دعم 16 مشروعًا للذكاء الاصطناعي الأخضر في آسيا والمحيط الهادئ: دفعة إقليمية للابتكار المستدام

دعم 16 مشروعًا للذكاء الاصطناعي الأخضر في آسيا والمحيط الهادئ: دفعٌ إقليمي نحو الابتكار المستدام

في 7 سبتمبر 2026، أصدرت مدونة Google AI إعلانًا هادئًا لكنه كاشف: تدعم الشركة 16 مشروعًا للذكاء الاصطناعي الأخضر عبر منطقة آسيا والمحيط الهادئ. المنشور، الذي يحمل هذا العنوان حرفيًا، جزء من نمط أوسع يجب على المهندسين وفرق منصات تعلّم الآلة ومسؤولي الاستدامة قراءته بعناية. هذا ليس إعلانًا عن نموذج رئيسي، ولا يعد بنظام واحد اختراقي. بل الإشارة بنيوية: مؤسسة ذكاء اصطناعي كبيرة تنفق موارد حقيقية على محفظة من الجهود التي تربط الذكاء الاصطناعي مباشرة بالنتائج البيئية، وقد اختارت منطقة آسيا والمحيط الهادئ كأرضية اختبار.

ما الذي يعنيه ذلك للفرق الهندسية في المنطقة؟ أولًا، يعني أن الذكاء الاصطناعي الأخضر انتقل من التعليقات الأكاديمية إلى موقع سوقي. ثانيًا، يعني أن الأدوات والعادات التي نستخدمها لقياس الطاقة والكربون في أعمالنا تستحق الآن الاهتمام نفسه الذي نوليه لمقاييس الدقة. يفكك هذا المقال ما يمكن التحقق منه حول الإعلان، ولماذا يهم التركيز على آسيا والمحيط الهادئ، وكيف يمكنك تطبيق الانضباط نفسه القائم على "الكربون أولًا" على مشاريع الذكاء الاصطناعي الخاصة بك عبر سير عمل عملي ومفتوح.

ما الذي يخبرنا به الإعلان وما لا يخبرنا به

المصدر الأساسي لهذا المقال هو منشور مدونة Google AI، المتاح على:

• دعم 16 مشروعًا للذكاء الاصطناعي الأخضر في آسيا والمحيط الهادئ — مدونة Google AI

هذا المصدر، الذي كان متاحًا وتم التحقق منه، يثبت الحقيقة المركزية: تدعم Google 16 مشروعًا للذكاء الاصطناعي الأخضر في آسيا والمحيط الهادئ. كما يخبرنا مسار الرابط بشيء مفيد حول تأطير الجهد: المنشور موجود ضمن قسم اسمه ai-planet-accelerator-apac. بعبارة أخرى، تقع هذه المشاريع الستة عشر ضمن جهد مستمر باسم "مسرّع AI Planet" يستهدف منطقة آسيا والمحيط الهادئ.

عندما يعلن فريق عن رقم مثل "16 مشروعًا"، يكون الإغراء هو سرد الفائزين ووصف تقنياتهم. هذا المقال لا يفعل ذلك عمدًا. صفحة المصدر تحمل عنوان المقال المذكور لكنها لا تتضمن، بالتفصيل الذي يمكننا إعادة إنتاجه بأمان هنا، كتالوجًا مفصّلًا بكل الفرق الستة عشر وبلدانهم ومبالغ تمويلهم وحزمهم التقنية. الدرس للقراء منهجي بقدر ما هو تحريري: ميِّز الإشارة المؤكدة عن التفسير المحيط بها.

الإشارة المؤكدة قصيرة وقوية:

• تم اختيار أو دعم 16 مشروعًا.
• توصف بأنها مشاريع ذكاء اصطناعي أخضر.
• يتركز العمل في منطقة آسيا والمحيط الهادئ.
• الإعلان صادر عن مدونة Google AI.
• يربط مسار الصفحة هذا الجهد بـ Google DeepMind / AI Planet Accelerator APAC.

