Saltar ao contido

Inicio › UD2 › 2.1

2.1 · Oportunidades e ameazas éticas e medioambientais

CA2.1Proba escritaPE.2-2.1.1

Que aprenderás: identificar e analizar as oportunidades e as ameazas éticas e ambientais que xorden do uso cotián da IA.

Oportunidades. Beneficios e melloras que a IA pode achegar á vida e á sociedade.
Ameazas éticas. Dilemas morais do uso da IA: substitución de traballadores, perda de conexión interpersoal, privacidade.
Ameazas medioambientais. Efectos negativos no contorno: consumo enerxético, residuos electrónicos.
Unha balanza equilibrada: nun prato unha folla, un corazón cun pulso médico e unha lámpada; no outro unha nube de contaminación, un ollo dentro dunha lupa e unha pegada dixital.

En detalle

As oportunidades son amplas: na saúde, os algoritmos de aprendizaxe automática analizan datos médicos para diagnosticar antes e mellor; no transporte, os vehículos autónomos poden reducir accidentes e emisións; na agricultura, a IA optimiza a rega e os pesticidas.

Pero hai ameazas: o desprazamento laboral pola automatización xera inseguridade económica; a dependencia tecnolóxica pode levar á desconexión humana; a recollida masiva de datos ameaza a privacidade; e a desigualdade dixital exclúe a quen non ten acceso, aumentando a fenda social.

🗣P.2-2.1.2a · Análise e debate en grupos de 3Prepara o control

Por grupos de 3, ledes un dos artigos (de ética ou de medio ambiente) e escolledes a posición de oportunidades ou ameazas. Coa información do artigo:

  1. Elaborade unha reflexión crítica que o portavoz entrega na tarefa da aula virtual.
  2. Preparade unha argumentación de debate na que todos os membros falan e defenden a posición.

Artigos de ética (Smart cities):

Artigos de medio ambiente (computación na nube):

Criterio de logro: a reflexión identifica polo menos 2 oportunidades ou 2 ameazas do artigo con argumentos propios, e no debate todos os membros interveñen defendendo a posición.
🧬P.2-2.1.2b · Caso real · Unha IA que escribe código xenéticoPrepara o control

Existe un modelo de IA, chamado Evo 2, adestrado con 9,3 billóns de nucleótidos sacados de máis de 128.000 xenomas: bacterias, plantas, animais, humanos. Non só le ADN: escríbeo. Predí que mutacións causan enfermidade cunha precisión superior ao 90 % e é quen de deseñar xenomas completos da lonxitude dunha bacteria sinxela. E está publicado en aberto: o código, os datos e os pesos do modelo pode descargalos calquera.

Os seus autores tomaron unha decisión que paga a pena mirar de preto: quitaron do adestramento os patóxenos que infectan seres humanos, e aseguráronse de que o modelo non responde de forma útil se lle preguntas por eles.

Pasos

  1. Individual, dúas columnas de tres liñas cada unha: oportunidades · ameazas. Non vale poñer «é bo» ou «é perigoso»: hai que dicir para quen e en que prazo.
  2. Por parellas, fusionade as listas e quedade coas dúas máis fortes de cada lado.
  3. Debate coas dúas posturas de abaixo, que son sobre a salvagarda, non sobre o modelo.
  4. Peche escrito, unha liña: quen debería poder decidir que se quita dun conxunto de adestramento? O equipo que o fai, un comité científico, ou un organismo público.
Postura A · publicalo en aberto foi o correctoUn modelo pechado é un modelo que ninguén pode auditar. Ao publicar datos, código e pesos, calquera laboratorio do mundo pode comprobar se a salvagarda funciona de verdade, e a investigación en enfermidades raras deixa de depender de quen pague máis.
Postura B · publicalo en aberto foi un riscoA salvagarda protexe mentres ninguén toque o modelo. Pero se os pesos son públicos, tamén é público o punto de partida para volver adestralo con outros datos. Quitar os patóxenos do adestramento non impide que alguén llos volva meter.
Criterio de logro: escribe polo menos dúas oportunidades e dúas ameazas indicando en cada unha para quen e en que prazo, e toma postura sobre a apertura do modelo cun argumento que non sexa «é perigoso».
Fontes:
  • Arc Institute, «AI can now model and design the genetic code for all domains of life with Evo 2», arcinstitute.org, 19 de febreiro de 2025. Modelo desenvolvido co apoio de NVIDIA.
  • Datos declarados pola propia institución: adestrado con 9,3 billóns de nucleótidos procedentes de máis de 128.000 xenomas; predí mutacións causantes de enfermidade cunha precisión superior ao 90 % no xene BRCA1; deseña xenomas de ata a lonxitude dunha bacteria sinxela.
  • Salvagarda declarada polos seus autores: excluíron do conxunto de adestramento os patóxenos que infectan humanos e organismos complexos, e comprobaron que o modelo non devolve respostas útiles a preguntas sobre eses patóxenos.
  • Código, pesos e datos publicados en aberto (GitHub do Arc Institute; integrado en NVIDIA BioNeMo).
🔌P.2-2.1.2c · A pegada do teu día dixitalPrepara o control

