آیا ایران توانایی داشتن هوش مصنوعی بومی را دارد؟

 بازیگران دولتی اصلی در توسعه و رقابت هوش مصنوعی را می‌توان در چند قطب اصلی خلاصه کرد. مهم‌ترین‌ها آمریکا، چین، اتحادیه اروپا، بریتانیا، کانادا، ژاپن، کره‌جنوبی و هند هستند؛ البته روسیه، اسرائیل، امارات و عربستان سعودی هم در برخی حوزه‌ها سرمایه‌گذاری و برنامه‌های جدی دارند. از میان این‌ها، آمریکا و چین در مقیاس زیرساخت محاسباتی، سرمایه‌گذاری، شرکت‌های فناوری و مدل‌های پیشرفته، فاصله محسوسی با سایر کشورها دارند.

آمریکا

آمریکا در حال حاضر مهم‌ترین قطب اکوسیستم هوش مصنوعی جهان است. دلیل اصلی فقط سرمایه‌گذاری دولت آمریکا نیست؛ بلکه ترکیبی از شرکت‌های بزرگ فناوری، دانشگاه‌ها، آزمایشگاه‌های تحقیقاتی، سرمایه خصوصی، تراشه‌سازان و زیرساخت ابری در این کشور وجود دارد. شرکت‌هایی مانند OpenAI، Google، Microsoft، Meta، Amazon، NVIDIA و بسیاری از استارتاپ‌ها بخش بزرگی از توسعه مدل‌های پیشرفته، تراشه‌های هوش مصنوعی و مراکز داده را در اختیار دارند.

مزیت بزرگ آمریکا این است که تقریباً تمام زنجیره ارزش را تا حد زیادی در اختیار دارد: از طراحی تراشه و سیستم‌های محاسباتی گرفته تا Cloud، مدل‌های پایه، نرم‌افزار و سرمایه‌گذاری. دولت آمریکا نیز با سرمایه‌گذاری در ابررایانه‌ها، محدودیت‌های صادراتی تراشه‌های پیشرفته و سیاست‌های حمایتی، هوش مصنوعی را به یک موضوع راهبردی و امنیت ملی تبدیل کرده است. بنابراین برتری آمریکا بیشتر حاصل یک اکوسیستم عظیم است تا صرفاً یک پروژه دولتی.

چین

چین جدی‌ترین رقیب آمریکا در هوش مصنوعی است. دولت چین هوش مصنوعی را یک فناوری راهبردی می‌داند و طی سال‌های گذشته سرمایه‌گذاری بسیار بزرگی در مراکز داده، ابررایانه‌ها، تراشه‌ها، شبکه‌های ارتباطی و تحقیقات دانشگاهی انجام داده است. شرکت‌هایی مانند Alibaba، Baidu، Tencent، Huawei و ByteDance نیز در توسعه مدل‌های زبانی و زیرساخت AI فعال هستند.

نقطه قوت چین، مقیاس بسیار بزرگ بازار، حجم عظیم داده و توانایی بسیج منابع توسط دولت است. نقطه ضعف مهم آن نیز دسترسی محدودتر به برخی پیشرفته‌ترین تراشه‌های آمریکایی است؛ موضوعی که باعث شده چین سرمایه‌گذاری سنگینی روی طراحی و تولید تراشه داخلی انجام دهد. رقابت آمریکا و چین در واقع فقط رقابت بر سر «بهترین مدل هوش مصنوعی» نیست؛ بلکه رقابت بر سر کل زنجیره فناوری، از تراشه و انرژی تا داده و مدل است.

اتحادیه اروپا

اتحادیه اروپا از نظر تعداد شرکت‌های پیشرو در مدل‌های پایه، در سطح آمریکا و چین نیست، اما در قانون‌گذاری، تحقیقات دانشگاهی، صنعت و زیرساخت‌های محاسباتی بازیگر مهمی است. اروپا تلاش می‌کند وابستگی خود به زیرساخت‌های آمریکایی را کاهش دهد و پروژه‌هایی مانند ابررایانه‌های اروپایی و برنامه‌های سرمایه‌گذاری AI را توسعه دهد.