أي شيء آخر في النقاش العام — أي دولة لديها أكبر عدد من الفرق الممثَّلة، أي قطاع بيئي يحظى بالأفضلية، ما كانت نسبة القبول في المسرّع — يجب التعامل معه بحذر حتى يتم تأكيده من المصدر الأصلي أو من متابعة صادرة عن Google. ما يمكننا فعله دون تخمين هو بناء قراءة تقنية لسبب دعم مؤسسة ما 16 مشروعًا في وقت واحد، وما يعنيه ذلك لمجتمع الذكاء الاصطناعي في المنطقة.

الذكاء الاصطناعي الأخضر مقابل الذكاء الاصطناعي للمشكلات البيئية

يُستخدم مصطلح "Green AI" بشكل فضفاض عبر الصناعة، وهذا الغموض مهم. هناك اتجاهان للعمل مرتبطان لكنهما مختلفان:

1. جعل الذكاء الاصطناعي نفسه أكثر خضرة. يغطي هذا بنى النماذج الفعّالة، وتشغيلات التدريب الأصغر، وتوسيع النطاق المراعي للعتاد، وتحسين استخدام مراكز البيانات، والجدولة الواعية بالكربون. الهدف هو تقليل البصمة البيئية للحوسبة.
2. استخدام الذكاء الاصطناعي لحل المشكلات البيئية. يغطي هذا التنبؤ بمخرجات الطاقة الشمسية وطاقة الرياح، وكشف تسربات الميثان، ومراقبة التنوع البيولوجي، وتحسين استخدام المياه في الزراعة، وتحسين أنظمة الإنذار المبكر بالكوارث.

المشاريع الستة عشر المعلنة في منشور آسيا والمحيط الهادئ تقع على الأرجح عند تقاطع هاتين الفئتين. يمكن للمسرّع الإقليمي تمويل مشاريع تقلل التكلفة الكربونية للذكاء الاصطناعي ومشاريع تستخدم الذكاء الاصطناعي لحماية النظم البيئية. دون وجود القائمة الكاملة أمامنا، يجب أن نتجنب الادعاء بأن المشاريع الستة عشر كلها تقع في فئة واحدة. لكن يمكننا ملاحظة أن عبارة "مشاريع الذكاء الاصطناعي الأخضر" تشير بشكل متزايد إلى طيف وليس إلى تخصص واحد.

هذا الطيف هو بالضبط ما يجعل استراتيجية المشاريع المتعددة قوية. يمكن أن يفشل مشروع واحد طموح. أما محفظة من 16 رهانًا أصغر فيمكنها اختبار نماذج مختلفة من الاستدامة — الكفاءة، والقياس، والتكيف المناخي، والحفاظ على البيئة — والسماح للأقوى بالنجاح عبر الأدلة وليس الضجيج.

لماذا آسيا والمحيط الهادئ؟ المنطقة بوصفها أرضية اختبار

تُعد آسيا والمحيط الهادئ موطنًا منطقيًا، وربما ملحًا، لهذا النوع من التجريب. تحتوي المنطقة على بعض أسواق تبني الذكاء الاصطناعي الأسرع نموًا في العالم، وتركيزًا كثيفًا لمراكز البيانات، وتنوعًا هائلًا في شبكات الكهرباء. بعض البلدان في المنطقة لديها إمكانية الوصول إلى موارد مائية أو شمسية وفيرة؛ بينما لا يزال البعض الآخر يعتمد بشكل كبير على الكهرباء الأساسية المولدة من الفحم. يمكن أن تتباين كثافة الكربون — أي كمية ثاني أكسيد الكربون المنبعثة لكل كيلوواط/ساعة من الكهرباء — تباينًا كبيرًا عبر الحدود وحتى داخل البلد الواحد خلال اليوم الواحد.

