أعقد مسألة تحسين يواجهها الكوكب
يُعدّ تغير المناخ، في جوهره، مسألة تحسين ذات تعقيد مذهل: مليارات المتغيرات المتفاعلة عبر الأنظمة الجوية والمحيطية والأرضية والبشرية، تعمل على مقاييس زمنية تمتد من الدقائق إلى القرون. وقد بلغت النماذج الحاسوبية التقليدية — المحاكاة القائمة على الفيزياء التي غذّت علم المناخ لعقود — حدود ما يمكن أن تحققه المحاكاة الرقمية بالقوة الغاشمة.
يقدم التعلم الآلي (Machine Learning) نهجاً مختلفاً: بدلاً من محاكاة كل تفاعل فيزيائي من المبادئ الأساسية، تتعلم نماذج التعلم الآلي الأنماط من البيانات الرصدية — صور الأقمار الاصطناعية، وقراءات محطات الطقس، وقياسات عوامات المحيطات، وتقارير الانبعاثات الصناعية — وتولّد تنبؤات يمكن أن تكون أسرع بأوامر من المقدار، وفي بعض الحالات، أدق من النماذج القائمة على الفيزياء.
في عام 2026، لم يعد الذكاء الاصطناعي تقنية نظرية للتطبيقات المناخية. بل أصبح مُنشراً على نطاق واسع في التنبؤ بالطقس، والكشف عن حرائق الغابات، وتحسين شبكات الكهرباء، ومحاسبة الكربون، وتقييم المخاطر المناخية. وقد تحول السؤال من “هل يمكن للذكاء الاصطناعي أن يساعد؟” إلى “هل يمكنه المساعدة بالسرعة الكافية؟”
التنبؤ بالطقس: الذكاء الاصطناعي يتفوق على الحواسيب العملاقة
كان الاختراق الأكثر إثارة للذكاء الاصطناعي في مجال المناخ خلال 2024-2025 في التنبؤ بالطقس. فعلى مدى 70 عاماً، اعتمد التنبؤ بالطقس على نماذج التنبؤ العددي بالطقس (NWP) — محاكاة قائمة على الفيزياء تقسم الغلاف الجوي إلى خلايا شبكية وتحل معادلات الحركة والديناميكا الحرارية ونقل الرطوبة. تتطلب هذه النماذج حواسيب عملاقة ضخمة وساعات من الحساب لإنتاج تنبؤ لعشرة أيام.
في نوفمبر 2023، أثبت نموذج GraphCast من Google DeepMind أن نظام تعلم آلي مُدرّب على 40 عاماً من البيانات الجوية يمكنه إنتاج تنبؤات عالمية لعشرة أيام في أقل من 60 ثانية على وحدة TPU واحدة — متفوقاً على نموذج HRES المرجعي للمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) في 90% من 1,380 هدف تحقق (مزيج من المتغيرات وآفاق التنبؤ). يتنبأ GraphCast بـ 227 متغيراً رئيسياً عبر 37 مستوى ضغط وسطح الأرض، ونُشر في مجلة Science (نوفمبر 2023).
بحلول عام 2026، توسع المشهد بشكل كبير:
GenCast من Google DeepMind (2024) يتجاوز التنبؤ الحتمي لإنتاج تنبؤات مجموعية احتمالية — تتنبأ ليس فقط بما سيحدث، بل بنطاق النتائج المحتملة واحتمالاتها. نُشر في مجلة Nature في ديسمبر 2024، ينتج GenCast تنبؤات مجموعية لـ 15 يوماً في 8 دقائق على وحدة TPU واحدة، مقارنة بـ 2-3 ساعات على مجموعة حواسيب عملاقة يتطلبها نظام المجموعات في ECMWF. يتفوق GenCast على نظام ENS التابع لـ ECMWF في 97% من أهداف التنبؤ — يرتفع إلى 99.8% للتنبؤات التي تتجاوز 36 ساعة.