مزیت اروپا بیشتر در تحقیقات علمی، صنعت پیشرفته و بازار بزرگ مشترک است. در عین حال، پراکندگی کشورهای عضو، سرمایه‌گذاری خصوصی کمتر نسبت به آمریکا و کمبود برخی شرکت‌های فناوری در مقیاس غول‌های آمریکایی، سرعت توسعه مدل‌های پیشرفته را محدود کرده است. اروپا در عوض با قانون AI Act تلاش کرده نقش مهمی در تعیین قواعد استفاده از هوش مصنوعی در جهان داشته باشد.

بریتانیا

بریتانیا یکی از مهم‌ترین مراکز تحقیقاتی هوش مصنوعی خارج از آمریکا و چین است. دانشگاه‌های معتبر، مراکز تحقیقاتی و شرکت‌هایی مانند DeepMind باعث شده‌اند این کشور نقش مهمی در تحقیقات AI داشته باشد. دولت بریتانیا نیز هوش مصنوعی را به عنوان یکی از فناوری‌های استراتژیک خود دنبال می‌کند.

بریتانیا از نظر تحقیق و توسعه بسیار قدرتمند است، اما از نظر حجم سرمایه، تراشه و زیرساخت محاسباتی با آمریکا فاصله دارد. به همین دلیل تمرکز آن بیشتر روی تحقیقات بنیادی، کاربردهای صنعتی و ایجاد همکاری میان دولت، دانشگاه و شرکت‌های فناوری است.

ژاپن

ژاپن در هوش مصنوعی بیشتر از زاویه صنعت، رباتیک، اتوماسیون و تولید اهمیت دارد. این کشور سابقه بسیار طولانی در رباتیک و صنایع پیشرفته دارد و تلاش می‌کند AI را با صنایع خودرو، کارخانه‌های هوشمند، ربات‌ها و خدمات ترکیب کند.

ژاپن همچنین به دنبال تقویت زیرساخت محاسباتی و مدل‌های زبانی بومی است، به‌خصوص مدل‌هایی که برای زبان ژاپنی و کاربردهای داخلی مناسب باشند. بنابراین ممکن است در تعداد مدل‌های مشهور جهانی با آمریکا رقابت نکند، اما در استفاده صنعتی از AI یک بازیگر مهم محسوب می‌شود.

کره‌جنوبی

کره‌جنوبی به دلیل حضور شرکت‌هایی مانند Samsung و SK Hynix در زنجیره نیمه‌رساناها و حافظه‌های پیشرفته اهمیت فوق‌العاده‌ای دارد. هوش مصنوعی بدون حافظه‌های پرسرعت و تراشه‌های پیشرفته عملاً نمی‌تواند در مقیاس بزرگ اجرا شود و کره جنوبی یکی از تأمین‌کنندگان مهم این بخش است.

این کشور همچنین در حال توسعه مدل‌های بومی، مراکز داده و زیرساخت‌های AI است. بنابراین نقش کره جنوبی فقط در تولید سخت‌افزار نیست و دولت تلاش می‌کند یک اکوسیستم کامل AI در داخل کشور ایجاد کند.

هند

هند مزیت متفاوتی دارد: جمعیت بسیار زیاد، نیروی انسانی متخصص، صنعت نرم‌افزار و بازار عظیم. هند سال‌هاست یکی از مراکز اصلی توسعه نرم‌افزار جهان است و دولت این کشور تلاش می‌کند این توانایی را به حوزه هوش مصنوعی منتقل کند.

هند در مقایسه با آمریکا و چین هنوز از نظر تراشه، مراکز داده و مدل‌های پیشرفته فاصله دارد، اما ظرفیت انسانی بسیار بزرگی در اختیار دارد. به همین دلیل احتمالاً نقش هند در آینده بیشتر در توسعه نرم‌افزار، خدمات AI، مدل‌های بومی و کاربرد هوش مصنوعی در مقیاس جمعیتی خواهد بود.