Google publicou en agosto de 2025 o custo dunha pregunta de texto mediana ao seu modelo, con datos de maio de 2025: 0,24 Wh de electricidade, 0,26 mL de auga (unhas cinco pingas) e 0,03 g de CO₂ equivalente. A propia empresa compárao con ver a televisión menos de 9 segundos.

Paso 1. Calcula, cunha calculadora e sen conectarte a nada: cantas preguntas lle fas ti a unha IA nunha semana? Multiplica polos tres números. Cantos días de televisión son? Cantos vasos de auga?

Paso 2 · a trampa dos datos. Ese número só conta preguntas de texto: nin imaxes nin vídeo. E publícao a empresa que o mide, que decide que conta e cando. A investigadora Sasha Luccioni pide precisamente unha medida estándar e independente. Que che parece?

Paso 3 · a escala. A Axencia Internacional da Enerxía calcula que os centros de datos consumiron 415 TWh en 2024, o 1,5 % da electricidade mundial, e prevé que pasen a uns 945 TWh en 2030. Escribe dúas liñas: unha oportunidade e unha ameaza ambiental, cada unha co dato que a apoia.

Criterio de logro: fai ben a multiplicación e nomea unha oportunidade e unha ameaza, cada unha apoiada nun dato concreto dos tres pasos.
Fontes: Google Cloud, Measuring the environmental impact of AI inference (agosto de 2025), datos de maio de 2025 · Axencia Internacional da Enerxía, Energy and AI (2025) · MIT Technology Review (21 de agosto de 2025), declaracións de Sasha Luccioni. Idea da actividade inspirada en: C. Montero Hernández, S. Guerreiro Santalla e F. J. Bellas Bouza, Guía docente. Inteligencia Artificial para la Sociedad, 4.º ESO (febreiro de 2026). O deseño e o texto son propios.
▶Vídeo de aula

Oportunidades e ameazas éticas.

▶Vídeo de aula

Oportunidades e ameazas medioambientais.

2.1 · Oportunidades y amenazas éticas y medioambientales

CA2.1Prueba escritaPE.2-2.1.1

Qué aprenderás: identificar y analizar las oportunidades y las amenazas éticas y ambientales que surgen del uso cotidiano de la IA.

Oportunidades. Beneficios y mejoras que la IA puede aportar a la vida y a la sociedad.
Amenazas éticas. Dilemas morales del uso de la IA: sustitución de trabajadores, pérdida de conexión interpersonal, privacidad.
Amenazas medioambientales. Efectos negativos en el entorno: consumo energético, residuos electrónicos.
Una balanza equilibrada: en un plato una hoja, un corazón con pulso médico y una bombilla; en el otro una nube de contaminación, un ojo dentro de una lupa y una huella dactilar.

En detalle

Las oportunidades son amplias: en la salud, los algoritmos de aprendizaje automático analizan datos médicos para diagnosticar antes y mejor; en el transporte, los vehículos autónomos pueden reducir accidentes y emisiones; en la agricultura, la IA optimiza el riego y los pesticidas.

Pero hay amenazas: el desplazamiento laboral por la automatización genera inseguridad económica; la dependencia tecnológica puede llevar a la desconexión humana; la recogida masiva de datos amenaza la privacidad; y la desigualdad digital excluye a quien no tiene acceso, aumentando la brecha social.

🗣P.2-2.1.2a · Análisis y debate en grupos de 3Prepara el control

Por grupos de 3, leed uno de los artículos (de ética o de medio ambiente) y escoged la posición de oportunidades o amenazas. Con la información del artículo:

  1. Elaborad una reflexión crítica que el portavoz entrega en la tarea del aula virtual.
  2. Preparad una argumentación de debate en la que todos los miembros hablan y defienden la posición.

