DOI: https://doi.org/10.1109/access.2026.3659894
تاريخ النشر: 2026-01-01
المؤلف: Minkyu Kim وآخرون
الموضوع الرئيسي: تكنولوجيا المعلومات الخضراء والاستدامة
نظرة عامة
يوفر قسم ورقة البحث نظرة شاملة على الآثار البيئية للذكاء الاصطناعي التوليدي، مع التركيز بشكل خاص على بصمته الكربونية خلال كل من مراحل التدريب والاستدلال. بينما تناولت الدراسات السابقة بشكل أساسي استهلاك الطاقة المرتبط بالتدريب، تسلط هذه المراجعة الضوء على الآثار البيئية التي غالبًا ما يتم تجاهلها خلال عمليات الخدمة على نطاق واسع. يقوم المؤلفون بإجراء مراجعة شاملة للمنهجيات الحالية لتقييم بصمة الكربون للذكاء الاصطناعي، مما يكشف عن قيود كبيرة في الممارسات الحالية، مثل عدم الاتساق المنهجي وغياب وجهات نظر شاملة لنظام شامل. يقترحون أربعة اتجاهات رئيسية للبحث المستقبلي: إنشاء بروتوكولات قياس موحدة، دمج سلوك المستخدم في تصاميم القياس، تعزيز قابلية الملاحظة من البداية إلى النهاية من خلال تقييمات دورة الحياة (LCA)، وتطوير مقاييس استدامة متعددة الأبعاد تأخذ في الاعتبار آثار بيئية متنوعة تتجاوز انبعاثات الكربون.
تؤكد الخاتمة على الحاجة إلى قائمة مراجعة موحدة لتقارير بصمة البيئة للذكاء الاصطناعي التوليدي لتسهيل المقارنة عبر الدراسات، فضلاً عن أهمية مشاركة البيانات بشفافية من قبل الشركات للتخفيف من التحيزات وتحسين قرارات السياسة. يدعو المؤلفون إلى تصاميم قياس ديناميكية تعكس أنماط الاستخدام في العالم الحقيقي والعوامل التشغيلية، إلى جانب إطار شامل لتقييم دورة الحياة يتضمن كل من الانبعاثات التشغيلية والمجسدة. كما يؤكدون على ضرورة دمج مقاييس استدامة متنوعة، مثل استخدام المياه واستنزاف الموارد، في تقييم أنظمة الذكاء الاصطناعي. من خلال معالجة هذه التحديات متعددة الأبعاد، تهدف الورقة إلى تعزيز الحوار بين التخصصات وتوجيه تطوير نظام بيئي مستدام للذكاء الاصطناعي.
مقدمة
تناقش مقدمة الورقة التوسع السريع للذكاء الاصطناعي (AI) عبر مجالات مختلفة، مع تسليط الضوء على مساهماته الاجتماعية والاقتصادية الكبيرة إلى جانب المخاوف المتزايدة بشأن تأثيره البيئي، خاصة من حيث استهلاك الطاقة وانبعاثات غازات الدفيئة (GHG). بينما يجادل المؤيدون بأن الذكاء الاصطناعي يمكن أن يحسن استخدام الموارد، يحذر النقاد من أن انتشاره قد يؤدي إلى زيادة الطلب على الطاقة وتطوير البنية التحتية، مما يزيد في النهاية من الأعباء البيئية. ومن الجدير بالذكر أن التوقعات تشير إلى أن استهلاك الكهرباء المرتبط بالذكاء الاصطناعي في الولايات المتحدة قد يرتفع بشكل كبير، مع تقديرات تشير إلى أنه قد يمثل ما يصل إلى 22% من استخدام الكهرباء في المنازل بحلول عام 2028.
تؤكد الورقة على ضرورة تقييم الآثار البيئية بدقة لأنظمة الذكاء الاصطناعي، خاصة من خلال تحليل بصمة الكربون وتقييم دورة الحياة (LCA). يوفر تحليل بصمة الكربون طريقة موحدة لتقدير الانبعاثات، بينما يقدم تقييم دورة الحياة تقييماً أوسع لمؤشرات البيئة طوال دورة حياة المنتج. كما تميز الورقة بين تصنيفات الانبعاثات المختلفة، بما في ذلك انبعاثات النطاق 1، والنطاق 2، والنطاق 3، بالإضافة إلى الانبعاثات المجسدة والتشغيلية. تشير إلى تحول في التركيز من مرحلة التدريب التي تتطلب طاقة كبيرة لنماذج الذكاء الاصطناعي إلى الطلبات المتزايدة للطاقة في مرحلة الاستدلال، مدفوعة بالاستخدام الواسع النطاق لنماذج اللغة الكبيرة (LLMs). لمعالجة هذه التحديات، تهدف الورقة إلى تنظيم وتلخيص المنهجيات لتقييم انبعاثات الكربون المرتبطة بالذكاء الاصطناعي، مع تحديد الموضوعات الرئيسية مثل التوحيد، والآثار البيئية المقارنة، واتجاهات الحوكمة المستقبلية.