زیرساخت فنی هوش مصنوعی چیست؟

۱. تراشه و قدرت محاسباتی، نقطه شروع است. آموزش یک مدل هوش مصنوعی بزرگ به هزاران یا حتی ده‌ها هزار پردازنده تخصصی نیاز دارد. GPUهایی مانند محصولات NVIDIA و AMD یا شتاب‌دهنده‌های اختصاصی شرکت‌های بزرگ، حجم عظیمی از محاسبات ماتریسی را انجام می‌دهند. این پردازنده‌ها باید در قالب کلاسترهای بسیار بزرگ به یکدیگر متصل شوند؛ بنابراین فقط خرید GPU کافی نیست و شبکه‌های فوق‌سریع، حافظه، سیستم‌های ذخیره‌سازی و تجهیزات ارتباطی نیز ضروری هستند.

۲. سپس به مراکز داده و انرژی نیاز داریم. کلاسترهای AI در مراکز داده عظیم مستقر می‌شوند و مصرف برق آن‌ها بسیار بالاست. علاوه بر برق، سیستم‌های خنک‌کننده قدرتمند، UPS، شبکه، رک‌ها، سیستم‌های ذخیره‌سازی و تجهیزات پشتیبان لازم است. به همین دلیل توسعه AI در مقیاس ملی به چیزی فراتر از چند سرور نیاز دارد؛ کشور باید بتواند برق، زمین، مرکز داده و شبکه ارتباطی لازم را در مقیاس بسیار بزرگ فراهم کند.

۳. لایه بعدی، داده و نرم‌افزار است. مدل بزرگ بدون حجم عظیمی از داده باکیفیت نمی‌تواند آموزش ببیند. داده‌های متنی، تصویری، صوتی، ویدیویی، کدهای برنامه‌نویسی و داده‌های تخصصی باید جمع‌آوری، پاک‌سازی، دسته‌بندی و در بسیاری موارد توسط انسان‌ها برچسب‌گذاری شوند. در کنار آن، چارچوب‌های نرم‌افزاری، سیستم‌های توزیع‌شده، الگوریتم‌های آموزشی، ابزارهای ارزیابی و مهندسی داده لازم هستند.

۴. و مهم‌تر از همه، زمان و دانش انباشته است. حتی اگر یک کشور امروز بتواند میلیاردها دلار برای خرید GPU، ساخت دیتاسنتر و جمع‌آوری داده هزینه کند، الزاماً فردا یک مدل پیشرفته در اختیار نخواهد داشت. توسعه AI نتیجه سال‌ها تحقیق در یادگیری ماشین، معماری شبکه‌های عصبی، پردازش زبان، بینایی ماشین، سخت‌افزار، بهینه‌سازی و مهندسی سیستم‌ها است. علاوه بر زیرساخت فیزیکی، باید تیم‌های متخصص، داده‌های انباشته‌شده، تجربه آموزش مدل‌ها و چرخه‌های متعدد آزمون و خطا وجود داشته باشد. به همین دلیل فاصله میان کشورها فقط با «پول» قابل جبران نیست؛ زیرساخت + داده + نیروی انسانی + دانش انباشته + سال‌ها تجربه با هم مزیت ایجاد می‌کنند.

ایران این وسط چه می گوید؟

اگر بخواهیم دقیق و منصفانه صحبت کنیم، ایران می‌تواند از «هوش مصنوعی بومی» به معنای توسعه برخی مدل‌ها، محصولات و کاربردهای داخلی صحبت کند، اما ادعای «استقلال کامل در هوش مصنوعی» بسیار دشوار است. حتی سند ملی هوش مصنوعی ایران نیز خود بر ایجاد زیرساخت پردازشی، کلان‌داده، سخت‌افزار تخصصی و توسعه مدل‌های بزرگ چندوجهی بومی تأکید کرده؛ یعنی خود سند نشان می‌دهد این زیرساخت‌ها هنوز چیزی نیستند که بتوان آن‌ها را یک امر کاملاً حل‌شده فرض کرد. (Nezamat)

مشکل اصلی، زنجیره تأمین است. هوش مصنوعی فقط یک نرم‌افزار نیست که روی چند کامپیوتر نصب شود. برای ساخت یک مدل در سطح مدل‌های پیشرو باید به پردازنده‌های شتاب‌دهنده، حافظه‌های پرسرعت، شبکه‌های دیتاسنتری، سیستم‌های ذخیره‌سازی، مراکز داده عظیم، برق و خنک‌سازی و نرم‌افزارهای تخصصی دسترسی داشت. تحریم‌ها دسترسی ایران به بخش مهمی از این زنجیره را دشوار کرده‌اند و حتی درباره ابررایانه‌هایی مانند سیمرغ نیز پژوهش‌های منتشرشده نشان می‌دهند که بخشی از سخت‌افزار مورد استفاده، به فناوری خارجی و حتی قطعات آمریکایی وابسته بوده است. (Cambridge University Press) بنابراین داشتن یک «دیتاسنتر» یا یک «مدل فارسی» به‌تنهایی به معنای داشتن یک زیرساخت مستقل هوش مصنوعی نیست.

