پایگاه خبری شاخص بازار: توسعه هوش مصنوعی در کشور طی سالهای اخیر همواره با شعارها و ادعاهای بزرگی از سوی نهادهای سیاستگذار و حکمرانی همراه بوده است؛ ادعاهایی نظیر راهاندازی مدلهای زبانی بزرگ ملی (LLM) یا رسیدن به ترازهای جهانی بدون در نظر گرفتن واقعیتهای زیرساختی و سرمایهای کشور.
در همین رابطه، محمدرضا معبودیان؛ کارشناس حوزه هوش مصنوعی و مدیر صندوق سرمایهگذاری خطرپذیر هوش مصنوعی (هومص) در گفتوگو با خبرنگار تسنیم به نقد صریح ساختار تصمیمگیری، وضعیت زیرساختها و جهتگیریهای اشتباه حاکمیت در این حوزه پرداخته است.
ادعای توسعه تراز جهانی بدون داشتن «جیپییو فارم» و کارتهای H200 غیرواقعی است
معبودیان درپاسخ به این سوال که برای رسیدن به تراز جهانی در حوزه هوش مصنوعی و رسیدن به یک LLM بزرگ بومی به چه ظرفیتسازی و زیرساختهایی نیاز داریم، گفت: اصلا چرا باید LLM بومی داشته باشیم وقتی ما در کشور پردازندههای گرافیکی (GPU) در تراز جهانی نداریم! با این حال، شاهد هستیم که این ادعاها بهویژه از سوی نهادهای بالادستی مطرح میشود.
وی افزود: چرا مسئولان دولتی و سیاستگذاران در مقام گفتار و حکمرانی تا این حد شعار و حرف میزنند؟ البته صحبتهای آنها در کلام قشنگ است و لطف میکنند، اما سوال اینجاست که آیا ما واقعاً سرمایه مالی لازم برای ایجاد یک GPU Farm مجهز به تعداد انبوهی از کارتهای پیشرفته H200 جهت آموزش (Train) مدلهای بزرگ را در اختیار داریم؟ وقتی چنین سرمایه و زیرساختی وجود ندارد، چرا مدام حرف آن را میزنیم؟
سیاست غلط همهچیزسازی؛ لزوم تمرکز بر یک حوزه مزیتدار بهجای توسعه «LLM»
این کارشناس هوش مصنوعی با اشاره به مقالهای که پیش از این در خصوص لبه فناوری (High-End) نگاشته است، تشریح کرد: آیا در حوزههای فوقپیشرفته تکنولوژیک، ما باید مدعی شویم که میخواهیم تمام فناوریها را خودمان بومیسازی کنیم؟ آیا واقعاً کشور ما باید به سمت آموزش مدلهای زبانی بزرگ (LLM) و توسعه سیستمهای عاملمحور (Agentic AI) برود و تمام کارهایش را خودش انجام دهد؟
وی تصریح کرد: راهحل درست این است که ما یک حوزه مشخص را که برای کشور کاربرد دارد، در آن ارزشآفرینی داریم و از توانمندی بومی برخورداریم انتخاب کنیم؛ سپس تمام بودجهها، انرژیها و تمرکزمان را روی همان یک حوزه بگذاریم و در آن بخش مدعی تراز جهانی شویم. من اساساً با این ایده که میخواهیم یک LLM ملی درست کنیم کاملاً مخالفم؛ زیرا مشخص نیست خروجی و فایده این کار برای کشور چیست.
درسهایی از تجربه جهانی؛ اول باید «مصرفکننده خوب» باشیم
معبودیان با مقایسه توسعه فناوری در ایران با سایر کشورهای منطقه و جهان، اظهار کرد: تجربه جهانی هوش مصنوعی نشان میدهد هدف اول ما باید این باشد که بتوانیم مصرفکننده خوبی در این حوزه باشیم.
به عنوان مثال، در کشورهای اطراف خودمان مثل امارات (دبی) یا ترکیه، آیا آنها در حوزه خودروسازی ادعای تولید دارند؟ خیر؛ اما در خیابانهای آنها بهترین خودروها در حال تردد هستند و مردم نیز قوانین راهنمایی و رانندگی را به درستی رعایت میکنند. این فرمول را باید در هوش مصنوعی هم پیاده کنیم؛ یعنی ابتدا باید مصرفکننده خوبی باشیم و بعد بگوییم حالا در یک بخش خاص ــ مثلاً مثل تولید رنگ خودرو ــ رتبه اول دنیا میشویم.
وی افزود: آیا در دنیا همه کشورها باید یک شرکت فورد یا تویوتا داشته باشند؟ قطعاً اینطور نیست. برای نمونه، کشور شیلی در حوزه خودروسازی فعالیت نمیکند، بلکه تمرکز خود را بر حوزه معدن گذاشته و کارهایی انجام میدهد که حتی در ژاپن وجود ندارد. اصول تجارت و اقتصاد فناوری یعنی همین؛ نمیشود هر فناوری و محصولی که در دنیا وجود دارد را بخواهیم در داخل کشور بسازیم. این تفکر که در میان حکمرانان فعلی ما وجود دارد، صد درصد غلط است و من به عنوان فعال حوزه هوش مصنوعی کاملاً با این رویکردها مخالفم.
ترسیم وضعیت هوش مصنوعی کشور؛ دولت حتی «مصرف هوش مصنوعی» را بلد نیست
این فعال حوزه فناوری در ارزیابی خود از وضعیت فعلی کشور و اقدامات سالهای اخیر متولیان امر گفت: اگر بخواهم وضعیت هوش مصنوعی کشور را با توجه به اتفاقات و رویکردهای غیرحرفهای و ستادبازیهای چند سال اخیر ترسیم کنم، باید بگویم ما حتی مصرفکننده خوبی هم نیستیم. ما هنوز نیازهای واقعی خود را نمیشناسیم و مجموعههای دولتی، سازمانی و حکمرانی کشور اصولاً مصرف هوش مصنوعی و کاربردی کردن آن را بلد نیستند.
