كيف يؤثر الذكاء الاصطناعي في البيئة ويدعم الاستدامة؟

تؤثر كثير من أنشطتنا اليومية تأثيرًا كبيرًا في البيئة. وفي الواقع، سبق أن غيّر النشاط البشري نحو 75% من أراضي كوكبنا. ويسهم ذلك في مشكلات مثل الاحتباس الحراري وفقدان التنوع البيولوجي والتلوث.

ومن العوامل الرئيسية وراء هذا التأثير تزايد حاجتنا إلى الطاقة. فمع نمو السكان وزيادة الطلب على المساكن والنقل والسلع، يرتفع الطلب على الطاقة أيضًا.

وفي نهاية المطاف، يؤدي ذلك إلى زيادة البصمة الكربونية، ما يفاقم الضغط على الهواء والماء والموارد الطبيعية الأخرى، ويجعل الاستدامة البيئية أولوية رئيسية للشركات وصانعي السياسات. ولفهم هذا الأثر وإدارته على نحو أفضل، تتجه الصناعات والحكومات باطراد إلى تقنيات مثل الذكاء الاصطناعي.

فعلى سبيل المثال، تُستخدم الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يمكّن الآلات من تفسير المعلومات المرئية في الصور ومقاطع الفيديو، لمراقبة النظم البيئية وتقييم الأثر البيئي للعمليات واسعة النطاق.

وعلى وجه الخصوص، تدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 وUltralytics YOLO26 الأحدث مهام مثل اكتشاف الأجسام وتجزئة المثيلات. وتتيح هذه الإمكانات للفرق تحديد التغيرات في البيئات الطبيعية وتتبعها بسهولة، مثل التلوث وتراكم النفايات والتغيرات في الغطاء النباتي. ومن خلال اكتشاف المشكلات مبكرًا، يمكن اتخاذ إجراءات للحد من عواقبها البيئية.

الشكل 1. اكتشاف النفايات البلاستيكية باستخدام YOLO11 (المصدر)

سنستكشف في هذا المقال كيف يساعد الذكاء الاصطناعي للرؤية وتقنيات الذكاء الاصطناعي الأخرى على مراقبة البيئة وحمايتها.

أهمية حلول الذكاء الاصطناعي الفعالة والمسؤولة#

قبل التطرق إلى كيفية استخدام الذكاء الاصطناعي لإنشاء حلول صديقة للبيئة، دعونا نلقِ نظرة أقرب على أثر تطوير الذكاء الاصطناعي المسؤول في البيئة.

مع أن أنظمة الذكاء الاصطناعي قادرة على تعزيز الاستدامة والتصدي لتحديات مثل تغير المناخ، فإن تدريب نماذج الذكاء الاصطناعي وتشغيل التطبيقات المدعومة به يتطلبان أيضًا قدرًا كبيرًا من القدرة الحاسوبية والطاقة. ومن خلال إدارة هذا التوازن بعناية، يمكن خفض انبعاثات الكربون، والحد من استهلاك الطاقة، وتقليل النفايات الإلكترونية.

على سبيل المثال، لننظر في نظام رؤية حاسوبية يُستخدم لمراقبة الغابات وتتبع التغيرات في الغطاء النباتي. يعتمد تشغيل نظام كهذا عادةً على خوادم مراكز البيانات، ما يزيد استهلاك الكهرباء لتشغيل المعدات وتبريدها.

الشكل 2. مثال على استخدام YOLO11 لاكتشاف الأشجار وعدّها (المصدر)

يركز تطوير الذكاء الاصطناعي المسؤول على جعل هذه الأنظمة أكثر كفاءة. ويمكن للنماذج المحسّنة، وإدارة أعباء العمل، ومراكز البيانات التي تعمل بالطاقة المتجددة أن تقلل البصمة البيئية للذكاء الاصطناعي مع مواصلة تقديم رؤى بالغة الأهمية.

