گذار علمي و فناوري؛ مسير ايران در عرصه هوش مصنوعي

با پيشرفت روزافزون فناوري‌هاي هوش مصنوعي، يكي از چالش‌هاي مهم در اين حوزه، توسعه مدل‌هاي بومي و بهينه‌سازي آنها در مواجهه با محدوديت‌هاي زيرساختي داخلي است. در اين زمينه، متخصصان به اهميت طراحي مدل‌هايي متناسب با منابع موجود و بهينه‌سازي پردازش و استنتاج تأكيد دارند. اين چالش‌ها در كنار فرصت‌هاي بالقوه‌اي كه مي‌توان از آنها بهره برد، نياز به رويكردهايي نوآورانه و استراتژي‌هاي دقيق دارند كه به توسعه مدل‌هاي هوش مصنوعي سازگار با شرايط داخلي كشور كمك كنند.

يكي از چالش‌ها در حوزه هوش مصنوعي، توسعه مدل‌هاي بومي كارآمد در بستري از محدوديت‌هاي زيرساختي است. پيوست اشاره مي‌كند كه متخصصين و توسعه‌دهندگان مدل‌هاي حوزه هوش مصنوعي معتقدند تاكنون تلاش‌ها بيشتر بر فاين‌تيون كردن مدل‌هاي موجود متمركز بوده، اما اين مسير به‌تنهايي كافي نيست. آموزش مدل‌هاي بومي از پايه، نيازمند زيرساخت‌هاي قدرتمندي است كه در حال حاضر، يك نقطه ضعف جدي محسوب مي‌شود. با اين حال، بهينه‌سازي پردازش، معماري و استنتاج مي‌تواند ما را به سمت مدل‌هايي سازگار با منابع داخلي و در عين حال رقابتي هدايت كند. اما آيا اين مسير براي ما هموار است يا توسعه مدل‌هاي اين حوزه در كشور تا چه حد امكان‌پذير است به بررسي‌هاي عميقي نياز دارد.

بهينه‌سازي زيرساخت و معماري كليد توسعه مدل‌هاي بومي هوش مصنوعي

حميدرضا سلطانعلي‌زاده، سرپرست فني مركز تحقيق و توسعه پارت، در اين نشست با اشاره به اهميت عميق شدن در حوزه هوش مصنوعي، فرآيند توسعه مدل‌هاي بومي را مورد بررسي قرار داد و گفت: «براي توسعه مدل‌هاي هوش مصنوعي، نيازمند گام‌هايي مشخص و متناسب با ظرفيت پردازشي كشور هستيم. اولين گام، طراحي يك پايپ‌لاين پردازشي كارآمد است. اين پايپ‌لاين بايد بتواند داده‌هاي موجود را با كيفيت مناسب استخراج كند. در غير اين صورت، حتي اگر حجم عظيمي از داده در اختيار داشته باشيم، بدون بهينه‌سازي پردازش و مدل‌سازي، دچار مشكل خواهيم شد. از نظر زيرساختي، ما نه شرايط چين را داريم و نه امريكا؛ بلكه وضعيت ما از چين نيز به‌مراتب محدودتر است. بنابراين، بايد مهندسي سطح سيستمي را به شكل ويژه‌اي در نظر بگيريم». او در ادامه به ضرورت بهينه‌سازي زيرساخت‌هاي پردازشي پرداخت و گفت: «ما بايد نگاه دقيقي به پردازش سخت‌افزاري و تعامل آن با مدل‌هاي هوش مصنوعي داشته باشيم. بهينه‌سازي فرآيندهاي پردازشي و تنظيم معماري متناسب با منابع موجود، يك چالش اساسي است. به عنوان نمونه، مدل‌هايي مانند DeepSeek توانسته‌اند بين ميزان حافظه و توان پردازشي توازن برقرار كنند. ما نيز بايد در توسعه مدل‌ها، معماري را طوري تنظيم كنيم كه بهره‌وري از منابع سخت‌افزاري به حداكثر برسد». سلطانعلي‌زاده سپس به مرحله استنتاج (Inference) اشاره كرد و ادامه داد: «پس از صرف هزينه‌هاي سنگين در فرآيند توسعه مدل، مرحله استنتاج اهميت زيادي پيدا مي‌كند. در اينجا، با محدوديت‌هايي مواجه هستيم، اما يك مزيت نسبي داريم؛ نيروي انساني متخصص كه مي‌تواند روش‌هاي جديدي براي بهينه‌سازي استنتاج ارايه دهد. بنابراين، مي‌توانيم روش‌هاي نويني را جايگزين رويكردهاي فعلي كنيم». وي همچنين بر نقش مدل‌هاي متن‌باز (Open Source) و مدل‌هاي بسته (Closed Source) در بهينه‌سازي توسعه مدل‌هاي داخلي تأكيد كرد: «ما بايد از دانش مدل‌هاي كلوز و اپن‌سورس مانند LLaMA و ديگر مدل‌هاي منتشرشده بهره ببريم. حتي در فضاي اپن‌سورس، معماري‌هاي موجود براي شرايط ما بهينه طراحي نشده‌اند. بنابراين، ما نياز داريم كه يا در اين حوزه سرمايه‌گذاري كنيم، يا حداقل از اين مدل‌ها براي توسعه راهكارهاي بهينه‌تر متناسب با محدوديت‌هاي خود استفاده كنيم». او در پايان بر لزوم تعيين محدوديت‌هاي عملياتي در توسعه مدل‌هاي بومي تأكيد كرد و گفت: «در مسير توسعه، بايد يك چارچوب مشخص براي محدوديت‌ها در نظر بگيريم. به عنوان مثال، هدف‌گذاري مشخصي براي مدلي كه قرار است روي سخت‌افزارهايي مانند RTX 4090 اجرا شود و از نظر استنتاج با مدل‌هايي مانند GPT-4 Mini رقابت كند، مي‌تواند ما را به واقع‌گرايانه‌ترين مسير برساند. البته ما نمي‌توانيم با مدل‌هاي ۶۰۰ يا ۷۰۰ ميليارد پارامتري رقابت كنيم، اما مي‌توانيم با بهينه‌سازي منابع، كيفيتي معقول و رقابتي ارايه دهيم».