از طرف دیگر، بخش بزرگی از چیزی که ممکن است به عنوان محصول AI بومی معرفی شود، می‌تواند در واقع لایه‌ای نرم‌افزاری روی مدل‌های خارجی باشد؛ یعنی شرکت یا سازمان ایرانی رابط کاربری، اپلیکیشن، RAG، پایگاه داده یا یک سرویس تخصصی می‌سازد و در پشت صحنه درخواست را به یک مدل خارجی می‌فرستد. این مدل ممکن است مستقیماً از یک API آمریکایی دریافت شود، از طریق واسطه و مسیرهای دور زدن تحریم به آن دسترسی پیدا کند، یا از یک سرویس و مدل چینی استفاده شود. در این حالت محصول می‌تواند کاملاً ایرانی باشد، اما مدل پایه و بخش اصلی توان محاسباتی آن لزوماً ایرانی نیست. البته بدون بررسی فنی هر سرویس مشخص، نمی‌توان ادعا کرد که «همه» سرویس‌های ایرانی چنین هستند؛ این یک ادعای قابل‌اثبات موردبه‌مورد است، نه یک حکم کلی.

در نهایت باید میان «کاربرد بومی هوش مصنوعی» و «هوش مصنوعی واقعاً بومی و مستقل» تفاوت گذاشت. ایران می‌تواند روی داده‌های فارسی، مدل‌های کوچک و تخصصی، Fine-tuning، RAG، سامانه‌های بینایی ماشین و کاربردهای صنعتی کار کند و این‌ها دستاوردهای واقعی محسوب می‌شوند. اما اگر مدل پایه، GPU، بخش مهمی از نرم‌افزار، ابزارهای توسعه، زیرساخت ابری یا حتی زنجیره تأمین سخت‌افزار از خارج بیاید، واژه «بومی» بیشتر به لایه کاربرد و محصول اشاره دارد، نه استقلال کامل فناوری. پژوهش منتشرشده در Iranian Studies نیز دقیقاً بر همین شکاف میان روایت «حاکمیت فناوری» و واقعیت مادی زیرساخت‌های AI در ایران تأکید می‌کند. (Cambridge University Press)

پس جمله دقیق‌تر این است: ایران می‌تواند «محصول و کاربرد هوش مصنوعی بومی» داشته باشد؛ اما ادعای «زنجیره کامل و مستقل هوش مصنوعی بومی» بدون داشتن تراشه، توان محاسباتی، داده، مدل پایه و دانش فنی مستقل، ادعای بسیار بزرگ‌تری است. (Nezamat)

چند اصطلاح تخصصی که در بحث هوش مصنوعی استفاده کردم را می‌شود خیلی ساده این‌طور توضیح داد:

