7 سال عقبماندگي از AI جهاني
ايران در حالي تلاش ميكند خود را به قطار هوش مصنوعي برساند كه از يك سو با كمبود دادههاي باكيفيت، زيرساخت پردازشي و سرمايهگذاري مواجه است و از سوي ديگر، بخش مهمي از مديران هنوز مرز ميان تحول ديجيتال و تحول مبتني بر هوش مصنوعي را نميشناسند.
ايران در حالي تلاش ميكند خود را به قطار هوش مصنوعي برساند كه از يك سو با كمبود دادههاي باكيفيت، زيرساخت پردازشي و سرمايهگذاري مواجه است و از سوي ديگر، بخش مهمي از مديران هنوز مرز ميان تحول ديجيتال و تحول مبتني بر هوش مصنوعي را نميشناسند. در نشست بررسي وضعيت هوش مصنوعي در اتاق بازرگاني تهران، كارشناسان تاكيد كردند كه راه ايران براي حضور در اين عرصه الزاماً از ساخت مدلهاي بزرگ نميگذرد؛ بلكه بايد با تعيين جايگاه كشور در زنجيره ارزش، توسعه زيرساخت داده و تمركز بر كاربردهاي واقعي، هوش مصنوعي را وارد مسائل اصلي اقتصاد كند. هوش مصنوعي در ايران در نقطهاي ايستاده كه از يكسو تقاضا براي متخصصان اين حوزه در حال افزايش است و از سوي ديگر، مجموعهاي از موانع زيرساختي، دادهاي، سرمايهگذاري و مديريتي، مسير توسعه آن را كند كرده است. بررسي وضعيت اين فناوري در ايران نشان ميدهد كشور در پذيرش هوش مصنوعي حدود هفت سال از ميانگين جهاني عقب مانده و بخش قابلتوجهي از كسبوكارها نيز هنوز سرمايهگذاري محدودي در اين حوزه انجام دادهاند. در چنين شرايطي، فعالان اقتصادي و دانشگاهي معتقدند مساله اصلي ايران نه صرفاً ساخت مدلهاي بومي، بلكه تعيين جايگاه كشور در زنجيره ارزش هوش مصنوعي و فراهم كردن زمينه استفاده واقعي از اين فناوري در اقتصاد است. در اين راستا پيوست گزارش كرد نشست بررسي وضعيت هوش مصنوعي در ايران و شاخص آمادگي كشور در اين حوزه در اتاق بازرگاني تهران برگزار شد و در آن فعالان حوزه فناوري درباره زيرساخت، سرمايهگذاري، سرمايه انساني، بازار كار، پذيرش فناوري و الزامات تنظيمگري و حكمراني هوش مصنوعي صحبت كردند. شهاب جوانمردي، عضو هياترييسه اتاق تهران، در اين نشست با تاكيد بر اينكه صرف استفاده بنگاهها از هوش مصنوعي را نميتوان تحول بنگاهها دانست، گفت: وقتي هوش مصنوعي منجر به بازآفريني مدل كسبوكار شود، ميتوان اثر آن را در بنگاه مشاهده كرد. بهبود عمليات، تصميمگيري هوشمند و بازآفريني كسبوكار از نتايج استفاده از هوش مصنوعي است. او در ادامه به پنج حلقه مفقوده براي مقياسپذيري اشاره كرد و گفت: دسترسي به داده محدود است و دادهها نيز كيفيت لازم را ندارند. همچنين زيرساخت پردازشي براي ارايه خدمات كفايت نميكند و سرمايه انساني آمادگي لازم را ندارد.
اثر هوش مصنوعي بر نيروي انساني
او با اشاره به اثر هوش مصنوعي بر نيروي انساني گفت: بنگاهها بايد روي موضوع سرمايه انساني تمركز كنند تا استفاده از هوش مصنوعي به نفع بنگاه، همكاران و جامعه باشد. جوانمردي تامين مالي را نيز يكي از موضوعات مهم دانست و بر ضرورت تنظيمگري با قواعد پايدار تاكيد كرد. او گفت: ما گاهي به جاي تنظيمگري با تهديدگري و تحديدگري مواجه ميشويم. عضو هياترييسه اتاق تهران همچنين با اشاره به سرمايهگذاري كشورهاي همسايه روي زيرساختهاي پردازشي گفت: اين سرمايهگذاريها جديتر شده است و نبايد اين حوزه در دسترس چند نهاد خاص باشد. او تاكيد كرد: بايد از انتشار گزارشهاي سالانه عبور كرد و به سمت تدوين برنامههاي اقدام مشترك رفت. جوانمردي همچنين تنظيمگري را يكي ديگر از موضوعات مهم اين حوزه دانست و گفت: «معيار موفقيت هوش مصنوعي، تعداد بنگاههايي است كه با استفاده از اين فناوري بهرهوري و رشد خود را افزايش دادهاند، نه تعداد مقالات و پژوهشهاي منتشرشده.»
