ایران در زمره ۲۰ کشور برتر جهان در حوزه هوش مصنوعی

به گزارش خبرنگار اجتماعی خبرگزاری آباجان به نقل از تسنیم، ایران در طول دهه‌های گذشته همواره به دنبال دستیابی به لایه‌های پیشرفته در حوزه‌های علمی و فناوری بوده و در این مسیر، مقام معظم رهبری بارها بر اهمیت پیشرفت در هوش مصنوعی تأکید کرده است. یکی از مهم‌ترین موضوعاتی که ایشان در سخنرانی‌های خود به آن پرداخته‌اند، لزوم دستیابی ایران به لایه‌های عمیق هوش مصنوعی و از آنطرف قرار گرفتن ایران در بین ۱۰ کشور برتر هوش مصنوعی است.

یکی از اصلی‌ترین چالش‌ها در این مسیر، پراکندگی اسناد و سیاست‌گذاری‌های مرتبط با هوش مصنوعی میان نهادهای مختلف است. دستگاه‌های مختلف دولتی و خصوصی در طول سال‌ها اسناد و برنامه‌هایی را در این زمینه تدوین کرده‌اند، اما نبود یک چارچوب هماهنگ و یکپارچه، روند توسعه هوش مصنوعی در کشور را کند کرده است.

ایجاد “سازمان ملی هوش مصنوعی” یکی از اقدامات مهم در راستای رفع این چالش‌ها بود. این سازمان با هدف یکپارچه‌سازی سیاست‌گذاری‌ها و برنامه‌ریزی‌های کلان در حوزه هوش مصنوعی تأسیس شد. با این حال، همچنان سوالاتی در مورد کارکرد و برنامه‌های این سازمان مطرح است و نیاز به تحلیل و بررسی دقیق‌تری دارد.

شرکت‌های دانش‌بنیان نیز در این مسیر نقشی کلیدی دارند. این شرکت‌ها به‌عنوان نیروهای محرکه‌ اقتصاد نوآوری و توسعه‌ی فناوری در کشور، قادرند تحولات بزرگی در حوزه هوش مصنوعی ایجاد کنند. با توجه به اینکه بسیاری از شرکت‌های دانش‌بنیان در ایران در حوزه فناوری‌های پیشرفته فعال هستند، نقش آن‌ها در تسریع پیشرفت‌های هوش مصنوعی، غیرقابل انکار است. همچنین، این شرکت‌ها توانایی ایجاد فرصت‌های شغلی جدید و ارتقاء سطح دانش و مهارت‌های تخصصی نیروی کار را نیز دارند.

برای اینکه ایران بتواند در حوزه هوش مصنوعی به موفقیت‌های بیشتر دست یابد، به ابزارها و زیرساخت‌های متعددی نیاز دارد. از جمله این ابزارها، می‌توان به دسترسی به داده‌های بزرگ و متنوع، توانایی پردازش بالا، تربیت نیروی انسانی متخصص، و ایجاد همکاری‌های بین‌المللی اشاره کرد. علاوه بر این، سیاست‌گذاری‌های هماهنگ و پایدار در سطح ملی نیز برای تسریع روند توسعه ضروری است.

در مقایسه با کشورهای منطقه و سایر کشورهای پیشرو در حوزه هوش مصنوعی، ایران هنوز فاصله زیادی دارد. کشورهایی مانند امارات متحده عربی و عربستان سعودی، برنامه‌های گسترده‌ای برای تبدیل شدن به قطب‌های هوش مصنوعی در منطقه دارند و سرمایه‌گذاری‌های کلانی در این زمینه انجام داده‌اند. در این رقابت منطقه‌ای، ایران برای حفظ و ارتقای جایگاه خود باید تلاش‌های جدی‌تری انجام دهد و برنامه‌های جامع‌تری را به اجرا بگذارد.