• API: یک «درگاه ارتباطی» بین دو نرم‌افزار است. مثلاً یک شرکت ایرانی می‌تواند سایتی بسازد که کاربر سؤالش را وارد کند، اما سایت سؤال را از طریق API برای یک مدل هوش مصنوعی خارجی بفرستد و پاسخ را دریافت کند. کاربر فقط سایت ایرانی را می‌بیند، ولی موتور اصلی ممکن است خارجی باشد.
• RAG (Retrieval-Augmented Generation): یعنی «تولید پاسخ با کمک بازیابی اطلاعات». در این روش، مدل هوش مصنوعی الزاماً اطلاعات موردنظر را از قبل در خودش ندارد؛ ابتدا از یک مجموعه اسناد، فایل‌ها یا پایگاه داده اطلاعات مرتبط را پیدا می‌کند و سپس با استفاده از آن‌ها پاسخ می‌دهد. مثلاً یک شرکت می‌تواند هزاران صفحه از قوانین و آیین‌نامه‌های خودش را در یک پایگاه داده قرار دهد و بعد از یک مدل زبانی بخواهد بر اساس همان اسناد به سؤال کاربر پاسخ دهد. RAG به معنی ساختن یک مدل هوش مصنوعی جدید نیست؛ بیشتر روشی برای وصل کردن یک مدل موجود به اطلاعات اختصاصی است.
• Fine-tuning (فاین‌تیونینگ): یعنی یک مدل آماده را با مجموعه‌ای از داده‌های تخصصی، دوباره آموزش دادن تا برای یک کار یا حوزه خاص بهتر شود. مثلاً یک مدل عمومی را با متون پزشکی فارسی آموزش تکمیلی بدهند تا در یک کاربرد پزشکی عملکرد بهتری داشته باشد. این با ساختن یک مدل از صفر تفاوت زیادی دارد و به منابع محاسباتی بسیار کمتری نیاز دارد.
• مدل پایه یا Foundation Model: همان مدل بزرگ و عمومی‌ای است که پایه بسیاری از سرویس‌های AI قرار می‌گیرد؛ مثلاً مدلی که توانایی فهم متن، تولید متن، تحلیل تصویر یا کدنویسی دارد. شرکت‌های دیگر می‌توانند به جای ساختن چنین مدلی از صفر، از آن استفاده کنند و روی آن محصول خودشان را بسازند.
• GPU / شتاب‌دهنده هوش مصنوعی: پردازنده‌هایی هستند که برای انجام حجم عظیمی از محاسبات موازی مناسب‌اند. آموزش مدل‌های بزرگ AI به تعداد بسیار زیادی از این پردازنده‌ها نیاز دارد. بنابراین GPU را می‌توان تا حدی مثل موتور محاسباتی کارخانه هوش مصنوعی در نظر گرفت.
• Inference (استنتاج): مرحله‌ای است که مدل آموزش‌دیده را واقعاً برای پاسخ دادن به کاربر استفاده می‌کنیم. مثلاً وقتی شما سؤالی از ChatGPT می‌پرسید، آموزش مدل قبلاً انجام شده؛ پردازشی که برای تولید پاسخ شما انجام می‌شود، Inference است.
• Training (آموزش): مرحله بسیار سنگین‌تر است که طی آن مدل با حجم عظیمی از داده‌ها بارها و بارها تمرین می‌کند تا الگوهای موجود در داده‌ها را یاد بگیرد. آموزش یک مدل بزرگ می‌تواند به مدت طولانی روی هزاران GPU انجام شود.
• LLM (Large Language Model): یعنی «مدل زبانی بزرگ»؛ همان دسته‌ای از مدل‌ها که برای فهم و تولید زبان انسانی طراحی شده‌اند. ChatGPT، Claude و Gemini نمونه‌هایی از سرویس‌هایی هستند که بر پایه مدل‌های زبانی بزرگ فعالیت می‌کنند.
• Embedding: تبدیل متن، تصویر یا اطلاعات دیگر به یک مجموعه عددی است که به کامپیوتر کمک می‌کند مفهوم و شباهت معنایی آن‌ها را مقایسه کند. در RAG، مثلاً می‌توان اسناد را به Embedding تبدیل کرد و هنگام سؤال کاربر، نزدیک‌ترین اسناد از نظر معنایی را پیدا کرد.

اگر بخواهیم همه این‌ها را در یک مثال ساده جمع کنیم: فرض کنید یک شرکت ایرانی یک چت‌بات حقوقی ساخته است. ظاهر سایت و نرم‌افزار متعلق به شرکت ایرانی است؛ اسناد قوانین ایران در یک پایگاه داده قرار گرفته‌اند؛ RAG اسناد مرتبط را پیدا می‌کند؛ Embedding کمک می‌کند سند مرتبط پیدا شود؛ سپس سؤال به یک LLM فرستاده می‌شود؛ اگر این LLM از طریق API متعلق به یک شرکت خارجی باشد، در واقع شرکت ایرانی محصول و لایه کاربردی را ساخته، اما موتور اصلی هوش مصنوعی ممکن است متعلق به یک شرکت خارجی باشد.