دور خوارزميات الرؤية الحاسوبية في الاستدامة البيئية#

بدأت مؤسسات مختلفة بالفعل تلمس نتائج استخدام الذكاء الاصطناعي لدعم الاستدامة. ووجد استطلاع حديث أن ما يقرب من ثلثي المؤسسات التي تستخدم الذكاء الاصطناعي للاستدامة حققت وفورات في الطاقة تقارب 23%. كما أفادت بانخفاض واضح في انبعاثات غازات الدفيئة.

فكيف يحدث ذلك عمليًا؟ دعونا نستعرض كيفية تطبيق الرؤية الحاسوبية في جهود الاستدامة الواقعية لنرى كيف يمكن للذكاء الاصطناعي إحداث فرق ملموس.

قد تكون إدارة الطاقة والموارد معقدة، لا سيما في الأنظمة واسعة النطاق مثل المصانع ومباني المكاتب ومراكز البيانات. ويمكن استخدام الكاميرات والمستشعرات في هذه البيئات لمراقبة الأنشطة وجمع البيانات المرئية. ثم يمكن شرح هذه البيانات لإنشاء مجموعات بيانات تُستخدم في تدريب نماذج الذكاء الاصطناعي للرؤية على مهام متنوعة.

يأتي مثال مثير للاهتمام من محطات الطاقة الشمسية. تضم هذه المنشآت صفوفًا كبيرة من الألواح الشمسية، ويكتسب الحفاظ على كفاءتها التشغيلية أهمية كبيرة لإنتاج الطاقة المتجددة وخفض انبعاثات الكربون. وقد يكون فحص جميع الألواح يدويًا في مساحة بهذا الاتساع بطيئًا وعرضة للأخطاء.

الشكل 3. نظرة على شبكات الطاقة الشمسية التي تحتاج إلى صيانة (المصدر)

هنا يأتي دور الذكاء الاصطناعي، ولا سيما الذكاء الاصطناعي للرؤية. فباستخدام نماذج مثل Ultralytics YOLO11 التي تدعم اكتشاف الأجسام وتجزئة المثيلات، يستطيع نظام الرؤية مراقبة كل لوح ورصد مشكلات مثل تراكم الأوساخ أو التظليل أو الشقوق أو سوء المحاذاة.

تطبيقات الذكاء الاصطناعي للرؤية الداعمة للاستدامة البيئية#

بعد أن تكوّنت لدينا صورة أوضح عن كيفية دعم الذكاء الاصطناعي للاستدامة، دعونا نناقش بعض التطبيقات التي توضح الرؤية الحاسوبية عمليًا.

مراقبة النظم البيئية باستخدام الكاميرات والطائرات المسيّرة#

لطالما كان تتبع النظم البيئية واسعة النطاق أمرًا صعبًا. فالغابات والسواحل والمناطق البحرية المفتوحة شاسعة، وتعتمد أساليب المراقبة التقليدية على زيارات مجدولة. ولأن عمليات الفحص هذه لا تُجرى إلا على فترات، غالبًا ما تفوتنا التغيرات قصيرة الأمد في نشاط الحياة البرية أو ظروف الموائل.

يمكن للذكاء الاصطناعي للرؤية تغيير أساليب المراقبة هذه. فعند دمج الكاميرات والطائرات المسيّرة مع حلول الرؤية الحاسوبية، يمكنها مراقبة النظم البيئية باستمرار بدلًا من تفقدها بين الحين والآخر.

كما يمكن تشغيل العديد من هذه الأنظمة مباشرةً على الكاميرات أو الطائرات المسيّرة، ما يتيح تحليل الصور ومقاطع الفيديو في الموقع. ويؤدي ذلك إلى تقليل استهلاك الطاقة وتجنب إرسال كميات كبيرة من البيانات إلى خوادم بعيدة.

ومن الأمثلة الجيدة مزرعة كاسكاسي لطاقة الرياح البحرية في أوروبا. إذ تستخدم طائرات مسيّرة مزودة بكاميرات عالية الدقة لتتبع الطيور والثدييات البحرية حول مزرعة الرياح.

