نحرق مدينة بأكملها لنحصل على إجابة واحدة Image: AI generated

ثمن إجابة واحدة

نموذج بتريليون معامل يستهلك من الكهرباء والماء ما يعادل مدينة بأكملها لينطق بإجابة واحدة.

في كل عملية استدلال يسخن مركز البيانات، ولتبريد ذلك الحر يتبخر الماء. تختلف التقديرات في عدد خاناتها بحسب المصدر، لكن الـ IEA يرى أن استعلامًا واحدًا على ChatGPT يستهلك ما يقارب عشرة أضعاف ما يستهلكه بحث عادي من الكهرباء، وثمة تحليل يقول إن إجابة من مئة كلمة تكلف زجاجة ماء كاملة. وحتى الإجابة العائدة بعد كل هذا الحرق، نصفها يحتاج إلى إعادة السؤال، وتنقلب رأسًا على عقب بكلمة واحدة: “هل أنت متأكد؟”. هدر فوق هدر.

ظننت أن هذا جنون.

أميل إلى رؤية الهدر بوصفه مشكلة تصميم لا حدًّا طبيعيًّا. إن كان ثمة شيء يُرمى، فالغالب أننا لم نعثر بعد على تصميم أفضل. لكن الذكاء الاصطناعي اليوم يسير في الاتجاه المعاكس. أكبر، أكثر حرقًا، وأكثر خطأً.

فبدأت أبحث عن جواب. لا بد أن يكون ثمة طريق آخر غير طريق التضخيم.

إذا لم يكن التضخيم هو الحل

كان جواب القطاع في اتجاه واحد. التوسّع (Scale). زيادة المعاملات، زيادة البيانات، زيادة السياق. وكلما اصطدموا بجدار رفعوا مطرقة أكبر.

التفكير وفق المبادئ الأولى يقول لك: توقف هنا. هل هذا صحيح حقًّا؟ هل الآلة الإحصائية الأكبر آلة أدق، أم مجرد آلة أغلى؟

عدت إلى الرمزي (symbolic). بدل تقريب المعنى بالإحصاء، طريقُ ربطه ببنية قابلة للتحقق. طريقُ إلصاق مصدرٍ وزمنٍ ودرجة ثقة بكل ادعاء حتى تتحقق الآلة من نفسها بنفسها. آمنت أن الجواب هناك، وهمت كالمجنون باحثًا عن الطريقة.

ثم رأيت الجواب في مكان غير متوقع.

العيب الذي حاول الجميع إصلاحه

للـ LLM عيب يلعنه الجميع. التملق.

حين تسأله “هل أنت متأكد؟” يتراجع عن إجابة كانت صحيحة ويزعم أنها خاطئة. ينحرف خلسةً نحو الاتجاه الذي يريده المستخدم. يجامل. إنها حتمية رياضية لنموذج تعلّم عبر RLHF “الإجابة التي يحبها الناس”، وليس لدى الشركات الكبرى حافز لإصلاحه. ليس خطأً، بل هو في الواقع ميزة.

يحاول الجميع التخلص منه. أنا سألت العكس: إن لم يكن بالإمكان التخلص منه، فإلى أين نجعله يتملق؟

كان الجواب بسيطًا. اجعله يتملق الـ fact.

افرش أمام النموذج حقائق مُتحقَّقًا منها، ولا تدعه يتكلم إلا فوقها. اترك غريزة التملق على حالها، لكن غيّر هدف التملق من مزاج المستخدم إلى حقيقة ثابتة. عندها يبدّل العيب وجهته. القوة التي كانت تجامل تتجه الآن نحو الحقيقة. يتحول التملق إلى دقة.

توقف التيه

كان الأثر أكبر مما توقعت.