گذار علمي و فناوري

مسير واقع‌بينانه ايران در هوش مصنوعي

حسين خسروپور، مشاور معاونت فناوري وزارت ارتباطات و فناوري اطلاعات، در اين نشست بر اهميت «گذار علمي و فناوري» تأكيد كرد و گفت: «براي كاهش وابستگي در حوزه هوش مصنوعي، بايد گام‌هاي مشخصي را طي كنيم. اولين مرحله، شناخت دقيق مساله است؛ اينكه اين حوزه از كجا آغاز شده و روند پيشرفت آن چگونه بوده است. اگر هوش مصنوعي را يك موجوديت فناورانه در نظر بگيريم، اجزاي كليدي آن شامل زيرساخت، مدل و كاربرد است. در اين ميان، مدل‌ها نقش محوري دارند و در واقع قلب تپنده اين فناوري محسوب مي‌شوند. بنابراين، اگر بخواهيم يك اولويت‌بندي استراتژيك انجام دهيم، تمركز اصلي بايد بر توسعه مدل‌ها باشد». او درباره نقش مدل‌هاي هوش مصنوعي و انواع آن توضيح داد: «مدل‌هاي هوش مصنوعي را مي‌توان به چهار دسته تقسيم كرد: مدل‌هاي پايه (Foundation Models) مانند GPT-4 و مدل‌هاي زباني گوگل، مدل‌هاي تخصصي كه در حوزه‌هاي خاصي مانند پردازش تصاوير پزشكي يا مسائل حقوقي به كار مي‌روند، مدل‌هاي متن‌باز كه به‌صورت عمومي و توسط شركت‌هايي مانند متا ارايه مي‌شوند، و در نهايت، مدل‌هاي پژوهشي كه بيشتر به مسائلي مانند تفسيرپذيري هوش مصنوعي مي‌پردازند». مشاوره معاونت وزارت ارتباطات با اشاره به شرايط ايران، تأكيد كرد كه مدل‌هاي تخصصي براي كشور ما مناسب‌تر هستند: «با توجه به زيرساخت‌ها، توانمندي‌هاي فني و تجربه‌هايي كه در ساير فناوري‌ها داشته‌ايم، به نظر مي‌رسد كه ورود تخصصي به مدل‌هاي خاص، مسير واقع‌بينانه‌تري براي ما باشد. به عنوان مثال، ايران در حوزه تصاوير پزشكي در منطقه جايگاه برجسته‌اي دارد و حجم عظيمي از داده در اين زمينه در اختيار ماست. بنابراين، با بومي‌سازي و شخصي‌سازي اين حوزه، مي‌توان هم به عمق فناوري نزديك شد و هم رقابت‌پذيري در منطقه را افزايش داد. اين موضوع در بخش‌هايي مانند كشاورزي نيز قابل مشاهده است؛ كشورهايي مانند افغانستان، تركيه و پاكستان چنين مزيتي را در اختيار ندارند، در حالي كه ما مي‌توانيم از آن بهره ببريم». خسروپور در ادامه به اهميت بعد اقتصادي هوش مصنوعي پرداخت و گفت: «اقتصاد هوش مصنوعي يكي از اولويت‌هاي اساسي است كه نبايد از آن غافل شد. اگر نتوانيم براي آن مدل اقتصادي مشخصي تعريف كنيم، امكان تعميق فناوري را نخواهيم داشت. بنابراين، ضروري است كه ضمن در نظر گرفتن توانمندي‌هاي كشور، حوزه‌هايي را هدف قرار دهيم كه علاوه بر جذابيت فناورانه، ارزش اقتصادي نيز ايجاد كنند». او اضافه كرد كه براي پيشرفت در اين مسير، بايد هم به زيرساخت‌هاي فني و هم به كاربردهاي عملي هوش مصنوعي توجه شود و اين مباحث در نشست‌هاي بعدي بيشتر مورد بررسي قرار خواهد گرفت.