با این مقدمه، در ادامه به گفت‌وگوی ما با مدیرعامل یکی از بزرگ‌ترین شرکت‌های دانش‌بنیان فعال در حوزه هوش مصنوعی توجه کنید. مهندس پوریا حداد؛ مدیرعامل شرکت دانش‌بنیان فیلاگر و کارگزار رسمی هوش مصنوعی معاونت علمی و فناوری و اقتصاد دانش‌بنیان ریاست جمهوری است که در خبرگزاری آباجان به نقل از تسنیم میزبان آن بودیم. بخش اول این مصاحبه را از نظر می‌گذرانید:

آباجان به نقل از تسنیم: در ابتدا بفرمایید که برای قرار گرفتن ایران در بین ۱۰ کشور برتر هوش مصنوعی چه مسیری را باید طی کنیم و امروز در کدام نقطه قرار داریم؟

برای قرار گرفتن ایران در جمع ۱۰ کشور برتر حوزه هوش مصنوعی، معیارهای متعددی مدنظر است. یکی از این معیارها، تعداد مقالات علمی منتشر شده است. ایران در این زمینه عملکرد قابل قبولی دارد و معمولاً در رتبه زیر ۲۰ جهان قرار می‌گیرد. با این حال، رقابت در این حوزه بسیار شدید است و کشورهایی مانند ترکیه نیز پیشرفت چشمگیری داشته‌اند. در واقع، ایران از رتبه ۱۶ به ۱۸ جهان رسیده است که کشورهایی همچون ترکیه از ما سبقت گرفتند.

در حالی که کشورهای منطقه همچون عربستان سعودی با سرمایه‌گذاری بیش از ۲ میلیارد دلار و امارات متحده عربی با حدود ۱٫۲ میلیارد دلار، گام‌های بلندی در توسعه هوش مصنوعی برداشته‌اند؛ ترکیه نیز با وجود چالش‌های اقتصادی، ۷۰۰ میلیون دلار به این حوزه اختصاص داده است. در مقابل، بودجه اولیه در نظر گرفته شده برای سازمان ملی هوش مصنوعی کشورمان تنها ۳٫۵ همت (حدود ۵۰ میلیون دلار) بوده که حتی این مبلغ نیز به طور کامل تخصیص نیافته است. اگرچه وعده افزایش این بودجه تا ۱۵ همت داده شده بود، اما در نشست اخیر کمیسیون هوش مصنوعی نظام صنفی رایانه‌ای، دبیر ستاد هوش مصنوعی تأیید کرد که هنوز حتی به رقم اولیه نیز دست نیافته‌ایم.

سرعت پیشرفت خیره‌کننده هوش مصنوعی، این حوزه را به یک میدان رقابتی تنگاتنگ تبدیل کرده است. به گونه‌ای که حتی یک وقفه کوتاه مدت می‌تواند منجر به عقب‌ماندگی قابل توجهی شود. اهمیت این فناوری به مراتب فراتر از مباحثی چون انرژی هسته‌ای است.

تشکیل آژانس‌های ملی هوش مصنوعی در برخی کشورها دردستور کار است و این نگرانی جدی وجود دارد که ایران به دلیل محدودیت‌ها از این همکاری‌ها به حاشیه رانده شود. تکرار سناریوی انرژی هسته‌ای و اعمال محدودیت‌ها بر فعالیت‌های ایران در حوزه هوش مصنوعی، دور از انتظار نیست.

آباجان به نقل از تسنیم: منظور از لایه‌های عمیق هوش مصنوعی که مقام معظم رهبری در سخنان خود بر لزوم توجه و دستیابی به آن تأکید کردند، چیست؟

برای درک لایه‌های عمیق هوش مصنوعی باید یک سطح‌بندی انجام دهیم. در سطح ابتدایی، ما از ابزارهای هوش مصنوعی استفاده می‌کنیم، یعنی به‌عنوان کاربر، از ابزارهایی بهره می‌بریم که کارها را سریع‌تر، دقیق‌تر و با هزینه کمتر انجام می‌دهند. به‌عنوان مثال، در حوزه بازاریابی ابزارهایی داریم که می‌توانند ویدیوها و تصاویر باکیفیتی تولید کنند. این ابزارها بسیار مفید هستند، چرا که سرعت کار را افزایش می‌دهند، هزینه‌ها را کاهش می‌دهند و دقت را بالا می‌برند.