يخلق هذا التباين تحديا تقنيًا وفرصة. بالنسبة لمهندسي الذكاء الاصطناعي، يمكن أن تتغير التكلفة الكربونية لتدريب النموذج نفسه تمامًا اعتمادًا على مكان وزمان تشغيله. المهمة التي تُنفَّذ في الساعة الخطأ على شبكة كهرباء قذرة قد تنبعث منها كربونات أكثر بعدة مرات من مهمة مطابقة لها تُنفَّذ في ساعة أنظف، دون أي تغيير في كود النموذج. في آسيا والمحيط الهادئ، هذا التباين ليس حالة حافة مجردة. إنه الواقع اليومي للفرق التي تدير الحوسبة في سنغافورة وطوكيو ومومباي وسيدني وجاكرتا أو سيول.

لذلك فإن الدفع الإقليمي منطقي تقنيًا: إذا كنت تريد تطوير ممارسة الذكاء الاصطناعي الأخضر التي ستتوسع عالميًا، فإن أفضل مكان لاختبارها هو منطقة تكون فيها ديناميكيات الشبكة معقدة، والتنظيم ما يزال يتطور، وإمكانات التأثير المناخي الإيجابي عالية.

استراتيجية المحفظة المكونة من 16 مشروعًا

لماذا 16 بدلًا من مشروع رئيسي واحد؟ نهج المحفظة هو خيار تصميم مقصود له مزايا عديدة.

أولًا، التوازي. تعمل مشكلات الذكاء الاصطناعي الأخضر المختلفة على أطر زمنية مختلفة. قد تنتج مكتبة محاسبة الكربون نتائج في غضون أسابيع، بينما يحتاج نظام مراقبة الحياة البرية إلى مواسم متعددة لإثبات نفسه. تمويل 16 مشروعًا في وقت واحد يسمح للمؤسسة بالتحوط في مواجهة عدم تكافؤ النضج.

ثانيًا، المصداقية الإقليمية. آسيا والمحيط الهادئ ليست كتلة واحدة. المشاريع في المناطق الاستوائية تهتم بالحرارة وكفاءة التبريد؛ والدول الجزرية تهتم باستقرار الشبكة ومخاطر ارتفاع مستوى سطح البحر؛ والاقتصادات الزراعية تهتم بالمياه والأسمدة. لا يمكن لأي مشروع واحد أن يتحدث إلى كل هذه السياقات. المحفظة المتنوعة جغرافيًا تمنح المسرّع مصداقية عبر المجتمعات.

ثالثًا، معيار نجاح مختلف. يُقاس إطلاق نموذج لغوي كبير بالمعايير. أما مشروع الذكاء الاصطناعي الأخضر فيُقاس بالكيلوواط/ساعة الموفرة، أو الانبعاثات التي تم تجنبها، أو عدد الهكتارات المراقبة. هذه مقاييس أكثر فوضوية. تشغيل العديد منها بالتوازي يولّد بيانات مقارنة: أي تدخل يحقق أكبر قدر من إزالة الكربون مقابل كل دولار مستثمر؟ هذه المقارنة أكثر قيمة من أي قصة نجاح رومانسية مفردة.

رابعًا، بناء النظام البيئي. الإعلان عن 16 مشروعًا يرسل إشارة إلى الجامعات والشركات الناشئة والمساهمين في المصادر المفتوحة بأن مجال الذكاء الاصطناعي من أجل المناخ في آسيا والمحيط الهادئ له مقعد على الطاولة. هذه الإشارة تدعو المزيد من المتقدمين في الدورة القادمة، وتقوي خطوط المواهب المحلية، وتطبّع فكرة أن ورقة تعلّم الآلة الجيدة ليست دقيقة فحسب، بل أيضًا مسؤولة عن استهلاكها للطاقة.

نقل الدفع الإقليمي إلى طرفيتك الخاصة

إذا كنت تعمل في الذكاء الاصطناعي في آسيا والمحيط الهادئ، فلست بحاجة إلى انتظار مسرّع رسمي لتطبيق مبادئه. يمكنك تبني هذا الانضباط في بيئتك اليوم. يظهر ما تبقى من هذا المقال سير عمل ملموسًا لقياس البصمة الكربونية لتجاربك، وفحص استخدام الطاقة، وجدولة أعباء العمل في ساعات أنظف.

