بقلم: م. أشرف الطراونة

ملخص بصري لفكرة Adaptive Carbon-Budget Gateway ومؤشرات المحاكاة الأولية من قياس الانبعاثات إلى التحكم بها أثناء التنفيذ

في وقت يتسارع فيه الاعتماد على نماذج الذكاء الاصطناعي التوليدي وما يصاحبه من ارتفاع في استهلاك الطاقة والأثر الكربوني، يطوّر المهندس أشرف الطراونة مفهومًا تقنيًا جديدًا تحت اسم «بوابة التنفيذ الكربوني للذكاء الاصطناعي» (Carbon-Budgeted Artificial Intelligence Execution Gateway – CBAI-EG)، تمهيدًا لاستكمال ملف الحماية الفكرية والتقديم للحصول على براءة اختراع.

يقوم الابتكار على فكرة مختلفة عن الأساليب التي تكتفي بقياس استهلاك الطاقة أو حساب الانبعاثات بعد اكتمال المهمة؛ إذ توضع البوابة بين التطبيقات وخدمات الذكاء الاصطناعي، وتحول الميزانية الكربونية إلى قيد تشغيلي فعلي يرافق كل طلب، إلى جانب عقد جودة دلالية يحدد الحد الأدنى المقبول لجودة النتيجة.

عند وصول طلب جديد، لا تفترض البوابة أن النموذج الأكبر هو الخيار الافتراضي. بل تولّد مجموعة من خطط التنفيذ المحتملة تختلف في حجم النموذج، والعتاد، وموقع التشغيل، وعمق RAG، وطول السياق، واستخدام التخزين المؤقت، والتوقيت. ثم يقيّم محرك القرار الطاقة والانبعاثات والكمون والجودة والأمن وسيادة البيانات لكل بديل، ويستبعد أي مسار لا يحقق القيود الإلزامية، قبل اختيار أقل خطة أثرًا كربونيًا من بين الخطط المقبولة.

ولا يتوقف التحكم عند لحظة الاختيار الأولى؛ فمراقب التنفيذ يقيس مسار الطلب أثناء التشغيل، ويخصم الأثر من الميزانية الكربونية، ويمكنه إعادة توجيه المهمة إذا ظهر أن الاستهلاك الفعلي يتجه إلى تجاوز المسار المتوقع. بذلك يصبح القرار «مغلق الحلقة» وقابلًا للتكيّف مع الواقع التشغيلي بدلاً من الاعتماد على تقدير ثابت قبل التنفيذ.

أظهرت المحاكاة الأولية الموسعة في أحد السيناريوهات التجريبية خفضًا كربونيًا وصل إلى 92.5% مقارنة بمسار يعتمد بصورة دائمة على النموذج الكبير، مع الحفاظ على قيود الجودة المحددة في ذلك السيناريو. وفي تشغيل تجريبي منفصل للنموذج الأولي على 12,000 طلب، سجّل النظام خفضًا كربونيًا قدره 81.0%، حيث انخفض إجمالي الأثر من 24.20 كجم CO₂e في خط الأساس إلى 4.61 كجم CO₂e في المسار التكيفي.

كما أظهر التشغيل نفسه أن 94.7% من الطلبات أمكن توجيهها عبر المسارات التكيفية، بينما احتاج 5.3% فقط إلى الرجوع للمسار الأساسي. وفي آلية التقطير الذاتي، حُسبت نقطة التعادل عند نحو 24,658 طلبًا وفق إعدادات الاختبار، وهي النقطة التي تصبح بعدها الوفورات لكل طلب قادرة على تعويض كلفة تدريب النموذج الأصغر المتخصص.

هذه المؤشرات نتائج أولية ناتجة عن المحاكاة وتشغيل النموذج الأولي، وليست بعد قياسات ميدانية مستقلة على بنيةGPU/CPU إنتاجية. المرحلة اللاحقة المستهدفة هي التحقق الميداني باستخدام قياسات طاقة وانبعاثات قابلة لإعادة الإنتاج، مع تثبيت اختبارات الجودة والسيادة والأمن.

القيمة الأساسية للاختراع لا تكمن في حساب الكربون فقط، بل في إدخال الكربون إلى قلب قرار التنفيذ. فإذا كانت المهمة بسيطة، يمكن أن يوجّهها النظام إلى نموذج أصغر أو ذاكرة دلالية أوCache؛ وإذا كانت معقدة، يمكن أن يصعد إلى نموذج أكبر وRAG أعمق. وإذا سمحت سياسات البيانات، يمكنه اختيار منطقة تشغيل ذات كثافة كربونية أقل، بينما يرفض هذا التحويل عندما تتعارض سيادة البيانات أو المتطلبات الأمنية معه.

هذا المنهج يفتح المجال أمام تطبيقات متعددة، من المساعدات الحكومية المعرفية ومراكز الاتصال الذكية، إلى منصات البحث المؤسسية والتشغيل الموزع متعدد المناطق، حيث يكون الهدف هو تقديم جودة مطلوبة بأقل أثر بيئي ممكن، وليس مجرد تشغيل أقوى نموذج متاح في كل مرة.

يعمل فريق التطوير بقيادة م. أشرف الطراونة على استكمال النموذج الأولي، وتثبيت القياسات التجريبية، وتوسيع اختبارات السيناريوهات المختلفة، وصياغة المطالبات الفنية والقانونية تمهيدًا لإيداع طلب براءة الاختراع. كما تستهدف المرحلة المقبلة التحقق من النتائج على بنية تشغيل فعلية وربط القياسات مباشرة بأجهزة ومعالجات GPU/CPU وعوامل كثافة الكربون الزمنية والمكانية.

وفي حال أثبتت الاختبارات الميدانية هذه المؤشرات ضمن نطاقات تشغيل متنوعة، يمكن أن تمثل البوابة طبقة تنفيذ جديدة تساعد المؤسسات ومشغلي منصات الذكاء الاصطناعي على الجمع بين الأداء، والجودة، والسيادة الرقمية، والكفاءة الاقتصادية، والاستدامة البيئية في قرار واحد قابل للقياس والتدقيق.