اما اگر بخواهیم به سطح عمیق‌تری از هوش مصنوعی وارد شویم، باید خودمان توسعه‌دهنده مدل‌های هوش مصنوعی باشیم. یعنی باید مدل‌هایی را توسعه دهیم که در زمینه کاری و زیست‌بوم کشور ما به‌طور مؤثر مورد استفاده قرار گیرند. برای توسعه این مدل‌ها، چند پیش‌نیاز داریم. اولین نیاز، سخت‌افزارهای قوی است. ما به زیرساخت‌های سخت‌افزاری مناسب نیاز داریم، از جمله پردازنده‌های گرافیکی بسیار قدرتمند (GPU) و سرورهای قوی با شبکه ارتباطی مناسب تا بتوانیم داده‌ها را به‌خوبی منتقل کنیم.

مورد دوم، بخش داده و دیتا است. اصلی‌ترین چیزی که به آن احتیاج داریم، داده‌ها هستند. متأسفانه در کشور ما به داده‌ها به‌خوبی رسیدگی نمی‌شود و در بسیاری از موارد با اصطلاح “دورریز داده” مواجهیم. شاید یکی از مهم‌ترین وظایف معاونت علمی و فناوری اقتصاد دانش‌بنیان ریاست جمهوری یا سازمان ملی هوش مصنوعی، این باشد که داده‌ها در سازمان‌های ما مدیریت و به درستی جمع‌آوری شوند. به‌عنوان مثال، در مراکزی مانند توانیر، وزارت نیرو، وزارت نفت یا هر جایی که حجم عظیمی از داده‌ها وجود دارد، بسیاری از این داده‌ها به‌خوبی استفاده نمی‌شوند؛ در حالی‌که می‌توان از این داده‌ها برای پیش‌بینی‌های مختلف و تصمیم‌گیری‌های بهتر استفاده کرد.

یکی از چالش‌های بزرگ در ایران، امنیتی شدن داده‌هاست. وقتی می‌خواهیم در مورد داده‌ها صحبت کنیم، سازمان‌هایی مانند پدافند غیرعامل، افتا و سایر نهادها می‌گویند که این داده‌ها امنیتی هستند و نباید استفاده شوند. این سازمان‌ها نیز مشکلات خود را دارند، چرا که با حملات سایبری زیادی مواجه هستند. اما در هر صورت، باید ساختارهای امنیتی مناسبی پیاده‌سازی شود تا داده‌های ما به‌طور امن مورد استفاده قرار گیرند.

یکی از روش‌های مقابله با این چالش، گمنام‌سازی داده‌ها است. به‌عنوان مثال، در بانک‌ها حجم عظیمی از داده‌های ارزشمند وجود دارد، اما این داده‌ها به دلیل نگرانی از اطلاعات شخصی افراد به اشتراک گذاشته نمی‌شوند. ما می‌توانیم از روش‌های گمنام‌سازی استفاده کنیم تا این داده‌ها بدون افشای هویت افراد در اختیار دیگران قرار گیرد و بتوانند از آنها بهره‌برداری کنند.

من حتی این موضوع را در ستاد هوش مصنوعی مطرح کردم که باید یک معاونت دیتا و معاونت داده و اطلاعات داشته باشیم تا این واحدها به طور کامل بر روی موضوع داده‌ها تمرکز کنند.

باید بتوانیم پیکره‌های بزرگ داده را آزاد کنیم. به‌عنوان مثال، چندین ماه است که قانونی تصویب شده که باید داده‌ها آزادسازی شوند. خود معاونت علمی که این قانون را پیگیری کرده، هنوز داده‌های خود را آزاد نکرده است. ما یک مجموعه‌ای به نام “ایران‌داک” داریم که پایان‌نامه‌های دانشجویی در آن قرار می‌گیرد. چقدر خوب است که این پایان‌نامه‌ها، که بسیاری از آن‌ها استفاده نمی‌شوند، آزادسازی شوند تا افراد بتوانند از آنها برای توسعه مدل‌های زبانی استفاده کنند. امروز ما نیاز به متن فارسی در حجم بالا داریم تا مدل‌های هوش مصنوعی را آموزش دهیم.

