Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
تُنشئ هذه الورقة مجموعة بيانات طولية وإطاراً تحليلياً جديداً لتوضيح أن البيانات العامة الحالية تفتقر إلى التفصيل اللازم والتعريف السببي للتحقق مما إذا كان كفاءة الاستدلال في الذكاء الاصطناعي تدفع نحو مفارقة جيفونز، حيث يحول استقرار الأسعار الملحوظ ونمو الحجم غير المتحقق منه دون التوصل إلى استنتاج نهائي حول ما إذا كانت الكفاءة ستؤدي في النهاية إلى الحد من إجمالي الطلب على الطاقة أو زيادته.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً حيث يؤدي جعل الآلة أكثر ذكاءً وأرخص تشغيلاً إلى استخدامها بشكل أكبر، مما يتسبب في ارتفاع استهلاكها الإجمالي للطاقة بشكل هائل. هذا هو جوهر سؤال حير الاقتصاديين لأكثر من قرن، والمعروف باسم "مفارقة جيفونز". تشير هذه المفارقة إلى أننا عندما نصبح أكثر كفاءة في استخدام مورد ما، فإننا لا نوفر هذا المورد بالضرورة؛ بل بدلاً من ذلك، يشجعنا انخفاض التكلفة على استخدامه بشراسة تجعل استهلاكنا الإجمالي ينمو. والي اليوم، انتقل هذا السؤال من مناجم الفحم إلى المجال الرقمي، متمحوراً حول الذكاء الاصطناعي. ومع تحول نماذج الذكاء الاصطناعي لتصبح أسرع وأرخص في التشغيل، يدور نقاش حاد حول ما إذا كانت هذه الكفاءة ستضع حداً لنهم الصناعة الهائل للطاقة، أو أنها، على العكس من ذلك، ستغذي انفجاراً في الطلب يفوق قدرتنا على توليد الطاقة. ولحسم هذا الأمر، نحتاج إلى رؤية ثلاثة أشياء تحدث في آن واحد: سعر استخدام الذكاء الاصطناعي، وحجم استخدامه، والطاقة الفعلية التي يستهلكها.
لقد شرع باحث يُدعى يوجين سبيفاك في البحث عن هذه القطع الثلاث من اللغز للأعوام من 2022 إلى 2026. كان الهدف هو بناء سجل موحد وشامل يتتبع سعر النص الناتج عن الذكاء الاصطناعي، وكمية النص المُنتج، والطاقة المطلوبة لإنشائه، وكل ذلك لنفس الخدمات والفترات الزمنية. أمضى سبيفاك سنوات في جمع البيانات من المصادر العامة، بما في ذلك النسخ المؤرشفة لصفحات الأسعار من أحد عشر مطوراً رئيسياً للذكاء الاصطناعي، والبيانات المتعلقة بعدد الرموز (التي هي الوحدات الأساسية للنص) التي تمت معالجتها، والأرقام المنشورة حول استهلاك الطاقة. وكانت النتيجة سجلاً ضخماً يحتوي على أكثر من ألف نقطة سعرية، وعشرات البيانات المتعلقة بالحجم، وأكثر من مائة رقم متعلق بالطاقة. ومع ذلك، فإن الاكتشاف الأهم لهذا العمل ليس تأكيداً للمفارقة، بل هو كشف لطبيعة البيانات نفسها: السجل العام ببساطة لا يحتوي على المعلومات اللازمة للإجابة على هذا السؤال.
كشف التحقيق أنه بينما نمتلك الكثير من الأرقام، إلا أنها نادراً ما تتوافق مع بعضها البعض بطريقة تسمح بإجراء مقارنة عادلة. فعلى سبيل المثال، عندما نظر الباحثون في أسعار نماذج ذكاء اصطناعي محددة بمرور الوقت، وجدوا أن تكلفة النموذج الواحد نادراً ما تغيرت. ففي ما يقرب من 700 حالة تم فيها فحص النموذج نفسه في أوقات مختلفة، ظل سعره ثابتاً تماماً. ولم تكن الانخفاضات الدراماتيكية في الأسعار التي تُذكر غالباً في الأخبار ناتجة عن قيام المطورين بخفض تكلفة الأدوات الموجودة، بل لأن نماذج جديدة أرخص طُرحت في السوق بينما ظلت النماذج القديمة باهظة الثمن. وهذا التمييز أمر بالغ الأهمية لأنه يعني أن "سعر" الذكاء الاصطناعي يتغير بسبب تغيير المنتجات، وليس فقط بسبب مكاسب الكفاءة.