Pangu-Weather من Huawei وFourCastNet من NVIDIA أظهرا قدرات مماثلة، مما أوجد منظومة تنافسية من نماذج الطقس القائمة على الذكاء الاصطناعي. وقد أيّدت المنظمة العالمية للأرصاد الجوية (WMO) رسمياً نماذج الطقس بالذكاء الاصطناعي كأدوات مكملة لأنظمة التنبؤ العددي التقليدية في خطة عملها لعام 2025، مع الإشارة إلى التحديات المستمرة في التنبؤ المحلي بالظواهر الجوية عالية التأثير.
التنبؤ بالظواهر الجوية المتطرفة هو المجال الذي تُظهر فيه نماذج الطقس بالذكاء الاصطناعي التحسن الأكثر أهمية. خفضت نماذج Aurora AI المُحسّنة متوسط خطأ مسار الأعاصير المدارية لخمسة أيام بنحو 20-25% مقارنة بمراكز التنبؤ التشغيلية. تحسنت تنبؤات الهطول للأمطار الغزيرة — التي تسبب الفيضانات المفاجئة — بشكل ملحوظ لأن نماذج الذكاء الاصطناعي تتعلم من أنماط الأحداث التاريخية بدلاً من الاعتماد على فيزياء تعجز عن التعامل مع العمليات على المقياس الحملي.
يُقاس الأثر بالأرواح المُنقذة والأموال الموفرة. فالتحذيرات الجوية الأكثر دقة تمنح المجتمعات ساعات إضافية للاستعداد. وتُقدّر الفائدة الاقتصادية لتحسين التنبؤ الجوي بـ 30 مليار دولار سنوياً عالمياً، وفقاً للمنظمة العالمية للأرصاد الجوية.
التنبؤ بحرائق الغابات واكتشافها
تتكثف حرائق الغابات عالمياً بسبب تغير المناخ، حيث شهد عام 2025 مواسم حرائق مدمرة في غرب الولايات المتحدة وجنوب أوروبا وكندا وأستراليا — وبشكل متزايد — في مناطق لم تكن مرتبطة تاريخياً بحرائق الغابات، بما في ذلك سيبيريا والأمازون.
يُنشر الذكاء الاصطناعي في مراحل متعددة من دورة حياة حرائق الغابات:
الكشف المبكر. برنامج FireSat من Google، الذي أُعلن عنه في 2024، هو كوكبة من الأقمار الاصطناعية تستخدم مستشعرات الأشعة تحت الحمراء المدعومة بالذكاء الاصطناعي، مصممة لاكتشاف حرائق الغابات بحجم غرفة صف دراسي (5 م × 5 م) في غضون 20 دقيقة من الاشتعال — في أي مكان على الأرض. أُطلق أول قمر FireSat في أبريل 2025، لكن القدرة الكاملة على المراجعة العالمية كل 20 دقيقة تتطلب الكوكبة الكاملة المكونة من أكثر من 50 قمراً اصطناعياً، المتوقعة بحلول 2030. في أوائل 2026، لا تعمل سوى الأقمار الأولى، مما يوفر تغطية أكثر محدودية. ومع ذلك، فإن التحسن مقارنة بأنظمة الكشف بالأقمار الاصطناعية التقليدية (MODIS وVIIRS)، التي تكشف حرائق بمساحة 1,000 متر مربع وأكثر مع تأخير لساعات، يُعدّ تحولياً: اكتشاف حريق بمساحة 25 متراً مربعاً بدلاً من أكثر من 1,000 متر مربع يعني إمكانية مكافحة الحريق وهو لا يزال قابلاً للسيطرة بدلاً من أن يكون قد أصبح حريقاً هائلاً.
التنبؤ بالانتشار. تتنبأ نماذج التعلم الآلي المُدرّبة على بيانات التضاريس وخرائط الغطاء النباتي وأنماط الطقس التاريخية وبيانات الرياح في الوقت الفعلي بكيفية انتشار حريق مُكتشف خلال الـ 6 إلى 72 ساعة التالية. توجّه هذه التنبؤات قرارات الإخلاء ونشر موارد مكافحة الحرائق. تجمع منصة التوأم الرقمي Earth-2 من NVIDIA بين التنبؤ الجوي بالذكاء الاصطناعي ونماذج سلوك الحرائق لإنتاج تنبؤات بانتشار حرائق الغابات في الوقت الفعلي.