Artículos de ética (Smart cities):

Artículos de medio ambiente (computación en la nube):

Criterio de logro: la reflexión identifica al menos 2 oportunidades o 2 amenazas del artículo con argumentos propios, y en el debate todos los miembros intervienen defendiendo la posición.
🧬P.2-2.1.2b · Caso real · Una IA que escribe código genéticoPrepara el control

Existe un modelo de IA, llamado Evo 2, entrenado con 9,3 billones de nucleótidos sacados de más de 128.000 genomas: bacterias, plantas, animales, humanos. No solo lee ADN: lo escribe. Predice qué mutaciones causan enfermedad con una precisión superior al 90 % y es capaz de diseñar genomas completos de la longitud de una bacteria sencilla. Y está publicado en abierto: el código, los datos y los pesos del modelo puede descargarlos cualquiera.

Sus autores tomaron una decisión que merece mirarse de cerca: quitaron del entrenamiento los patógenos que infectan a seres humanos, y se aseguraron de que el modelo no responde de forma útil si le preguntas por ellos.

Pasos

  1. Individual, dos columnas de tres líneas cada una: oportunidades · amenazas. No vale poner «es bueno» o «es peligroso»: hay que decir para quién y en qué plazo.
  2. Por parejas, fusionad las listas y quedaos con las dos más fuertes de cada lado.
  3. Debate con las dos posturas, que van sobre la salvaguarda, no sobre el modelo.
  4. Cierre escrito, una línea: ¿quién debería poder decidir qué se quita de un conjunto de entrenamiento? El equipo que lo hace, un comité científico o un organismo público.
Postura A · publicarlo en abierto fue lo correctoUn modelo cerrado es un modelo que nadie puede auditar. Al publicar datos, código y pesos, cualquier laboratorio del mundo puede comprobar si la salvaguarda funciona de verdad, y la investigación en enfermedades raras deja de depender de quien pague más.
Postura B · publicarlo en abierto fue un riesgoLa salvaguarda protege mientras nadie toque el modelo. Pero si los pesos son públicos, también lo es el punto de partida para volver a entrenarlo con otros datos. Quitar los patógenos del entrenamiento no impide que alguien se los vuelva a meter.
Criterio de logro: escribe al menos dos oportunidades y dos amenazas indicando en cada una para quién y en qué plazo, y toma postura sobre la apertura del modelo con un argumento que no sea «es peligroso».
Fuentes:
  • Arc Institute, «AI can now model and design the genetic code for all domains of life with Evo 2», arcinstitute.org, 19 de febreiro de 2025. Modelo desarrollado con el apoyo de NVIDIA.
  • Datos declarados por la propia institución: entrenado con 9,3 billones de nucleótidos procedentes de más de 128.000 genomas; predice mutaciones causantes de enfermedad con una precisión superior al 90 % en el gen BRCA1; diseña genomas de hasta la longitud de una bacteria sencilla.
  • Salvaguarda declarada por sus autores: excluyeron del conjunto de entrenamiento los patógenos que infectan a humanos y organismos complejos, y comprobaron que el modelo no devuelve respuestas útiles a preguntas sobre esos patógenos.
  • Código, pesos y datos publicados en abierto (GitHub do Arc Institute; integrado en NVIDIA BioNeMo).
🔌P.2-2.1.2c · La huella de tu día digitalPrepara el control

Google publicó en agosto de 2025 el coste de una pregunta de texto mediana a su modelo, con datos de mayo de 2025: 0,24 Wh de electricidad, 0,26 mL de agua (unas cinco gotas) y 0,03 g de CO₂ equivalente. La propia empresa lo compara con ver la televisión menos de 9 segundos.

Paso 1. Calcula, con una calculadora y sin conectarte a nada: ¿cuántas preguntas le haces tú a una IA en una semana? Multiplica por los tres números. ¿Cuántos días de televisión son? ¿Cuántos vasos de agua?

Paso 2 · la trampa de los datos. Ese número solo cuenta preguntas de texto: ni imágenes ni vídeo. Y lo publica la empresa que lo mide, que decide qué cuenta y cuándo. La investigadora Sasha Luccioni pide precisamente una medida estándar e independiente. ¿Qué te parece?