در حال حاضر، توافقی با ایران‌داک برای دسترسی به خلاصه پایان‌نامه‌ها انجام شده، اما باید کل داده‌ها در دسترس قرار بگیرد. در حوزه‌های مهم‌تری مانند پزشکی، ما می‌توانیم جان افراد زیادی را نجات دهیم و پیش‌بینی‌های مهمی در مورد داروها انجام دهیم، اما برای همه این‌ها نیاز به داده‌های آزاد داریم. وقتی با مدیران بیمارستان‌های بزرگ صحبت می‌کنیم، می‌گویند که چرا باید خودمان را به دردسر بیندازیم؟ ممکن است فردا از طرف نهادهای امنیتی مورد سوال قرار بگیریم که چرا این داده‌ها را در اختیار دیگران قرار دادیم. این موضوع نیاز به دستورات سطح بالا دارد تا آزادسازی داده‌ها به‌طور جدی انجام شود.

مورد سوم مغزافزار یا نیروی انسانی است. انسان یکی از مهم‌ترین پایه‌های شکل‌گیری هوش مصنوعی است. در مجموعه ما، یکی از کارهایی که انجام داده‌ایم، آموزش نیروی انسانی با کیفیت بالا و همخوان با استانداردهای جهانی است. برای مثال، ایرانی‌هایی که در شرکت‌های بزرگ مانند گوگل، اپل، اینتل و مایکروسافت به‌عنوان مهندس هوش مصنوعی فعالیت می‌کنند، آموزش‌های خود را به ایران منتقل کنند.

آباجان به نقل از تسنیم: چه تضمینی وجود دارد که پس از آموزش‌های پیشرفته هوش مصنوعی، این نیروها در ایران باقی بمانند؟

البته این دیدگاه که “نباید نیروی انسانی را آموزش دهیم، زیرا ممکن است از ایران بروند” تفکری منفعلانه است. راه‌حل این موضوع این است که باید به دلایل مهاجرت مهندسان هوش مصنوعی توجه کنیم. رفتن مهندسان فقط به خاطر پول نیست؛ عوامل دیگری نیز دخیل هستند. به عنوان مثال، یکی از مشکلات که مشاهده می‌شود، مسئله سربازی است. البته در این حوزه اقداماتی در حال انجام است. به عنوان مثال، امکان گرفتن امریه سربازی در شرکت‌های دانش‌بنیان وجود دارد و با همین روش‌ها و ابزارهای تشویقی می‌توانیم بسیاری از مهندسان خود را در ایران نگه داریم.

در حال حاضر، موضوع تحریم‌ها نیز از چالش‌های مهم است که باعث محدود شدن دسترسی ما به سرویس‌های مختلف می‌شود.

آباجان به نقل از تسنیم: آیا سخت‌افزارها باید خریداری شوند؟

ما توانایی تولید این سخت‌افزارها را نداریم! برای مثال، جی‌پی‌یوهایی که شرکت انویدیا تولید می‌کند مانند GPU A100 یا GPU Ate100، جی‌پی‌یوهایی بسیار حساس و های‌تک هستند که ما قادر به تولید آنها نیستیم. البته بسیاری از کشورهای بزرگ دنیا نیز قادر به تولید آنها نیستند و حتی چین نیز نمی‌تواند این نوع جی‌پی‌یوها را تولید کند. چین نیز برای این دو نمونه جی‌پی‌یو با تحریم مواجه است. حتی یک مدتی امارات متحده عربی نیز تحریم بود زیرا متهم به انتقال این جی‌پی‌یوها به ایران یا کشورهای منطقه شده بود.

وارد کردن این سخت‌افزارها چندان سخت نیست و به نحوی وارد کشور می‌شوند، اما اینکه بتوانیم حجم مناسبی از این جی‌پی‌یوها را داشته باشیم و زیرساخت مناسبی برای آنها فراهم کنیم تا در اختیار مجموعه‌های مختلف قرار گیرد، موضوعی است که باید به آن توجه کرد. امروز پردازنده‌های خوبی وارد کشور شده است اما هر مجموعه به صورت جزیره‌ای برای خودش کار می‌کند. کار درست این است که همه این‌ها در یک فضای ابری (کلود) قرار بگیرند و مجموعه‌های دانش‌بنیان بتوانند از آنها استفاده کنند.

