إذا كانت تلك الزيادة الطفيفة في التحسن تستحق العبء الإضافي الذي تضعه على كاهل الكوكب. إنها مسألة تناسب: هل المصلحة تبرر التكلفة؟

تتناول دراسة جديدة أجراها باحثون من جامعة بوتوماك، وجامعة ولاية كاليفورنيا، نورثريج، وجامعة ماساتشوستس أمهرست، هذه المشكلة تحديداً. إنهم يقترحون طريقة جديدة للتفكير في كيفية اختيارنا للذكاء الاصطناعي الذي سنستخدمه. فبدلاً من اختيار النموذج الأكثر قوة المتاح تلقائياً، يجادلون بأن على المطورين والشركات واجب التساؤل عما إذا كان بإمكان نموذج أصغر وأقل استهلاكاً للطاقة القيام بالمهمة بنفس الكفاءة. إذا كان النموذج الأخف يمكنه تلبية الاحتياج، فإن اختيار النموذج الأثقل يتطلب سبباً واضحاً وصادقاً. ويطلق الباحثون على هذا اسم "اختبار التناسب القدراتي البيئي"، وهو مجموعة من الخطوات المصممة لضمان عدم إهدار الموارد في قدرة غير ضرورية.

ولمعرفة ما إذا كانت هذه الفكرة تصمد في العالم الحقيقي، نظر الفريق في مجموعة بيانات عامة تتعلق باثنين وأربعين تكويناً مختلفاً من النماذج من أحد قواعد البيانات. هذه البرامج الحاسوبية المتطورة هي التي تشغل العديد من برامج الدردشة والمساعدات الكتابية التي نراها اليوم. فحص الباحثون شيئين لكل تكوين: مدى قدرته على أداء المهام، وكمية الطاقة المقدرة التي يستهلكها لطلب واحد طويل. ووجدوا نمطاً واضحاً: بشكل عام، كلما زادت قدرة النموذج، زاد استهلاكه للطاقة. ومع ذلك، لم تكن العلاقة خطية؛ فكلما زاد ذكاء النماذج، لم تظل كمية الطاقة التي يحتاجها للانتقال إلى المستوى التالي ثابتة، بل بدأت في الارتفاع بشكل حاد.

قام الباحثون برسم خرائط لأكثر الخيارات كفاءة المتاحة، صانعين حداً لأفضل المقايضات بين الذكاء واستخدام الطاقة. واكتشفوا أنه بالنسبة للنماذج من الفئة العليا، كانت تكلفة اكتساب قدرة إضافية طفيفة هائلة. على سبيل المثال، الانتقال من نموذج بدرجة قدرة تبلغ ثلاثة وأربعين إلى نموذج بدرجة خمسة وأربعين تطلب أكثر من ضعف الطاقة اللازمة لطلب طويل واحد؛ حيث قفز استهلاك الطاقة من حوالي 9.79 واط/ساعة إلى 21.31 واط/ساعة. هذه الزيادة الصغيرة في الذكاء جاءت مع زيادة هائلة في التكلفة البيئية. وفي الواقع، كانت الطاقة الإضافية المطلوبة لهذه الخطوة الأخيرة أعلى بنحو ست مرات لكل نقطة قدرة مقارنة بالخطوات التي اتخذت في المراحل السابقة.

تشير هذه النتيجة إلى أن النماذج الأكثر قوة ليست فقط أغلى تكلفة في التشغيل، بل إن متطلباتها غير خطية للغاية. لا تدعي الدراسة أنه لا ينبغي أبداً استخدام النماذج الأكثر قوة؛ ففي المواقف التي تكون فيها السلامة، أو التشخيص الطبي، أو الاكتشاف العلمي المعقد على المحك، قد تكون تلك القوة الإضافية ضرورية تماماً. ولكن بالنسبة للمهام اليومية، مثل صياغة مذكرة روتينية أو تلخيص مقال إخباري، تشير الدراسة إلى أن الطاقة الإضافية هي على الأرجح هدر. ويجادل الباحثون بضرورة وضع الشركات لـ "عتبة كفاية" لمهامها. فإذا كان بإمكان نموذج أخف تحقيق تلك العتبة، فيجب أن يكون هو الخيار الافتراضي. وفقط إذا تطلبت المهمة حقاً المزيد، يجب على الشركة التصعيد إلى نموذج أثقل وأكثر استهلاكاً للطاقة، ويجب أن يكون بمقدورهم تبرير ذلك.