تقييم المخاطر. تستخدم نماذج المخاطر طويلة الأمد بيانات رطوبة الغطاء النباتي المستمدة من الأقمار الاصطناعية، وأنماط الحرائق التاريخية، والتوقعات المناخية لتحديد المناطق الأكثر عرضة للخطر مستقبلاً — مما يوجّه قرارات إدارة الأراضي وقوانين البناء وتسعير التأمين. تستخدم شركة Pacific Gas & Electric (PG&E) نماذج مخاطر الحرائق بالذكاء الاصطناعي لقطع التيار الكهربائي عن خطوط الكهرباء بشكل استباقي في المناطق عالية الخطورة، وهي ممارسة (Public Safety Power Shutoffs) منعت مئات حوادث الاشتعال.
إعلان
تحسين شبكات الكهرباء: الذكاء الاصطناعي كقائد أوركسترا
يُدخل التحول نحو الطاقات المتجددة تحدياً تشغيلياً جوهرياً: توليد الطاقة الشمسية والرياح متقطع ومتغير، لكن الطلب على الكهرباء يجب تلبيته في كل لحظة. تتطلب إدارة شبكة بنسبة 30-50% من اختراق الطاقات المتجددة موازنة العرض والطلب في الوقت الفعلي بتعقيد يفوق بكثير شبكات الماضي التي كانت تهيمن عليها الوقود الأحفوري.
يصبح الذكاء الاصطناعي طبقة التنسيق الأساسية:
التنبؤ بالطلب يستخدم التعلم الآلي للتنبؤ باستهلاك الكهرباء على فترات زمنية مدتها 15 دقيقة، من أيام إلى أسابيع مسبقاً، مع دمج التنبؤات الجوية وأحداث التقويم (العطل الرسمية، الأحداث الرياضية الكبرى) والجداول الصناعية وأنماط الاستهلاك التاريخية. تُقلل التنبؤات الأفضل بالطلب من الحاجة إلى محطات الذروة المكلفة التي تبقى خاملة معظم الوقت.
التنبؤ بإنتاج الطاقة المتجددة يتنبأ بإنتاج الطاقة الشمسية والرياح بناءً على البيانات الجوية، مما يمكّن مشغلي الشبكة من توقع نقص الإنتاج وجدولة التوليد الاحتياطي مسبقاً بدلاً من الاستجابة في الوقت الفعلي.
تحسين تخزين البطاريات يستخدم التعلم المعزز (Reinforcement Learning) لتحديد متى يتم شحن وتفريغ أنظمة البطاريات على مستوى الشبكة. تعتمد الاستراتيجية المثلى على أسعار الكهرباء الحالية والمتوقعة، وتنبؤات توليد الطاقة المتجددة، وازدحام الشبكة، ومنحنيات تدهور البطاريات — وهي مسألة تحسين متعددة المتغيرات يتعامل معها الذكاء الاصطناعي بشكل أفضل من الأنظمة القائمة على القواعد. يدير برنامج Autobidder من Tesla أكثر من 1.2 غيغاواط ساعي من أصول تخزين الطاقة ويستخدم التعلم الآلي للمزايدة في السوق في الوقت الفعلي والتحكم في التوزيع. نشرت Tesla رقماً قياسياً بلغ 46.7 غيغاواط ساعي من تخزين البطاريات في 2025، حيث حققت قسم الطاقة لديها هوامش ربح إجمالية بنسبة 30.3% — مما يؤكد الجدوى التجارية لتخزين الطاقة المُحسّن بالذكاء الاصطناعي.
محطات الطاقة الافتراضية (VPP) تجمع آلاف موارد الطاقة الموزعة — الألواح الشمسية على الأسطح، والبطاريات المنزلية، والمركبات الكهربائية، وأجهزة التنظيم الحراري الذكية — وتنسّق سلوكها كمورد مرن واحد. الذكاء الاصطناعي ضروري لتشغيل محطات الطاقة الافتراضية لأن تنسيق آلاف الأصول المستقلة في الوقت الفعلي يتجاوز قدرات الإدارة اليدوية.