وقتی از زیرساخت صحبت می‌کنیم، به این موضوع اشاره داریم که مثلاً دو روز پیش خبری منتشر شد که شرکت مایکروسافت یک نیروگاه هسته‌ای خریداری کرده است. این نیروگاه که در یکی از ایالت‌های آمریکا غیرفعال بوده است، قرار است برای تولید برق جی‌پی‌یوها استفاده شود. این نشان می‌دهد که موضوع زیرساخت چقدر اهمیت دارد که حتی یک نیروگاه هسته‌ای برای آن در نظر گرفته شده است.

در واقع لایه عمیق هوش مصنوعی این است که ما بتوانیم این زیرساخت‌ها را ایجاد کنیم و خودمان از آنها برای مدل‌هایی که با نیازهای خودمان مرتبط هستند استفاده کنیم. اگر بخواهیم مدل‌های اختصاصی برای زبان فارسی یا برای اتفاقات خاصی که در کشور رخ می‌دهد توسعه دهیم، باید از دیتاهای ایرانی استفاده کنیم. به عنوان مثال، در قوه قضاییه آرای قضات را داریم که اگر این داده‌ها آزادسازی شوند و در اختیار عموم قرار بگیرند، می‌توانیم مدل‌های هوش مصنوعی را آموزش دهیم که به افراد کمک کنند لایحه بنویسند یا اینکه بفهمند چگونه از خودشان دفاع کنند و احتمالاً بتوانند رای مثبت قاضی را دریافت کنند.

آباجان به نقل از تسنیم: مثال‌های بیشتری می‌توانید ذکر کنید؟

بله، مثلاً در حوزه پزشکی زمانی که کووید-۱۹ آمد، در ایران مجموعه‌هایی از جمله دانشگاه شریف روی این موضوع کار کردند و مدل‌های هوش مصنوعی را آموزش دادند. وقتی می‌گوییم مدل آموزش داده می‌شود یعنی چه؟ فرض کنید می‌خواهیم از روی عکس قفسه سینه یا سی‌تی‌اسکن قفسه سینه تشخیص بدهیم که آیا فرد به کرونا مبتلا است یا خیر. برای این کار، یک میلیون عکس قفسه سینه که قبلاً گرفته شده و لیبل‌گذاری شده است، یعنی یک پزشک گفته که این عکس کرونا دارد و آن یکی ندارد، به این شبکه عصبی و مدل هوش مصنوعی می‌دهیم. این مدل هوش مصنوعی با این داده‌ها آموزش می‌بیند و یاد می‌گیرد چگونه از روی عکس تشخیص دهد که آیا فرد کرونا دارد یا خیر. این مدل، شبیه یک پزشک مجرب عمل می‌کند که کلی عکس دیده و تجربه کسب کرده است.

در هوش مصنوعی، همه چیز برپایه دقت است. مثلاً می‌گوییم با دقت بالای ۹۳ درصد درست تشخیص می‌دهد که فرد کرونا دارد یا ندارد. از این مدل‌ها می‌توان در تشخیص سرطان و حتی در ساخت برخی داروها استفاده کرد. به عنوان مثال، می‌توانیم شکل پروتئین‌هایی که در بدن برای مبارزه با بیماری تشکیل می‌شود را مشاهده کرده و سپس آن را بازسازی کنیم و به عنوان دارو از آن استفاده کنیم. در کل، شبکه‌های عصبی مصنوعی به این صورت یاد می‌گیرند.

موضوع دومی که می‌خواهم مثال بزنم پیش‌بینی بازارهای بورس و مالی است. مثلاً مدل هوش مصنوعی دیتای ۱۰ سال گذشته بازارهای مالی را می‌گیرد و بر اساس آن پیش‌بینی می‌کند که احتمالاً فردا با توجه به فاکتورهایی که وجود دارد، بازار چگونه خواهد بود. مثلاً اینکه رئیس‌جمهور کشور از چه حزبی است، قیمت دلار چقدر است، قیمت طلا چگونه تغییر کرده یا قیمت نفت چقدر شده است. این‌ها همه مدل‌های هوش مصنوعی هستند که توسط برنامه‌نویس‌های هوش مصنوعی طراحی می‌شوند و با آن‌ها می‌توان چنین پیش‌بینی‌هایی انجام داد.