كما تسلط الورقة الضوء على خطر خفي في كيفية إدارتنا لهذه الأنظمة حالياً. فغالباً ما تلجأ الشركات إلى النموذج الأكثر قوة المتاح لأنها تعتبره "الأفضل"، مفترضة أن الأداء الأفضل يستحق دائماً التكلفة. هذا النهج يعكس عبء الإثبات؛ فبدلاً من التساؤل لماذا نحتاج لاستخدام الكثير من الطاقة، نحن ببساطة نستخدمها ونفترض أنها جيدة. يقترح الباحثون قلب هذا المنطق؛ إذ يجب أن يكون الخيار الافتراضي هو الخيار الأقل عبئاً الذي لا يزال يؤدي المهمة المطلوبة. وإذا أراد فريق ما استخدام نموذج أكثر قوة، فعليه تبرير الأثر البيئي الإضافي. لا يتعلق الأمر بإيقاف التقدم أو الحد من قدرات الذكاء الاصطناعي، بل بالتأكد من أن كل وحدة طاقة تُنفق تقابلها فائدة بشرية حقيقية.

وتحذر الدراسة أيضاً من ظاهرة تُعرف باسم "تأثير الارتداد". فإذا جعلنا الذكاء الاصطناعي أكثر كفاءة، فقد لا نوفر الطاقة الإجمالية؛ بل على العكس، نظراً لأنه أصبح أرخص وأسهل في الاستخدام، قد ينتهي بنا الأمر باستخدامه بشكل أكبر بكلاً، أو لفترات أطول، مما قد يلغي أي توفير تم تحقيقه. فالنظام الذي يستخدم نصف الطاقة لكل سؤال ولكنه يُسأل ثلاثة أضعاف عدد الأسئلة ليس في الواقع مفيداً للبيئة. لذلك، يجادل الباحثون بضرورة النظر إلى الصورة الكاملة: كم مرة يتم استخدام النظام، وكم مرة يتم التصعيد، ومن يتحمل تكلفة الكهرباء والمياه المطلوبة لتشغيله.

في نهاية المطاف، يعد هذا العمل دعوة للمساءلة. إنه يطلب منا التوقف عن معاملة التكلفة البيئية للذكاء الاصطناعي كأثر جانبي غير مرئي. ومن خلال قياس تكلفة الطاقة المحددة لاكتساب قدرة إضافية، جعل الباحثون هذه التكلفة مرئية. لقد أظهروا أن القفزة من "جيد جداً" إلى "ممتاز" يمكن أن تتطلب أحياناً موارد غير متناسبة. الهدف ليس اختيار النماذج الصغيرة بدلاً من الكبيرة، أو اختيار الكفاءة على حساب القدرة، بل الهدف هو اختيار الأداة المناسبة للمهمة. إذا كان بالإمكان إنجاز مهمة ما بقدر ضئيل من الطاقة، فينبغي القيام بذلك. وإذا احتجنا لقوة نموذج ضخم، فيجب استخدامه، ولكن يجب أن نفعل ذلك وعيوننا مفتوحة، مدركين تماماً ما الذي ندفع ثمنه ولماذا يستحق هذا الثمن. يضمن هذا النهج بقاء نمو الذكاء الاصطناعي متماشياً مع رفاهية الكوكب، بدلاً من الانحراف عنه.