Paso 3 · la escala. La Agencia Internacional de la Energía calcula que los centros de datos consumieron 415 TWh en 2024, el 1,5 % de la electricidad mundial, y prevé que pasen a unos 945 TWh en 2030. Escribe dos líneas: una oportunidad y una amenaza ambiental, cada una con el dato que la apoya.

Criterio de logro: hace bien la multiplicación y nombra una oportunidad y una amenaza, cada una apoyada en un dato concreto de los tres pasos.
Fuentes: Google Cloud, Measuring the environmental impact of AI inference (agosto de 2025), datos de mayo de 2025 · Agencia Internacional de la Energía, Energy and AI (2025) · MIT Technology Review (21 de agosto de 2025), declaraciones de Sasha Luccioni. Idea de la actividad inspirada en: C. Montero Hernández, S. Guerreiro Santalla y F. J. Bellas Bouza, Guía docente. Inteligencia Artificial para la Sociedad, 4.º ESO (febrero de 2026). El diseño y el texto son propios.
▶Vídeo de clase

Oportunidades y amenazas éticas.

▶Vídeo de clase

Oportunidades y amenazas medioambientales.

2.1 · Opportunités et menaces éthiques et environnementales

CA2.1Épreuve écritePE.2-2.1.1

Ce que tu vas apprendre : identifier et analyser les opportunités et les menaces éthiques et environnementales qui naissent de l'usage quotidien de l'IA.

Opportunités. Bénéfices et améliorations que l'IA peut apporter à la vie et à la société.
Menaces éthiques. Dilemmes moraux de l'usage de l'IA : remplacement des travailleurs, perte de lien interpersonnel, vie privée.
Menaces environnementales. Effets négatifs sur l'environnement : consommation d'énergie, déchets électroniques.
Une balance en équilibre : d'un côté une feuille, un cœur avec un tracé cardiaque et une ampoule ; de l'autre un nuage de pollution, un œil dans une loupe et une empreinte digitale.

En détail

Les opportunités sont vastes : en santé, les algorithmes d'apprentissage automatique analysent des données médicales pour diagnostiquer plus tôt et mieux ; dans les transports, les véhicules autonomes peuvent réduire les accidents et les émissions ; en agriculture, l'IA optimise l'irrigation et les pesticides.

Mais il y a des menaces : le déplacement des emplois dû à l'automatisation engendre une insécurité économique ; la dépendance technologique peut mener à la déconnexion humaine ; la collecte massive de données menace la vie privée ; et l'inégalité numérique exclut celles et ceux qui n'ont pas accès, creusant la fracture sociale.

🗣P.2-2.1.2a · Analyse et débat (groupes de 3)Prépare le contrôle

Par groupes de 3, vous lisez l'un des articles (d'éthique ou d'environnement) et vous choisissez la position opportunités ou menaces. Avec l'information de l'article :

  1. Rédigez une réflexion critique que le porte-parole dépose dans la tâche de la classe virtuelle.
  2. Préparez une argumentation de débat dans laquelle tous les membres parlent et défendent la position.

Articles d'éthique (Smart cities) :

Articles d'environnement (informatique en nuage) :

Critère de réussite : la réflexion identifie au moins 2 opportunités ou 2 menaces de l'article avec des arguments personnels, et au débat tous les membres interviennent en défendant la position.
🧬P.2-2.1.2b · Cas réel · Une IA qui écrit du code génétiquePrépare le contrôle

Un modèle d'IA nommé Evo 2 a été entraîné sur 9,3 billions de nucléotides issus de plus de 128 000 génomes : bactéries, plantes, animaux, humains. Il ne lit pas seulement l'ADN : il l'écrit. Il prédit quelles mutations causent des maladies avec une précision supérieure à 90 % et il est capable de concevoir des génomes complets de la longueur d'une bactérie simple. Et il est publié en accès libre : le code, les données et les poids du modèle, n'importe qui peut les télécharger.

Ses auteurs ont pris une décision qui mérite qu'on la regarde de près : ils ont retiré de l'entraînement les pathogènes qui infectent les êtres humains, et ils se sont assurés que le modèle ne répond pas de façon utile si on l'interroge à leur sujet.