طبّقت Google DeepMind الذكاء الاصطناعي لخفض استهلاك الطاقة في أنظمة تبريد مراكز البيانات الخاصة بها بنسبة 40%، مما يُثبت أنه حتى داخل صناعة الذكاء الاصطناعي نفسها، يمكن للتعلم الآلي تقليل هدر الطاقة.
محاسبة الكربون ومراقبة الانبعاثات
لا يمكنك إدارة ما لا يمكنك قياسه. يُعدّ أحد أكبر العوائق أمام العمل المناخي الفعال صعوبة قياس انبعاثات الغازات الدفيئة بدقة على المستويات المؤسسية والوطنية والعالمية.
مراقبة الانبعاثات بالأقمار الاصطناعية تستخدم الذكاء الاصطناعي لتحليل صور الأقمار الاصطناعية واكتشاف أعمدة الميثان وتركيزات ثاني أكسيد الكربون وانبعاثات الغازات الدفيئة الأخرى من المنشآت الفردية. يوفر تحالف Climate TRACE — المكون من باحثين في الذكاء الاصطناعي ومنظمات غير حكومية وشركات تكنولوجية — حالياً مراقبة شبه آنية لانبعاثات الغازات الدفيئة من أكثر من 660 مليون مصدر فردي حول العالم — محطات الطاقة، ومنشآت النفط والغاز، والسفن، ومصانع الصلب، وحقول الأرز — باستخدام بيانات الأقمار الاصطناعية والتحليل بالذكاء الاصطناعي. يُنشئ هذا طبقة تحقق مستقلة لقوائم الجرد الوطنية للانبعاثات، التي كانت تاريخياً ذاتية الإبلاغ وغالباً غير دقيقة.
أدوات محاسبة الكربون للشركات تستخدم الذكاء الاصطناعي لحساب انبعاثات النطاق الأول (Scope 1 – الانبعاثات المباشرة) والنطاق الثاني (Scope 2 – الطاقة المشتراة) والنطاق الثالث (Scope 3 – سلسلة التوريد) من البيانات المالية والتشغيلية. انبعاثات النطاق الثالث — الأصعب قياساً لأنها تشمل سلسلة القيمة الكاملة للشركة — هي المجال الذي يضيف فيه الذكاء الاصطناعي أكبر قيمة، مستخدماً نماذج عوامل الانبعاث الخاصة بالصناعة وتحليل بيانات الموردين لتقدير الانبعاثات التي تتطلب خلاف ذلك أشهراً من الحسابات اليدوية.
الكشف عن الميثان شهد تحولاً خاصاً. الميثان أقوى من ثاني أكسيد الكربون بـ 80 مرة على مدى 20 عاماً، وصناعة النفط والغاز هي أكبر مصدر صناعي له. أظهر القمر الاصطناعي MethaneSAT، الذي أُطلق في مارس 2024 من قبل شركة تابعة لـ Environmental Defense Fund، ما يمكن أن تحققه المراقبة الفضائية للميثان: دار حول الأرض 15 مرة يومياً، وراقب 50 منطقة رئيسية تغطي أكثر من 80% من مناطق إنتاج النفط والغاز العالمية. اكتشف مطيافه تركيزات الميثان بمستويات منخفضة تصل إلى جزأين لكل مليار، وكشفت النتائج الأولى عن معدلات تسرب ميثان في بعض المناطق أعلى بما يصل إلى 45 مرة من الحدود الصناعية. فُقد الاتصال بـ MethaneSAT في يونيو 2025 بعد حوالي 15 شهراً من التشغيل، لكن مهمته أثبتت صحة المفهوم والبيانات التي جمعها تواصل دعم جهود خفض الانبعاثات. تواصل أنظمة كشف الميثان الفضائية الأخرى المدعومة بالذكاء الاصطناعي، بما في ذلك أنظمة Kairos Aerospace وGHGSat، توسيع نطاق تغطيتها.