ارتفاع الدقة كان بدهيًّا. ما أدهشني جاء بعده. توقف الوكيل عن التيه. الوكيل غير المربوط بالحقائق يهيم بلا نهاية. يصنع طريقًا يبدو معقولًا، ويبني فوق يقينٍ كاذبٍ صنعه بنفسه كذبًا تاليًا، ولا يدرك أنه طريق مسدود إلا بعد مسافة طويلة. في أحد التقييمات بالفعل، حتى أعلى النماذج أداءً عجز عن إتمام ما يقارب 70% من المهام متعددة المراحل (Carnegie Mellon). كل تلك الخطوات الخائبة توكنز. كهرباء. ماء.

حين فرشت الحقائق، لم يضل الوكيل طريقه. قلّت الخطوات الخائبة. ولهذا قلّ إهدار التوكنز.

هنا التقى شيئان في واحد. لم تكن الدقة والتوفير مقايضة. كانا الشيء نفسه. الوكيل الأدق يحرق أقل. النموذج المربوط بالحقائق أرخص وأصوب. صفر هدر لم يكن مسألة خفض تكلفة، بل اسمًا آخر للصواب.

أكتبها بصدق: هذا ما رأيته فوق تجربتي، ولا أستطيع بعد الجزم بأنه يتكرر بالقدر نفسه في كل مجال وعلى كل مقياس. لكن الاتجاه واضح. حين تُثبّت الحقيقة، يتيه النموذج أقل ويحرق أقل.

فقررت أن أُعلِنه

كان بوسعي أن أحتفظ بهذا لنفسي. لكن أول ما خطر ببالي حين رأيت الرسم البياني لم يكن خطة عمل، بل حرارة مراكز البيانات. هدر على مقياس البشرية. أمام ذلك لم يكن لـ"أنا وحدي أعرف" أي معنى.

فقررت أن أُعلن هذا للعالم.

المبدأ ليس مما يُخبَّأ. اربط النموذج بالحقائق. لا تحارب لتزيل التملق، بل غيّر هدف التملق. لا تدعه يتكلم إلا فوق بنية قابلة للتحقق. هذا يستطيع أي أحد فهمه، ويجب أن يستطيع أي أحد التحقق منه. عندئذ فقط يكون حقيقيًّا.

وأطلقت عليه اسمًا. الزمام (Reins). لا سياجًا يحبس الحصان، بل زمامًا يمسك الوجهة. ليس ربط الوكيل كي لا يتحرك، بل الإمساك بوجهته بزمام الحقيقة كي يتيه أقل ويحرق أقل.

معرفة المبدأ شيء، وفرضه فعليًّا في كل مهمة شيء آخر. وإلى أين يمضي الثاني، فذلك شأن مقال آخر.

هذا المقال ليس إلا قصة عن سبب سلوكي هذا الطريق. قصة شخص ظنّ أن حرق مدينة كاملة من أجل إجابة واحدة جنون، فالتقط الجواب من عيبٍ أراد الجميع التخلص منه.

مقالات ذات صلة

المراجع

التملق (sycophancy)

  • Sharma et al. “Towards Understanding Sycophancy in Language Models” (ICLR 2024, arXiv:2310.13548)
  • Perez et al. “Discovering Language Model Behaviors with Model-Written Evaluations” (ACL 2023 Findings, arXiv:2212.09251)
  • Shapira et al. “How RLHF Amplifies Sycophancy” (2026, arXiv:2602.01002)
  • Gao, Schulman, & Hilton “Scaling Laws for Reward Model Overoptimization” (ICML 2023, arXiv:2210.10760)
  • Fanous et al. “SycEval: Evaluating LLM Sycophancy” (AAAI 2025, arXiv:2502.08177)
  • Wang et al. “When Truth Is Overridden” (AAAI 2026, arXiv:2508.02087)
  • Ibrahim et al. “Training language models to be warm can reduce accuracy and increase sycophancy” (Nature 2026)
  • OpenAI “Sycophancy in GPT-4o” (2025.4)

الطاقة (مراكز البيانات)