وعندما حاول الباحث مطابقة هذه الأسعار مع حجم ما يستخدمه الناس فعلياً في الذكاء الاصطناعي، أصبحت البيانات أكثر تفتتاً. فبالنسبة لأكبر مزودين، وهما جوجل وOpenAI، هناك بيانات واضحة تظهر أن كمية النصوص التي يتم إنتاجها على منصاتهما نمت بسرعة هائلة، حيث تضاعفت بأكثر من أربع أو خمس مرات كل عام بين عامي 2025 و2026. وفي الوقت نفسه، لم تنخفض أسعار نماذجهما القياسية؛ بل في الواقع، ارتفعت بالنسبة للعديد من الفئات. وهذا يخلق صورة مربكة حيث ينفجر الاستخدام رغم أن التكلفة لكل وحدة لا تنخفض. ومع ذلك، تظل هناك فجوة حرجة: فالبيانات المتعلقة بالحجم لا تحدد بالضبط نوع النص الذي تعدّه. فقد تشمل النص المدخل، أو النص المخرج، أو البيانات المخزنة مؤقتاً، بينما تغطي قوائم الأسعار أنواعاً محددة من المخرجات فقط. وبدون معرفة ما إذا كانت أرقام الحجم وأرقام السعر تتحدث عن الشيء نفسه تماماً، فمن المستحيل القول ما إذا كان النمو في الاستخدام كان استجابة مباشرة لانخفاض السعر.
أما القطعة المفقودة التي تجعل الصورة كاملة مستحيلة، فهي بيانات الطاقة. فبينما توجد العديد من الادعاءات حول كمية الطاقة التي يستهلكها الذكاء الاصطناعي، فإن معظمها لا يحدد حدود قياسها. فبعض الأرقام تحسب فقط الرقائق الحاسوبية، بينما يشمل بعضها الآخر المبنى بأكمله، وأنظمة التبريد، والكهرباء المستخدمة لإبقاء الخوادم تعمل حتى عندما تكون في وضع الخمول. ولأن هذه القياسات تُؤخذ بمقاييس مختلفة، فلا يمكن مقارنتها ببعضها البعض بشكل موثوق، ناهيك عن مطابقتها مع بيانات السعر والحجم. وقد وجدت الدراسة أنه في أكثر من نصف أرقام الطاقة التي تمت مراجعتها، كان من المستحيل تحديد ما يتم قياسه بالضبط. وبدون وجود قياس واضح ومتسق للطاقة لكل وحدة عمل، ودون وجود رابط واضح بين السعر والحجم، لا يمكن للبيانات أن تظهر ما إذا كانت الكفاءة هي التي تقود الاستهلاك المرتفع.
في نهاية المطاف، يخلص هذا التدقيق الصارم إلى أننا لا نستطيع بعد أن نجزم ما إذا كان الذكال الاصطناعي يعاني من مفارقة جيفونز. السجل العام غير مترابط لدرجة تمنع إثبات أن مكاسب الكفاءة تسبب طفرة في إجمالي استخدام الطاقة، كما لا يمكنه إثبات أن الكفاءة ستحد في النهاية من هذا الاستخدام. تظهر البيانات أن استخدام الذكاء الاصطناعي ينمو بسرعة، لكنها لا تظهر أن هذا النمو ناتج عن انخفاض الأسعار أو تحسن الكفاءة. ويرى الباحث أنه لحل هذا الغموض، يجب على الشركات التي تبني هذه الأنظمة البدء في نشر بيانات أكثر وضوحاً. يتعين عليهم تحديد متى يسري السعر بالضبط، وتحديد ما تعده أرقام الحجم الخاصة بهم بدقة، وتحديد حدود قياسات الطاقة الخاصة بهم. وإلى أن يتم توفير هذه التفاصيل، سيظل النقاش حول مستقبل طاقة الذكاء الاصطناعي مسألة نظرية بدلاً من كونها حقيقة، مما يتركنا غير قادرين على معرفة ما إذا كانت هذه الآلة ستصبح أداة مستدامة أم مستهلكاً نَهِمًا للطاقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.