المخاطر المناخية والنمذجة المالية
يستخدم القطاع المالي بشكل متزايد الذكاء الاصطناعي لتقييم المخاطر المالية المرتبطة بالمناخ، مدفوعاً بالمتطلبات التنظيمية (TCFD وEU CSRD) وطلب المستثمرين.
نمذجة المخاطر المادية تستخدم التوقعات المناخية مع الذكاء الاصطناعي لتقدير احتمالية وأثر الأحداث المرتبطة بالمناخ مالياً (الفيضانات، وموجات الحر، وحرائق الغابات، وارتفاع مستوى سطح البحر) على أصول محددة — المباني الفردية، والبنى التحتية، وعقد سلسلة التوريد. تُعدّ Jupiter Intelligence وFirst Street Foundation من المزودين الرائدين، حيث أصبحت درجات المخاطر الخاصة بهما مدمجة في ضمان القروض العقارية وتسعير التأمين وقرارات الاستثمار العقاري.
نمذجة مخاطر التحول تُقيّم الأثر المالي للانتقال إلى اقتصاد منخفض الكربون على الشركات والقطاعات — أصول الوقود الأحفوري المحتجزة، وتأثيرات تسعير الكربون، وتكاليف الامتثال التنظيمي. تعالج نماذج الذكاء الاصطناعي مجموعات بيانات ضخمة من إفصاحات الشركات وإعلانات السياسات والاتجاهات التكنولوجية وأسواق السلع لإنتاج تقييمات مخاطر استشرافية.
المفارقة: البصمة الكربونية للذكاء الاصطناعي نفسه
يجب أن يواجه أي تقييم صادق للذكاء الاصطناعي والمناخ المفارقة التالية: أنظمة الذكاء الاصطناعي تستهلك كميات هائلة من الطاقة. استهلك تدريب GPT-4 ما يُقدّر بـ 50 غيغاواط ساعي من الكهرباء. واستهلك تشغيل الاستدلال عبر مراكز بيانات الذكاء الاصطناعي في العالم ما يُقدّر بـ 60-93 تيراواط ساعي في 2025، وفقاً لتقديرات وكالة الطاقة الدولية (IEA) — وهو ما يعادل تقريباً الاستهلاك السنوي للكهرباء لدولة أوروبية متوسطة الحجم. بحلول 2030، من المتوقع أن يصل الطلب على الطاقة من الذكاء الاصطناعي إلى 300-500 تيراواط ساعي سنوياً.
إذا كانت تطبيقات الذكاء الاصطناعي المذكورة في هذا المقال — تحسين الشبكات، ومراقبة الانبعاثات، واكتشاف حرائق الغابات — تمنع انبعاثات أكثر مما تنتجه البنية التحتية للذكاء الاصطناعي نفسها، فإن الأثر الصافي يكون إيجابياً. تشير التوقعات الحالية إلى أن ذلك مرجّح: يمكن لتطبيقات الذكاء الاصطناعي في مجالات الطاقة والصناعة والنقل أن تخفض الانبعاثات بمقدار 1.4 إلى 5.4 غيغاطن من ثاني أكسيد الكربون سنوياً بحلول 2030-2035 وفقاً لوكالة الطاقة الدولية ودراسات متعددة القطاعات — رغم أن الوفورات المحققة حالياً لا تمثل سوى جزء صغير من هذه الإمكانية. إذا تحقق حتى جزء من هذه التخفيضات المتوقعة، فسيتجاوز بكثير الـ 100 ميغاطن المرتبطة بحوسبة الذكاء الاصطناعي.
لكن الهامش ليس لا نهائياً، والنمو السريع لصناعة الذكاء الاصطناعي يعني أن استهلاكها للطاقة يتزايد بوتيرة أسرع من مكاسب كفاءتها. يجب على الصناعة أن تقدم فوائد مناخية وتخفض في الوقت نفسه كثافتها الكربونية — وهو تحدٍّ يتطلب شراء الطاقة المتجددة وتحسين كفاءة الأجهزة واتخاذ قرارات نشر مدروسة.