بهينه‌سازي زيرساخت و معماري كليد توسعه مدل‌هاي بومي هوش مصنوعي

حميدرضا سلطانعلي‌زاده، سرپرست فني مركز تحقيق و توسعه پارت، در اين نشست با اشاره به اهميت عميق شدن در حوزه هوش مصنوعي، فرآيند توسعه مدل‌هاي بومي را مورد بررسي قرار داد و گفت: «براي توسعه مدل‌هاي هوش مصنوعي، نيازمند گام‌هايي مشخص و متناسب با ظرفيت پردازشي كشور هستيم. اولين گام، طراحي يك پايپ‌لاين پردازشي كارآمد است. اين پايپ‌لاين بايد بتواند داده‌هاي موجود را با كيفيت مناسب استخراج كند. در غير اين صورت، حتي اگر حجم عظيمي از داده در اختيار داشته باشيم، بدون بهينه‌سازي پردازش و مدل‌سازي، دچار مشكل خواهيم شد. از نظر زيرساختي، ما نه شرايط چين را داريم و نه امريكا؛ بلكه وضعيت ما از چين نيز به‌مراتب محدودتر است. بنابراين، بايد مهندسي سطح سيستمي را به شكل ويژه‌اي در نظر بگيريم». او در ادامه به ضرورت بهينه‌سازي زيرساخت‌هاي پردازشي پرداخت و گفت: «ما بايد نگاه دقيقي به پردازش سخت‌افزاري و تعامل آن با مدل‌هاي هوش مصنوعي داشته باشيم. بهينه‌سازي فرآيندهاي پردازشي و تنظيم معماري متناسب با منابع موجود، يك چالش اساسي است. به عنوان نمونه، مدل‌هايي مانند DeepSeek توانسته‌اند بين ميزان حافظه و توان پردازشي توازن برقرار كنند. ما نيز بايد در توسعه مدل‌ها، معماري را طوري تنظيم كنيم كه بهره‌وري از منابع سخت‌افزاري به حداكثر برسد». وی سپس به مرحله استنتاج (Inference) اشاره كرد و ادامه داد: «پس از صرف هزينه‌هاي سنگين در فرآيند توسعه مدل، مرحله استنتاج اهميت زيادي پيدا مي‌كند. در اينجا، با محدوديت‌هايي مواجه هستيم، اما يك مزيت نسبي داريم؛ نيروي انساني متخصص كه مي‌تواند روش‌هاي جديدي براي بهينــه‌سازي اســتنتاج ارايه دهد. بنابراين، مي‌توانيــم روش‌هاي نويني را جايگزين رويكردهاي فــعلي كنيم». وي همــچنين بر نقش مدل‌هاي متن‌باز (Open Source) و مدل‌هاي بسته (Closed Source) در بهينه‌سازي توسعه مدل‌هاي داخلي تأكيد كرد: «ما بايد از دانش مدل‌هاي كلوز و اپن‌سورس مانند LLaMA و ديگر مدل‌هاي منتشرشده بهره ببريم. حتي در فضاي اپن‌سورس، معماري‌هاي موجود براي شرايط ما بهينه طراحي نشده‌اند. بنابراين، ما نياز داريم كه يا در اين حوزه سرمايه‌گذاري كنيم، يا حداقل از اين مدل‌ها براي توسعه راهكارهاي بهينه‌تر متناسب با محدوديت‌هاي خود استفاده كنيم». او در پايان بر لزوم تعيين محدوديت‌هاي عملياتي در توسعه مدل‌هاي بومي تأكيد كرد و گفت: «در مسير توسعه، بايد يك چارچوب مشخص براي محدوديت‌ها در نظر بگيريم. به عنوان مثال، هدف‌گذاري مشخصي براي مدلي كه قرار است روي سخت‌افزارهايي مانند RTX 4090 اجرا شود و از نظر استنتاج با مدل‌هايي مانند GPT-4 Mini رقابت كند، مي‌تواند ما را به واقع‌گرايانه‌ترين مسير برساند. البته ما نمي‌توانيم با مدل‌هاي ۶۰۰ يا ۷۰۰ ميليارد پارامتري رقابت كنيم، اما مي‌توانيم با بهينه‌سازي منابع، كيفيتي معقول و رقابتي ارايه دهيم».