وفي الوقت نفسه، تراقب كاميرات ثابتة ومركبات تحت الماء الحياة البحرية تحت السطح. وهذا يتيح للفرق اكتساب رؤى حول تحركات الحيوانات والتغيرات البيئية، واتخاذ قرارات مدروسة مع الحفاظ على التوازن الطبيعي للنظام البيئي.

اكتشاف مصادر الانبعاثات وتتبعها بصريًا#

قد يصعب أحيانًا رصد مصادر الانبعاثات من الأرض. إذ يمكن أن تنتشر تسربات الغاز والدخان الصناعي وتراكم الحرارة في مساحات واسعة من دون أن تُلاحظ أثناء عمليات التفتيش الدورية. وهذا يصعّب الاكتشاف المبكر ويحد من فهمنا لكيفية تغير الانبعاثات بمرور الوقت.

تتيح الرؤية الحاسوبية تتبع الانبعاثات بدقة أكبر وعلى نطاق أوسع. ويمكن استخدام نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 لتحليل صور الأقمار الصناعية أو الصور الجوية واكتشاف مؤشرات مرئية مثل الدخان أو أعمدة الغاز أو أنماط الحرارة غير المعتادة.

الشكل 4. تجزئة الدخان باستخدام YOLO11 (المصدر)

يعتمد علماء المناخ والفرق العاملة في مجال تكنولوجيا المناخ هذا النهج. إذ يجمعون بين صور الأقمار الصناعية والتحليل القائم على الرؤية لمراقبة الميثان وغيره من غازات الدفيئة عبر مناطق واسعة. ويساعد التتبع البصري المنتظم على التحول إلى الطاقة النظيفة وتطوير الذكاء الاصطناعي، ما يسهّل خفض استخدام الوقود الأحفوري والانبعاثات العالمية.

استخدام صور الأقمار الصناعية والصور الجوية لتتبع التغير البيئي#

ليست كل التغيرات في الطبيعة ملحوظة. فبعضها يحدث بمرور الوقت، مثل تناقص الأشجار على طول طريق أو امتداد الأراضي الجافة عبر المزارع. ومن السهل إغفال هذه التفاصيل عندما تحدث تدريجيًا وفي مناطق واسعة.

تسهّل الرؤية الحاسوبية اكتشاف هذه التغيرات. إذ يمكن استخدام نماذج الرؤية لتحليل مجموعات كبيرة من صور الأقمار الصناعية والصور الجوية ومقارنة مظهر المواقع المختلفة في أوقات متعددة. وبدلًا من الاعتماد على التقارير أو عمليات الفحص اليدوية، تستخدم هذه النماذج المؤشرات المرئية لإظهار المواضع التي بدأت فيها أنماط الأراضي أو الغطاء النباتي أو المياه بالتغير.

على سبيل المثال، يمكن لنماذج الرؤية رسم خرائط للغطاء الشجري في المدن أو الغابات باستخدام تجزئة الصور، ما يساعد على تحديد أماكن وجود الغطاء النباتي ومدى كثافته. ومن خلال التركيز على ما يمكن رؤيته، تمكّن الرؤية الحاسوبية الباحثين من فهم الأنماط التي توفر معلومات عن الطاقة المتجددة واستهلاك المياه ومحطات الطاقة.

مزايا الذكاء الاصطناعي للرؤية في الاستدامة وعيوبه#

فيما يلي بعض الفوائد الرئيسية لاستخدام الذكاء الاصطناعي، وبخاصة الذكاء الاصطناعي للرؤية، لدعم الاستدامة:

• رؤى قائمة على البيانات: يتيح التحليل المستمر للبيانات المرئية للمؤسسات اتخاذ قرارات مدروسة بشأن مصادر الطاقة واستراتيجيات الاستدامة.
• تقليل الأثر البيئي للذكاء الاصطناعي نفسه: باستخدام نماذج محسّنة ومراكز بيانات موفرة للطاقة، يمكن لأنظمة الذكاء الاصطناعي تقليل بصمتها الكربونية واستهلاكها للطاقة والتكاليف البيئية الإجمالية.
• تعزيز الامتثال: يمكن للمراقبة الآلية مساعدة المؤسسات على الامتثال للوائح البيئية وتحقيق أهداف الاستدامة بسهولة أكبر.