يُقدَّم سير العمل هذا كمثال هندسي، وليست وصفًا للأدوات التي تستخدمها المشاريع الستة عشر المعلنة. يعتمد على أدوات حقيقية قابلة للتثبيت ومفتوحة المصدر وأوامر لينكس قياسية.

المتطلبات

لهذا الإعداد ستحتاج إلى:

• جهاز لينكس (يُوصى به Debian أو Ubuntu) مع صلاحية sudo.
• بايثون 3.9 أو أحدث.
• بيئة بايثون نظيفة لتجربتك.
• pip وحزم البناء القياسية.
• اختياري: وحدة معالجة رسومية NVIDIA مع nvidia-smi إذا كنت تريد قراءات طاقة على مستوى وحدة معالجة الرسوميات.

إذا كنت تختبر على حاسوب محمول أو على جهاز بدون وحدة معالجة رسومية، فسيظل المثال يعمل — سيقدّر CodeCarbon طاقة المعالج وتأثيرات الذاكرة، مما يمنحك رقمًا معقولًا للمقارنة بين عمليات التشغيل.

التثبيت خطوة بخطوة

أولًا، حدّث فهرس حزم النظام وثبّت الحزم الأساسية التي نحتاجها. يمنحنا هذا أدوات بايثون وpowertop، وهي أداة لينكس مفيدة لتصور استهلاك الطاقة على المضيف.

sudo apt update
sudo apt install -y python3 python3-venv python3-pip powertop

بعد ذلك، أنشئ دليل مشروع مخصصًا وبيئة افتراضية. عزل التبعيات يعني أننا نستطيع التجربة دون التأثير على بايثون النظام.

mkdir -p ~/green-ml-demo
cd ~/green-ml-demo
python3 -m venv .venv
source .venv/bin/activate

الآن قم بترقية أدوات التعبئة وثبّت مكتبة القياس الأساسية. codecarbon هي الأداة التي سنستخدمها لتتبع الانبعاثات التقديرية لعملية بايثون قيد التشغيل.

pip install --upgrade pip setuptools wheel
pip install codecarbon psutil

تحقق من تثبيت المكتبة بشكل صحيح وتحقق من الإصدار المتاح في البيئة:

pip show codecarbon | grep -E "Name|Version"

يجب أن ترى سطر الإصدار مطبوعًا، مما يؤكد التثبيت.

أمثلة الاستخدام

أبسط طريقة لاستخدام CodeCarbon هي داخل سكربت بايثون. المثال التالي يحاكي عبء عمل عدديًا صغيرًا — وهو نوع عمليات المصفوفات الكثيفة التي قد تنفذها حلقة تدريب صغيرة — ويقيس تكلفته الكربونية من البداية إلى النهاية.

أنشئ ملفًا باسم track_train.py:

# track_train.py
import time

import numpy as np
from codecarbon import EmissionsTracker


def small_training_simulation(steps: int = 100):
    """A stand-in for a real training loop."""
    matrix = np.zeros((1500, 1500))
    for step in range(steps):
        matrix += np.random.normal(size=(1500, 1500)) / (step + 1)
        time.sleep(0.05)
    return matrix.sum()


if __name__ == "__main__":
    tracker = EmissionsTracker(
        project_name="green-ai-demo-apac",
        output_dir="emissions",
        log_level="error",
        save_to_api=False,
        measure_power_secs=10,
    )
    tracker.start()
    try:
        result = small_training_simulation()
        print(f"Workload finished with result: {result:.2f}")
    finally:
        kg_co2 = tracker.stop()
        print(f"Estimated emissions: {kg_co2:.4f} kg CO2-eq")

شغّله:

python track_train.py

سيطبع السكربت نتيجة رقمية وقيمة انبعاثات تقديرية. بشكل افتراضي، يكتب المتتبع ملاحظاته المفصلة إلى ملف CSV داخل دليل emissions.