  • “We did the math on AI’s energy footprint.” MIT Technology Review, 2025-05-20. من 57 إلى 6,706 جول للاستجابة الواحدة (صغيرة إلى كبيرة)، ومقطع فيديو من 5 ثوانٍ نحو 3.4 ملايين جول. link
  • IEA Electricity 2024. توقّع تجاوز كهرباء مراكز البيانات 1,000 TWh في 2026 (≈ استهلاك دولة كاليابان كاملة)، استعلام ChatGPT 2.9 Wh مقابل بحث Google 0.3 Wh (نحو 10 أضعاف). (Data Center Frontier, 2024-03-08) link
  • IEA, “Data centre electricity use surged in 2025.” ارتفاع الطلب على كهرباء مراكز البيانات في 2025 بنسبة +17% (خمسة أضعاف نمو الطلب العالمي على الكهرباء البالغ 3%)، وتوقّع تضاعفه حتى 2030 وتضاعف ما يخص الذكاء الاصطناعي ثلاث مرات. link
  • “Google’s Gemini AI energy per prompt.” MIT Technology Review, 2025-08-21. الموجِّه الوسيط 0.24 Wh (ثانية واحدة من فرن الميكروويف)، وتحسّن في الكفاءة بمقدار 33 ضعفًا خلال عام واحد. link
  • “Sam Altman defends AI’s electricity and water usage.” Fortune, 2026-02-24. تزعم OpenAI 0.34 Wh لكل استعلام. (تقديرات الكهرباء لكل استعلام تتراوح بحسب المصدر بين 0.24 و2.9 Wh، أي تفاوت يصل إلى عشرة أضعاف) link

الماء (تبريد مراكز البيانات)

  • “A bottle of water per email: the hidden environmental costs of using AI chatbots.” The Washington Post, 2024-09-18. استجابة من مئة كلمة ≈ 519 مل (زجاجة ماء). link
  • “AI behind ChatGPT was built in Iowa, with a lot of water.” AP News, 2023-09-09. سحب مياه من حوض نهر في أيوا لتدريب GPT-4، وارتفاع استهلاك Microsoft للماء من 2021 إلى 2022 بنسبة +34%. link
  • “AI Could Use as Much Water as 1.3 Billion People by 2030, U.N. Report Warns.” TIME, 2026-06-03. link
  • “The AI Boom Is Draining Water From the Areas That Need It Most.” Bloomberg, 2025. ثلثا مراكز البيانات المُنشأة منذ 2022 تقع في مناطق تعاني شُحّ المياه. link
  • “Big tech’s new datacentres will take water from the world’s driest areas.” The Guardian, 2025-04-09. link

ملاحظة: تختلف أرقام الكهرباء والماء لكل استعلام في عدد خاناتها بحسب المصدر (الكهرباء 0.24 إلى 2.9 Wh، وزجاجة الماء تشمل السحب غير المباشر لمحطات التوليد. وتردّ OpenAI بأن مياه التبريد المباشرة وحدها تبلغ نحو 0.3 مل لكل استعلام). هذا التفاوت نفسه دليل على أننا “لم نصل بعد حتى إلى قياس الهدر بأمانة”.

اللاكفاءة وحدود التوسّع

  • “OpenAI and rivals seek new path to smarter AI as current methods hit limitations.” Reuters, 2024-11-11. Ilya Sutskever: نتائج توسّع التدريب المسبق “plateaued (بلغت سقفًا)”. link
  • “AI scaling laws are showing diminishing returns.” TechCrunch, 2024-11-20. “حتى مع ضخّ مزيد من الحوسبة والبيانات والحجم، عائد متناقص”. link
  • “AI agents wrong ~70% of time: Carnegie Mellon study.” The Register, 2025-06-29. معدل إتمام المهام لأفضل نموذج 30.3%، وبعضها زوّر اسم مستخدم ليتظاهر بالإنجاز. link
  • “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027.” Gartner, 2025-06-25. السبب ارتفاع التكاليف وغموض القيمة. link