نقاش
يؤكد النقاش على الحاجة الملحة للتوحيد في قياس بصمة الكربون لأنظمة الذكاء الاصطناعي (AI)، والتي هي حالياً مجزأة وغير متسقة. بينما تشترك تقييمات بصمة الكربون في أوجه التشابه مع تقييمات دورة الحياة (LCA)، فإنها غالبًا ما تركز بشكل ضيق على انبعاثات غازات الدفيئة خلال مراحل التدريب والاستدلال لنماذج الذكاء الاصطناعي، متجاهلة الآثار البيئية الأوسع. لقد أدت هذه القيود إلى دعوات لدمج قياسات بصمة الكربون في إطار تقييم دورة حياة أكثر شمولاً، مما سيعزز إدارة غازات الدفيئة ويسهل التقييمات البيئية متعددة الأبعاد. تسلط الورقة الضوء على أن المنهجيات الحالية تختلف على نطاق واسع بسبب الاختلافات في الأجهزة وممارسات القياس والسياقات التشغيلية، مما يعقد المقارنات عبر الدراسات.
لمعالجة هذه التحديات، يدعو المؤلفون إلى إنشاء إطار موحد من شأنه تحسين قابلية المقارنة والمساءلة في تقييمات بصمة الكربون. إن هذا التوحيد ليس مفيدًا من الناحية الفنية فحسب، بل يلعب أيضًا دورًا معياريًا في تعزيز المسؤولية البيئية في تطوير الذكاء الاصطناعي. تهدف المبادرات الأخيرة، مثل بروتوكول غازات الدفيئة ومستند ISO TR 20226:2025، إلى تقديم إرشادات مخصصة للأنظمة الرقمية والذكاء الاصطناعي، مما يعكس اعترافًا متزايدًا بأهمية الاستدامة في حوكمة الذكاء الاصطناعي. تختتم الورقة بتلخيص المنهجيات الحالية وتحديد التناقضات، مما يمهد الطريق للجهود المستقبلية لدمج الذكاء الاصطناعي في أطر تقييم الاستدامة الشاملة.
DOI: https://doi.org/10.1109/access.2026.3659894
Publication Date: 2026-01-01
Author(s): Minkyu Kim et al.
Primary Topic: Green IT and Sustainability
Overview
The research paper section provides a comprehensive overview of the environmental implications of Generative AI, particularly focusing on its carbon footprint during both the training and inference phases. While previous studies have primarily addressed the energy consumption associated with training, this review highlights the often-overlooked environmental impacts during large-scale service operations. The authors conduct a scoping review of existing methodologies for assessing AI’s carbon footprint, revealing significant limitations in current practices, such as methodological inconsistencies and a lack of comprehensive end-to-end system perspectives. They propose four key directions for future research: establishing standardized measurement protocols, incorporating user behavior into measurement designs, enhancing end-to-end observability through life-cycle assessments (LCA), and developing multidimensional sustainability metrics that account for various environmental impacts beyond carbon emissions.
The conclusion emphasizes the need for a standardized Generative AI Environmental Footprint Reporting Checklist to facilitate comparability across studies, as well as the importance of transparent data sharing by companies to mitigate biases and improve policy decisions. The authors advocate for dynamic measurement designs that reflect real-world usage patterns and operational factors, alongside a comprehensive LCA framework that includes both operational and embodied emissions. They also stress the necessity of integrating various sustainability metrics, such as water usage and resource depletion, into the assessment of AI systems. By addressing these multifaceted challenges, the paper aims to foster interdisciplinary dialogue and guide the development of a sustainable AI ecosystem.
Introduction
The introduction of the paper discusses the rapid expansion of artificial intelligence (AI) across various domains, highlighting its significant social and economic contributions alongside growing concerns regarding its environmental impact, particularly in terms of energy consumption and greenhouse gas (GHG) emissions. While proponents argue that AI can optimize resource use, critics warn that its proliferation may lead to increased energy demand and infrastructure development, ultimately exacerbating environmental burdens. Notably, projections indicate that AI-related electricity consumption in the U.S. could rise dramatically, with estimates suggesting it may account for up to 22% of household electricity usage by 2028.
The paper emphasizes the necessity of accurately assessing the environmental impacts of AI systems, particularly through carbon footprint analysis and life cycle assessment (LCA). Carbon footprint analysis provides a standardized method for estimating emissions, while LCA offers a broader evaluation of environmental indicators throughout a product’s life cycle. The paper also distinguishes between different emission classifications, including Scope 1, Scope 2, and Scope 3 emissions, as well as embodied and operational emissions. It notes a shift in focus from the energy-intensive training phase of AI models to the increasingly significant energy demands of the inference phase, driven by the widespread use of large language models (LLMs). To address these challenges, the paper aims to organize and synthesize methodologies for assessing AI-related carbon emissions, identifying key themes such as standardization, comparative environmental impacts, and future governance directions.
Discussion
The discussion emphasizes the critical need for standardization in measuring the carbon footprint of artificial intelligence (AI) systems, which is currently fragmented and inconsistent. While carbon footprint assessments share similarities with life cycle assessments (LCA), they often focus narrowly on greenhouse gas emissions during the training and inference phases of AI models, neglecting broader environmental impacts. This limitation has led to calls for integrating carbon footprint measurements into a more comprehensive LCA framework, which would enhance greenhouse gas management and facilitate multidimensional environmental assessments. The paper highlights that current methodologies vary widely due to differences in hardware, measurement practices, and operational contexts, complicating comparisons across studies.
To address these challenges, the authors advocate for establishing a standardized framework that would improve comparability and accountability in carbon footprint assessments. Such standardization is not only technically beneficial but also serves a normative role in promoting environmental responsibility in AI development. Recent initiatives, such as the Greenhouse Gas Protocol and ISO’s TR 20226:2025 document, aim to provide tailored guidance for digital and AI systems, reflecting a growing recognition of the importance of sustainability in AI governance. The paper concludes by synthesizing existing methodologies and identifying inconsistencies, thereby laying the groundwork for future efforts to integrate AI into comprehensive sustainability assessment frameworks.