انظر إلى الأسطر الأولى من هذا الملف لفهم ما تم تسجيله:

head -n 5 emissions/emissions.csv

سترى أعمدة مثل timestamp وduration_s وemissions وcpu_power وgpu_power. تمنحك هذه الأعمدة مسار تدقيق لكل تجربة. إذا سأل زميل لماذا أصدر تشغيل تدريب معين قدرًا معينًا من الكربون، يمكنك الإجابة بالبيانات وليس الحدس.

الآن اجعل القياس مقارنًا. الذكاء الاصطناعي الأخضر ليس رقمًا واحدًا — إنه ممارسة تقليل هذا الرقم. شغّل التجربة نفسها مرتين: مرة بالإعدادات الافتراضية، ومرة بحجم مصفوفة أصغر أو خطوات أقل. قارن عمود الانبعاثات.

# compare_runs.py
import numpy as np
from codecarbon import EmissionsTracker


def workload(size: int, steps: int):
    matrix = np.random.normal(size=(size, size))
    for step in range(steps):
        matrix = matrix * matrix * 0.5 + np.ones_like(matrix)
    return matrix.std()


captured = {}
for name, size, steps in [("baseline", 1000, 400), ("efficient", 800, 300)]:
    tracker = EmissionsTracker(
        project_name=name,
        output_dir="emissions",
        log_level="error",
        save_to_api=False,
    )
    tracker.start()
    workload(size, steps)
    captured[name] = tracker.stop()
    print(f"{name}: {captured[name]:.4f} kg CO2-eq")

saved = captured["baseline"] - captured["efficient"]
print(f"Relative reduction: {(saved / captured['baseline']) * 100:.1f}%")

هذا النوع من المقارنة النسبية هو جوهر سير عمل الهندسة الخضراء. لن تتمكن دائمًا من تغيير الشبكة التي يستخدمها مركز البيانات الخاص بك، لكن يمكنك تقليل حجم النموذج، وتقليل الهدر في الدفعات، وإيقاف تشغيل التجارب غير الضرورية.

بعد ذلك، افحص استخدام الطاقة على مستوى النظام. إذا كان لديك وحدة معالجة رسومية NVIDIA، فاستعلم عن استهلاكها الحي للطاقة:

nvidia-smi --query-gpu=index,name,power.draw,utilization.gpu --format=csv -l 2

على جهاز بوحدة معالجة مركزية فقط، استخدم powertop لالتقاط تقدير على مستوى النظام:

sudo powertop --csv=/tmp/powertop_measurement.csv

يمكنك إيقاف الالتقاط بالضغط على Ctrl+C بعد بضع دقائق وفحص ملف CSV بحثًا عن أرقام طاقة المنصة.

الخطوة العملية الأخيرة هي الجدولة الواعية بالكربون. في آسيا والمحيط الهادئ، تتباين كثافة كربون الشبكة غالبًا حسب ساعة اليوم. إذا لم تستطع تقليل الحوسبة، يمكنك نقلها. النهج التالي على مستوى الصدفة يرسل تجربتك فقط خلال الساعات التي تحددها على أنها أنظف — على سبيل المثال، في وقت متأخر من الليل، اعتمادًا على مزيج الشبكة المحلية.

أضف مهمة مجدولة باستخدام cron:

crontab -e

ثم أدرج سطرًا يغير دليل العمل، وينشط البيئة، ويشغّل تجربتك:

20 3 * * * cd ~/green-ml-demo && . .venv/bin/activate && python track_train.py >> logs/train.log 2>&1

للتحكم الأكثر مرونة، استخدم سكربت مشرف بايثون يستقصي الوقت المحلي على فترات ثابتة وينتظر النافذة المفضلة قبل تشغيل مهمة التدريب:

# wait_for_window.py
import datetime
import subprocess
import time

CLEAN_HOUR_BEGIN = 2
CLEAN_HOUR_END = 6


def in_clean_window(now: datetime.datetime) -> bool:
    return CLEAN_HOUR_BEGIN <= now.hour < CLEAN_HOUR_END


if __name__ == "__main__":
    while not in_clean_window(datetime.datetime.now()):
        print("Waiting for cleaner grid window...")
        time.sleep(600)  # check every 10 minutes
    subprocess.run(["python", "track_train.py"])

هذا توضيح بسيط لجدولة واعية بالكربون. في الإنتاج، ستغذي السكربت ببيانات حقيقية لكثافة الشبكة في موقعك بدلًا من قاعدة ساعة ثابتة. لكن المبدأ صحيح: تعامل مع وقت تشغيل تجربتك كمتغير تحسين، وليس كأثر جانبي لراحة المطور.