Étapes

  1. Individuel, deux colonnes de trois lignes chacune : opportunités · menaces. Il ne suffit pas d'écrire « c'est bien » ou « c'est dangereux » : il faut préciser pour qui et à quelle échéance.
  2. En binôme, fusionnez les listes et gardez les deux plus fortes de chaque côté.
  3. Débat avec les deux positions ci-dessous, qui portent sur le garde-fou, pas sur le modèle.
  4. Clôture écrite, une ligne : qui devrait pouvoir décider de ce qu'on retire d'un jeu d'entraînement ? L'équipe qui le fabrique, un comité scientifique, ou un organisme public.
Position A · la publication en accès libre était justeUn modèle fermé est un modèle que personne ne peut auditer. En publiant les données, le code et les poids, n'importe quel laboratoire du monde peut vérifier si le garde-fou fonctionne vraiment, et la recherche sur les maladies rares cesse de dépendre de qui paie le plus.
Position B · la publication en accès libre était un risqueLe garde-fou protège tant que personne ne touche au modèle. Mais si les poids sont publics, le point de départ pour le réentraîner avec d'autres données l'est aussi. Retirer les pathogènes de l'entraînement n'empêche pas que quelqu'un les y remette.
Critère de réussite : écrit au moins deux opportunités et deux menaces en précisant pour chacune pour qui et à quelle échéance, et prend position sur l'ouverture du modèle avec un argument autre que « c'est dangereux ».
Sources :
  • Arc Institute, « AI can now model and design the genetic code for all domains of life with Evo 2 », arcinstitute.org, 19 février 2025, avec le soutien de NVIDIA.
  • Données déclarées par l'institution : entraîné sur 9,3 billions de nucléotides issus de plus de 128 000 génomes ; prédit les mutations pathogènes avec plus de 90 % de précision sur le gène BRCA1 ; conçoit des génomes de la taille d'une bactérie simple.
  • Garde-fou déclaré par ses auteurs : ils ont exclu du jeu d'entraînement les pathogènes qui infectent les humains et les organismes complexes, et ils ont vérifié que le modèle ne renvoie pas de réponses utiles aux questions portant sur ces pathogènes.
  • Code, poids et données publiés en accès libre (GitHub de l'Arc Institute ; intégré dans NVIDIA BioNeMo).
🔌P.2-2.1.2c · L'empreinte de ta journée numériquePrépare le contrôle

Google a publié en août 2025 le coût d'une question de texte médiane à son modèle, avec des données de mai 2025 : 0,24 Wh d'électricité, 0,26 mL d'eau (environ cinq gouttes) et 0,03 g de CO₂ équivalent. L'entreprise le compare à regarder la télévision moins de 9 secondes.

Étape 1. Calcule, avec une calculatrice et sans rien connecter : combien de questions poses-tu à une IA en une semaine ? Multiplie par les trois nombres. Cela fait combien de jours de télévision ? Combien de verres d'eau ?

Étape 2 · le piège des données. Ce chiffre ne compte que les questions de texte : ni images ni vidéo. Et c'est l'entreprise qui le mesure qui le publie, et qui décide de ce qui compte et de quand. La chercheuse Sasha Luccioni réclame une mesure standard et indépendante. Qu'en penses-tu ?

Étape 3 · l'échelle. L'Agence internationale de l'énergie estime que les centres de données ont consommé 415 TWh en 2024, soit 1,5 % de l'électricité mondiale, et prévoit environ 945 TWh en 2030. Écris deux lignes : une opportunité et une menace environnementale, chacune avec la donnée qui l'appuie.

Critère de réussite : fait bien la multiplication et nomme une opportunité et une menace, chacune appuyée sur une donnée précise des trois étapes.
Sources : Google Cloud, Measuring the environmental impact of AI inference (août 2025), données de mai 2025 · Agence internationale de l’énergie, Energy and AI (2025) · MIT Technology Review (21 août 2025), propos de Sasha Luccioni. Idée inspirée de : C. Montero Hernández, S. Guerreiro Santalla et F. J. Bellas Bouza, Guía docente. Inteligencia Artificial para la Sociedad, 4.º ESO (février 2026). La conception et le texte sont propres.
▶Vidéo de cours

Opportunités et menaces éthiques.

▶Vidéo de cours

Opportunités et menaces environnementales.

2.1 · الفرص والتهديدات الأخلاقية والبيئية

CA2.1اختبار كتابيPE.2-2.1.1

ما ستتعلّمه: تحديد وتحليل الفرص والتهديدات الأخلاقية والبيئية الناشئة عن الاستخدام اليومي للذكاء الاصطناعي.