مع أن الذكاء الاصطناعي للرؤية يقدم مزايا متعددة، فإليك بعض القيود العملية التي ينبغي أخذها في الحسبان:

• جودة البيانات: يعتمد الذكاء الاصطناعي للرؤية على صور ومقاطع فيديو واضحة ليعمل بفاعلية. وقد تجعل الإضاءة الضعيفة أو الأحوال الجوية السيئة أو حجب مجال رؤية الكاميرا اكتشاف التغيرات بدقة أكثر صعوبة على النظام.
• متطلبات المهارات: يتطلب تطبيق الذكاء الاصطناعي للرؤية وإدارته بفاعلية موظفين مدرَّبين يمتلكون خبرة تقنية في الذكاء الاصطناعي والرؤية الحاسوبية وإدارة البيانات.
• الصيانة: تتطلب الأجهزة، مثل الكاميرات والطائرات المسيّرة والمستشعرات، فحوصات دورية وصيانة لضمان استمرارية المراقبة ودقتها.

إسهام أدوات الذكاء الاصطناعي المختلفة في الاستدامة#

إلى جانب الذكاء الاصطناعي للرؤية، يمكن لتقنيات الذكاء الاصطناعي الأخرى أن تدفع الاستدامة أيضًا. إليك كيف تساعد هذه التقنيات على تقليل الأثر البيئي وتعزيز الكفاءة:

• النماذج اللغوية الكبيرة (LLMs): تركز النماذج اللغوية الكبيرة على النصوص لا الصور. ويمكن لأدوات مثل ChatGPT وClaude وGemini قراءة كميات كبيرة من المعلومات وتحليلها بسرعة. وفي مجال الاستدامة، يمكن استخدامها لمراجعة تقارير المناخ والسياسات والبيانات المتعلقة باستخدام الطاقة والموارد، ما يساعد الفرق على اتخاذ قرارات أفضل.
• الذكاء الاصطناعي التوليدي: تتيح هذه التقنية للفرق استكشاف الأفكار قبل تنفيذ أي شيء في العالم الحقيقي. ويمكن استخدامها لإنشاء تصاميم للمباني أو البنية التحتية أو العمليات، مع إبراز الخيارات التي تستهلك موارد أقل وتنتج نفايات وانبعاثات أقل.
• الأنظمة القائمة على التحسين: تحسّن هذه الأنظمة كفاءة العمليات، بدءًا من إدارة الطاقة ووصولًا إلى تخطيط الخدمات اللوجستية. ويمكن للتحسينات البسيطة أن تخفض استهلاك الطاقة والانبعاثات وتخفف الضغط على محطات الطاقة.

أبرز النقاط#

يكتسب الأثر البيئي للذكاء الاصطناعي أهمية متزايدة في مجال الاستدامة. ويتيح لنا الذكاء الاصطناعي للرؤية، على وجه الخصوص، مراقبة التغيرات البيئية واكتشاف أوجه القصور واتخاذ قرارات أفضل بشأن استخدام الطاقة. وهذا يقلل الهدر ويحسّن استهلاك الطاقة ويساعد الصناعات على التوجه نحو مستقبل أكثر استدامة وبصمة بيئية أقل.

هل تهتم بالذكاء الاصطناعي؟ انضم إلى مجتمعنا وتعرّف على الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي للرؤية في قطاع السيارات. اطّلع على خيارات الترخيص لبدء العمل بالرؤية الحاسوبية. وزُر مستودعنا على GitHub لمواصلة الاستكشاف.