من القياس إلى عادة إقليمية

الإعلان عن 16 مشروعًا للذكاء الاصطناعي الأخضر يخلق زخمًا. لكن الزخم دون قياس هش. إذا كان المجال يريد حقًا ابتكارًا مستدامًا في آسيا والمحيط الهادئ، فيجب على كل مشروع ممول أن يبلغ ليس فقط عن جودة نموذجه بل أيضًا عن كثافة طاقته لكل وحدة إخراج مفيدة. يجب أن يبدأ الباحثون في المنطقة بطرح الأسئلة: "ماذا كانت الزيادة في الدقة مقابل كل كيلوواط/ساعة؟" و"هل كان يمكن تحقيق النتيجة نفسها بنموذج أصغر على شبكة كهرباء أنظف؟"

هذه العادات تتوسع بشكل أفضل من أي منحة واحدة. عندما تسجل الانبعاثات إلى جانب نقاط فحص النموذج، فأنت تنشئ ثقافة. عندما تكافئ المهندسين على تقليل وقت التجربة وكذلك على تحسين الدقة، فأنت توائم حوافز الأعمال مع الحوافز البيئية. المشاريع الستة عشر في الإعلان بداية وليست نهاية. إنها تعمل كإثبات مفهوم وكطلب من المجتمع الأوسع لبناء البنية التحتية للقياس التي يحتاجها الذكاء الاصطناعي الأخضر.

الخلاصة العملية بسيطة. لست بحاجة إلى أن تكون جزءًا من مسرّع لتطلق سير عمل ذكاء اصطناعي أخضر. تحتاج إلى مكتبة تتبع، وقرار بقياس كل تشغيل، والصدق لمقارنة نتائجك بخط أساس. آسيا والمحيط الهادئ منطقة ذات نمو حوسبي مرتفع، وتعرض مناخي ملح، وشبكات كهرباء غير متجانسة بعمق. هذا يجعلها المكان المثالي لتحويل "الذكاء الاصطناعي الأخضر" من شعار إلى مقياس هندسي مقارن — تجربة واحدة في كل مرة.

الخلاصة

الإعلان عن دعم 16 مشروعًا للذكاء الاصطناعي الأخضر في آسيا والمحيط الهادئ هو إشارة إقليمية واضحة عن النية. ما يمكننا التحقق منه من المصدر موجز: العدد، والجغرافيا، والموضوع، والارتباط بمبادرة "AI Planet Accelerator". أما ما يجب أن نستنتجه فهو أوسع: مجتمع الذكاء الاصطناعي يتحول من الاحتفاء بالحوسبة الخام إلى مكافأة الحوسبة المسؤولة.

الاستجابة الهندسية تعني وضع هذا الاستنتاج موضع التنفيذ. تتبع انبعاثاتك. قارن عمليات التشغيل. استعلم عن طاقة وحدة معالجة الرسوميات. جدول العمل في نوافذ أقل كثافة كربونية. الأدوات حقيقية ومفتوحة وقابلة للتثبيت اليوم. يمكنك البدء ببيئة افتراضية وتجربة واحدة — ثم قم بقياس تحسنك بدقة مماثلة لقياسك لدقة نموذجك.

المشاريع الستة عشر التي أعلنت عنها Google هي جزء من دفع إقليمي نحو الابتكار المستدام. الدفع المهم بنفس القدر سيحدث داخل كل فريق لتعلّم الآلة يقرر جعل الكربون مقياسًا من الدرجة الأولى في حلقة التطوير.