إعلان
رادار القرار (المنظور الجزائري)
| البُعد | التقييم |
|---|---|
| الأهمية بالنسبة للجزائر | عالية جداً — تواجه الجزائر مخاطر مرتبطة بالمناخ (التصحر، وندرة المياه، وموجات الحر الشديدة) وهي منتج رئيسي للمحروقات حيث تكتسب مراقبة الميثان والتخطيط للتحول الطاقوي أهمية مباشرة |
| جاهزية البنية التحتية؟ | جزئية — بيانات الأقمار الاصطناعية متاحة عالمياً؛ وأدوات التحليل بالذكاء الاصطناعي قائمة على السحابة ويمكن الوصول إليها. يتطلب النشر المحلي للذكاء الاصطناعي لتحسين الشبكات تحديث البنية التحتية الكهربائية في الجزائر (Sonelgaz) |
| توفر الكفاءات؟ | محدودة لكنها في نمو — تمتلك الجزائر كفاءات هندسية قوية في مجال الطاقة (Sonatrach وSonelgaz) وقدرات ناشئة في الذكاء الاصطناعي؛ الفجوة تكمن في الربط بين علوم المناخ وخبرة الذكاء الاصطناعي |
| الجدول الزمني للعمل | 6-18 شهراً — يمكن تبني مراقبة الانبعاثات بالأقمار الاصطناعية فوراً؛ يتطلب الذكاء الاصطناعي لتحسين الشبكات ودمج الطاقات المتجددة استثمارات في البنية التحتية |
| أصحاب المصلحة الرئيسيون | Sonatrach (النفط والغاز)، Sonelgaz (الكهرباء)، وزارة البيئة، وزارة التحول الطاقوي، الوكالة الفضائية الجزائرية (ASAL)، مراكز البحث المناخي الجامعية |
| نوع القرار | استراتيجي — يتوافق الذكاء الاصطناعي للتكنولوجيا المناخية مع أولويات الجزائر الوطنية في التحول الطاقوي وحماية البيئة والتنويع الاقتصادي |
خلاصة سريعة: تملك الجزائر — بصفتها منتجاً رئيسياً للمحروقات وبلداً معرضاً لتأثيرات المناخ — دافعاً مزدوجاً للانخراط في تكنولوجيا الذكاء الاصطناعي المناخية. تشمل التطبيقات الفورية الكشف عن تسربات الميثان بالأقمار الاصطناعية لعمليات Sonatrach النفطية والغازية (مما قد يخفض الانبعاثات مع تحسين الإيرادات من الغاز المُلتقط) والتنبؤ بالإشعاع الشمسي بالذكاء الاصطناعي لاستغلال الإمكانات الشمسية الهائلة للصحراء. ينبغي لـ Sonelgaz تقييم أدوات تحسين الشبكة بالذكاء الاصطناعي مع توسيع الجزائر لقدراتها في الطاقة المتجددة نحو هدفها البالغ 15 غيغاواط بحلول 2035. يمكن للوكالة الفضائية الجزائرية (ASAL) التعاون مع Climate TRACE لمراقبة مستقلة للانبعاثات الوطنية — وهي قدرة تعزز موقف الجزائر في المفاوضات المناخية الدولية.
المصادر
- Google DeepMind — GraphCast Weather Prediction (Science, 2023)
- Google DeepMind — GenCast Probabilistic Forecasting (Nature, 2024)
- WMO — Congress Endorses Actions to Promote AI Forecasts and Warnings
- Earth.Org — How AI Is Improving Tropical Cyclone Forecasting
- Google Research — FireSat Wildfire Detection
- Climate TRACE — Global Emissions Monitoring
- MethaneSAT — Satellite Mission
- IEA — Energy Demand from AI
- Tesla — Autobidder Battery Optimization
- Google DeepMind — Data Center Cooling Optimization
- Jupiter Intelligence — Climate Risk Analytics
إعلان