الفرص. المنافع والتحسينات التي يمكن للذكاء الاصطناعي أن يقدّمها للحياة وللمجتمع.
التهديدات الأخلاقية. المعضلات الأخلاقية لاستخدام الذكاء الاصطناعي: إحلال العاملين، وفقدان التواصل بين الأشخاص، والخصوصية.
التهديدات البيئية. الآثار السلبية على المحيط: استهلاك الطاقة، والنفايات الإلكترونية.
ميزان متوازن: في كفّة ورقة نبات وقلب بنبض طبّي ومصباح، وفي الأخرى سحابة تلوّث وعين داخل عدسة وبصمة إصبع.

بالتفصيل

الفرص واسعة: في الصحة، تحلّل خوارزميات التعلّم الآلي البيانات الطبية من أجل التشخيص أبكر وأفضل؛ وفي النقل، يمكن للمركبات ذاتية القيادة أن تقلّل الحوادث والانبعاثات؛ وفي الزراعة، يُحسّن الذكاء الاصطناعي الريّ والمبيدات.

لكن هناك تهديدات: إزاحة العمالة بسبب الأتمتة تولّد انعدام أمان اقتصادي؛ والاعتماد على التقنية قد يؤدّي إلى انفصال بين البشر؛ والجمع الضخم للبيانات يهدّد الخصوصية؛ والفجوة الرقمية تُقصي من لا يملك وصولًا، فتزيد الهوّة الاجتماعية.

🗣P.2-2.1.2a · تحليل ونقاش (مجموعات ثلاثية)تحضير للاختبار

في مجموعات ثلاثية، اقرأوا أحد المقالات (في الأخلاقيات أو في البيئة) واختاروا موقف الفرص أو التهديدات. انطلاقًا من معلومات المقال:

  1. اكتبوا تأمّلًا نقديًّا يُسلّمه الناطق باسم المجموعة في مهمة الصف الافتراضي.
  2. حضّروا حِجاجًا للنقاش يتحدّث فيه كل الأعضاء ويدافعون عن الموقف.

مقالات الأخلاقيات (المدن الذكية):

مقالات البيئة (الحوسبة السحابية):

معيار الإنجاز: يحدّد التأمّل النقدي فرصتين أو تهديدين على الأقل من المقال بحجج خاصة، ويتدخّل كل الأعضاء في النقاش دفاعًا عن الموقف.
🧬P.2-2.1.2b · حالة حقيقية · ذكاء اصطناعي يكتب الشيفرة الوراثيةتحضير للاختبار

يوجد نموذج اسمه Evo 2 دُرِّب على 9,3 تريليون نوكليوتيد من أكثر من 128.000 جينوم: بكتيريا ونباتات وحيوانات وبشر. لا يقرأ الحمض النووي فحسب بل يكتبه. يتنبّأ بالطفرات التي تسبّب المرض بدقّة تفوق 90 %، وهو قادر على تصميم جينومات كاملة بطول بكتيريا بسيطة. وهو منشور بشكل مفتوح: الشيفرة والبيانات وأوزان النموذج يستطيع أي شخص تنزيلها.

اتخذ مؤلفوه قرارًا يستحق التمعّن: أزالوا من بيانات التدريب مسبّبات الأمراض التي تصيب الإنسان، وتأكّدوا من أن النموذج لا يجيب إجابات مفيدة إن سألته عنها.