معبودیان خاطرنشان کرد: سرمایهگذاری واقعی در حوزه هوش مصنوعی در کشور شکل نگرفته و خروجی ساختارهای موجود، صرفاً به شعار، حرف و اتاقهای خالی محدود شده است. برای پیادهسازی عملی این حوزهها و بررسی دقیقتر چالشها، نیازمند تغییر ریل جدی در سیاستگذاریهای کلان کشور هستیم.
بحران جدی در تجاریسازی؛ ایدههای خوبی که در مقیاس آزمایشگاهی قفل میشوند
رئیس سابق کمیسیون هوش مصنوعی اتاق بازرگانی در ادامه گفت: اگر بخواهیم بدانیم هوش مصنوعی در ایران چه کاری دقیقا انجام میدهد باید به صورت دقیق مشخص کنیم که اگر میخواهیم در لبه تکنولوژی حرکت کنیم روی چه بخشهایی متمرکز شویم و اگر هدفمان کاربردیسازی است، چه مسیری را طی کنیم. دیدگاه کلی من این است که ما ابتدا باید کاربردهای کلیدی هوش مصنوعی را شناسایی کنیم. اگر بخواهم در یک کلمه خلاصه کنم، کشور باید در بخش صنعت و معدن، به یک مصرفکننده جدی هوش مصنوعی تبدیل شود و صنعت باید مصرفکننده هوش مصنوعی باشد.
معبودیان با تکیه بر تجربه فعالیت خود در بخش خصوصی افزود: من 7 سال به عنوان رئیس کمیسیون هوش مصنوعی در اتاق بازرگانی فعالیت داشتم و کارگروه مربوطه تحت مدیریت بنده بود. امروز نیز به عنوان مدیرعامل صندوق سرمایهگذاری خطرپذیر هومص (هوش مصنوعی) و سرمایهگذار این حوزه، تمام بالا و پایین این بازار را سنجیدهام و با فعالان متعددی گفتوگو کردهام؛ واقعیت این است که در این بخش با کمبود شدید سرمایه مواجه هستیم. وقتی منابع مالی نداریم، چطور میتوانیم ادعای ساخت مدلهای زبانی بزرگ را مطرح کنیم؟ اما اگر بتوانیم سرمایهگذار جذب کنیم، طبیعتاً میتوان پروژههای کاربردی را با توجیه اقتصادی مناسب تعریف و سودآوری آنها را تضمین کرد.
وی گفت: مسئولان مدام میگویند به دنبال خرید GPU و راهاندازی GPU Farm هستند. این کارها فینفسه بد نیست اما نتیجه این سیاستها در حوزه GPU چه شد؟ در زمان مسئولیتم در کمیسیون، هنگامی که این ایدههای فاقد توجیه از سوی متولیان دولتی مطرح شد، صراحتاً اعلام کردیم که این مسیر خروجی ملموسی نخواهد داشت؛ چرا که تمرکز اصلی ما باید روی کاربردهای صنعتی هوش مصنوعی باشد.
چالش اسکیلآپ؛ چرا استارتاپهای هوش مصنوعی در ایران به سوددهی نمیرسند؟
این کارشناس حوزه هوش مصنوعی، چالش اصلی پنج سال گذشته و سه چهار سال آینده کشور در حوزه هوش مصنوعی را مسئله «تجاریسازی» دانست و تشریح کرد: بزرگترین معضل ما این است که نمیتوانیم محصولات هوش مصنوعی را اسکیلآپ (مقیاسپذیری و توسعه بازار) کنیم. به عنوان مثال، یک فناور جوان برنامهای مبتنی بر هوش مصنوعی نوشته است که با تحلیل عکسهای ماموگرافی، سرطان سینه را شناسایی میکند. این ایده و الگوریتم بسیار خوب و کاربردی است، اما در حال حاضر فقط روی یک لپتاپ اجرا میشود؛ ما که نمیتوانیم خدمات کل کشور را با یک لپتاپ هدایت کنیم! سوال اینجاست که چه کسی باید زیرساخت مقیاسپذیری این نرمافزار را تامین کند و سرمایه آن از کجا میآید؟
وی با مقایسه ساختار توسعه هوش مصنوعی در ایران و خارج از کشور توضیح داد: در کشورهای توسعهیافته، دغدغه توسعهدهنده به طراحی مدل محدود میشود؛ زیرا پلتفرمهای بزرگی مثل آمازون (AWS) یا گوگل کلود (GCP) فرآیند اسکیلآپ را بر عهده میگیرند و به سرعت زیرساخت پردازشی مورد نیاز را از 2 GPU به 4000 GPU ارتقا میدهند.
معبودیان با تاکید بر اینکه تا 5 سال آینده نیز معضل تجاریسازی و عدم مقیاسپذیری حل نخواهد شد، گفت: مشکل ما فقط پیدا کردن کاربرد نیست؛ من همین الان میتوانم 20 شرکت داخلی را نام ببرم که در حوزه هوش مصنوعی فعال بوده و مثلاً روی تشخیص پلاک خودرو و ثبت جرایم رانندگی کار میکنند. الگوریتمها و تکنولوژی آنها کاملاً درست است، اما چرا به سوددهی اقتصادی کلان نمیرسند؟ پاسخ مشخص است؛ هم تکنولوژی دارند و هم GPU دارند اما قادر به اسکیلآپ نیستند.