همچنین، در قوه قضاییه می‌توانیم آرای قضات را پیش‌بینی کنیم؛ به این معنی که اگر کسی با این دفاعیه اقدام کند، احتمالاً چه حکمی صادر خواهد شد. این موضوع به افراد کمک زیادی می‌کند و هزینه‌ها را به‌طور قابل توجهی کاهش می‌دهد.

آباجان به نقل از تسنیم: آیا همه مدل‌ها برپایه استفاده از داده‌های قبلی، کار می‌کنند؟

خیر، البته ما مدل‌هایی داریم که از داده‌های قبلی استفاده نمی‌کنند. مثلاً مدلی به نام “یادگیری تقویتی” وجود دارد. فرض کنید یک بازی کامپیوتری داریم که بازیکن در آن باید وظایفی را انجام دهد. در برخی بازی‌های جدید که به آنها “جهان باز” می‌گوییم، نقشه بازی پایان ندارد و بازیکن هر چقدر جلوتر برود، بازی گسترش می‌یابد. در این نوع بازی‌ها، برنامه‌نویس نمی‌تواند تمامی جزئیات را از پیش تعیین کند؛ بنابراین قوانینی تعریف می‌شود که بازیکن بر اساس پاداش‌ها و جریمه‌ها رفتار کند. به‌عنوان مثال، اگر بازیکن به یک مانع برخورد کند، یک جان از دست می‌دهد و با انجام این عمل، تجربه‌ای به دست می‌آورد. سپس یاد می‌گیرد که به سمت پاداش‌های بیشتر و جریمه‌های کمتر حرکت کند.

این نوع یادگیری به بازیکن اجازه می‌دهد تا با آزمون و خطا بهترین مسیر را انتخاب کند و به تدریج تجربه و توانایی‌های خود را در بازی بهبود بخشد.

اغلب مدل‌های هوش مصنوعی بر اساس داده‌های قبلی کار می‌کنند. به عنوان مثال، یک پتروشیمی با استفاده از یک مدل هوش مصنوعی توانست تولید خود را ۷ درصد افزایش دهد که معادل حدود ۵۰ میلیون دلار افزایش تولید سالانه بود. این اتفاق در زمینه تولید برخی پلی‌اتیلن‌ها و مواد پتروشیمی رخ داد. به عنوان نمونه، در کوره‌هایی که دمای بالای ۱۰۰۰ درجه سانتیگراد دارند و به دلیل دمای بسیار بالا نمی‌توان به راحتی به آن‌ها دسترسی داشت، با پردازش تصویر توانستند زمان مناسب برای پاکسازی آلاینده‌ها را بهینه‌سازی کنند. این کار باعث شد که توان تولید بهینه‌تر شده و به افزایش ۷ درصدی در تولید منجر شود.

در زمینه پردازش تصویر، بسیاری از مردم روزانه با آن سر و کار دارند. مثلاً وقتی در سطح شهر رانندگی می‌کنید، دوربین‌های ثبت تخلفات وجود دارند که تخلفات رانندگی را ثبت می‌کنند و از طریق پردازش تصویر، پلاک خودروها را تشخیص می‌دهند. این نوع پردازش تصویر یکی از کاربردهای هوش مصنوعی است.

همچنین مدل‌های زبانی بزرگ (LLM) که امروزه به صورت گسترده در چت‌بات‌ها استفاده می‌شوند، این امکان را فراهم می‌کنند که به سوالات مختلف پاسخ دهند. این چت‌بات‌ها می‌توانند در هر حوزه تخصصی فعال باشند. برای مثال، تمام قوانین کشور را به عنوان دانش به یک چت‌بات می‌دهیم و وقتی یک فرد عادی سوالی می‌پرسد، چت‌بات می‌تواند به او پاسخ دهد. اما نه به صورت ساده، بلکه به صورت تحلیلی، به طوری که اگر دو قانون در قوانین مدنی یا کیفری کشور وجود داشته باشد که با یکدیگر متضاد یا مشابه هستند، چت‌بات بتواند آن‌ها را تشخیص داده و توضیح دهد.

پایان بخش نخست

انتهای پیام/