الخطوات

  1. فرديًا، عمودان بثلاثة أسطر لكلٍّ منهما: فرص · مخاطر. لا يكفي أن تكتب «هذا جيّد» أو «هذا خطير»: يجب تحديد لمن وفي أي مدى زمني.
  2. في ثنائيات، ادمجوا القوائم واحتفظوا بأقوى اثنتين من كل جانب.
  3. نقاش بالموقفين الواردين أدناه، وهما عن الضمانة لا عن النموذج.
  4. خاتمة مكتوبة في سطر: من ينبغي أن يملك حقّ تقرير ما يُحذف من بيانات التدريب؟ الفريق الذي يصنعه، أو لجنة علمية، أو هيئة عمومية.
الموقف أ · النشر المفتوح كان صوابًاالنموذج المغلق نموذج لا يستطيع أحد تدقيقه. وبنشر البيانات والشيفرة والأوزان يستطيع أي مختبر في العالم التحقّق من أن الضمانة تعمل فعلًا، ويتوقّف البحث في الأمراض النادرة عن الاعتماد على من يدفع أكثر.
الموقف ب · النشر المفتوح كان مخاطرةالضمانة تحمي ما دام أحد لم يمسّ النموذج. لكن إذا كانت الأوزان علنية، فنقطة الانطلاق لإعادة تدريبه ببيانات أخرى علنية أيضًا. وحذف مسبّبات الأمراض من التدريب لا يمنع أحدًا من إعادة إدخالها.
معيار الإنجاز: يكتب فرصتين ومخاطرتين على الأقل مع تحديد لمن وفي أي مدى في كلٍّ منها، ويتّخذ موقفًا من انفتاح النموذج بحجّة غير «إنه خطير».
المصادر:
  • معهد Arc، «الذكاء الاصطناعي صار قادرًا على نمذجة وتصميم الشيفرة الوراثية»، arcinstitute.org، 19 فبراير 2025، بدعم من NVIDIA.
  • بيانات معلنة من المعهد: تدريب على 9,3 تريليون نوكليوتيد من أكثر من 128.000 جينوم؛ يتنبّأ بالطفرات المُمرِضة بدقّة تتجاوز 90 % في جين BRCA1؛ ويصمّم جينومات تصل إلى طول بكتيريا بسيطة.
  • ضمانة معلنة من مؤلفيه: استُبعدت من مجموعة التدريب مسبّبات الأمراض التي تصيب الإنسان والكائنات المعقّدة، وتحقّقوا من أن النموذج لا يعيد إجابات مفيدة عن أسئلة تخصّ تلك المسبّبات.
  • الشيفرة والأوزان والبيانات منشورة بشكل مفتوح (GitHub الخاص بمعهد Arc؛ ومدمجة في NVIDIA BioNeMo).
🔌P.2-2.1.2c · أثر يومك الرقميتحضير للاختبار

نشرت Google في أغسطس 2025 كلفة سؤال نصّي متوسّط لنموذجها، ببيانات مايو 2025: 0.24 واط·ساعة من الكهرباء، و0.26 مل من الماء (نحو خمس قطرات)، و0.03 غرام مكافئ ثاني أكسيد الكربون. وتقارنه الشركة بمشاهدة التلفاز أقلّ من 9 ثوانٍ.

الخطوة 1. احسب بالآلة الحاسبة ودون اتصال: كم سؤالًا تطرح على ذكاء اصطناعي في الأسبوع؟ اضرب في الأرقام الثلاثة. كم يوم تلفاز يساوي ذلك؟ وكم كوب ماء؟

الخطوة 2 · فخّ البيانات. هذا الرقم يحسب الأسئلة النصّية فقط: لا صورًا ولا فيديو. وتنشره الشركة نفسها التي تقيسه، وهي التي تقرّر ما الذي يُحسَب ومتى. وتطالب الباحثة ساشا لوتشيوني بمقياس موحّد ومستقلّ. ما رأيك؟

الخطوة 3 · المقياس الكبير. تقدّر وكالة الطاقة الدولية أنّ مراكز البيانات استهلكت 415 تيراواط·ساعة في 2024، أي 1.5 % من كهرباء العالم، وتتوقّع نحو 945 تيراواط·ساعة في 2030. اكتب سطرين: فرصة وخطرًا بيئيًّا، ولكلٍّ منهما الرقم الذي يسنده.

معيار الإنجاز: يُجري الضرب بشكل صحيح مع ذكر فرصة وخطر، ولكلٍّ منهما رقم محدّد من الخطوات الثلاث.
المصادر: Google Cloud، Measuring the environmental impact of AI inference (أغسطس 2025)، بيانات مايو 2025 · وكالة الطاقة الدولية، Energy and AI (2025) · MIT Technology Review (21 أغسطس 2025)، تصريحات ساشا لوتشيوني. فكرة النشاط مستوحاة من: C. Montero Hernández و S. Guerreiro Santalla و F. J. Bellas Bouza، Guía docente. Inteligencia Artificial para la Sociedad, 4.º ESO (فبراير 2026). التصميم والنصّ من إعدادنا.
▶فيديو الصف

الفرص والمخاطر الأخلاقية.

▶فيديو الصف

الفرص والمخاطر البيئية.

←
Guía UD2
→
2.2 · Impactos na sociedade e ambiente