ابعاد ژئوپليتيك هوش مصنوعي
در ادامه فرزين فرديس، عضو هياترييسه اتاق تهران، با اشاره به ابعاد ژئوپليتيك هوش مصنوعي گفت: براي بسياري هوش مصنوعي ترسناك شده است و در همين لحظه پنج شركت بزرگ دنيا در حال تسلط كامل بر اين فضا هستند. به گفته فرديس، ۶۷ درصد زيرساختهاي ابري دنيا در انحصار سه شركت آمازون AWS، مايكروسافت و گوگل كلاد قرار دارد. او با اشاره به عرضه مدل پيشرو شركت آنتروپيك گفت: وزارت بازرگاني ايالات متحده بلافاصله دستور داده اين سرويس نبايد به افراد غيرامريكايي ارايه شود و آنتروپيك نيز دسترسيها را قطع كرده تا سازوكار تطبيق با اين دستور حاكميتي را پيادهسازي كند. فرديس اين موارد را واقعيتهاي دنياي امروز دانست و گفت: موضوع انحصار در لايه سختافزار و چيپستها، از جمله دعواهاي سيليكون و انويديا، نيز بر كسي پوشيده نيست و اينكه اين تجهيزات به چه كسي، با چه تعرفهاي و چگونه فروخته شوند، كاملا كنترل ميشود. او همچنين گفت: حدود ۱.۶ ميليارد نفر در ۲۰ كشور مختلف با محدوديتهاي حاكميتي و تحريمي براي استفاده از سرويسهاي پيشرفته هوش مصنوعي مواجه هستند. فرديس يكي از نگرانيهاي جدي را نشت دادههاي سازماني از طريق پرامپتنويسي در دستيارهاي هوش مصنوعي بينالمللي دانست. به گفته او، موج بزرگي از هشدارها در دنيا درباره افشاي اطلاعات حساس سازمانها توسط كاركنان شكل گرفته است. كاركنان ناخواسته دادههاي مهم شركتها را براي دريافت تحليل روي پلتفرمها و مدلهاي زباني بزرگ بينالمللي بارگذاري ميكنند. او گفت شركتهاي بزرگ دنيا محدوديتهاي سختي براي جلوگيري از استفاده از دادههاي سازماني در ابزارهاي عمومي ايجاد كردهاند. به گفته فرديس، زبان فارسي و دادههاي حساس ملي بايد در داخل كشور پردازش شوند و همانطور كه براي پايداري زيرساختهاي انرژي، مخابرات و بانكي كشور هزينههاي امنيتي و سرمايهگذاري انجام ميشود، براي زيرساختهاي پردازشي و دادهاي هوش مصنوعي نيز بايد سرمايهگذاري استراتژيك صورت گيرد. او در پايان تاكيد كرد: مساله هوش مصنوعي حاكميتي يك فانتزي نيست، بلكه موضوعي امنيت ملي و استراتژيك است.
اهميت داده در توسعه هوش مصنوعي
همچنين در پنل تخصصي هوش مصنوعي اتاق بازرگاني تهران، فرهاد نيلي، استاد مدعو دانشكده مديريت و اقتصاد دانشگاه صنعتي شريف، با اشاره به اهميت داده در توسعه هوش مصنوعي گفت: «ما مثل كساني هستيم كه ميخواهند فوتبال بازي كنند؛ زمين را آماده ميكنند، ياركشي ميكنند و گرانترين لباسها را ميخرند، اما توپ فوتبال ندارند.» او با بيان اينكه هوش مصنوعي بدون داده مانند خودروي بدون سوخت است، ادامه داد: «در حوزه داده، حاكميت داده و شناخت ارزش زنجيره داده، مسائل بلاتكليف زيادي وجود دارد. از سوي ديگر، ايجاد زيرساخت داده به امكانات و زيرساختهاي عمومي نياز دارد و شركتها بهتنهايي نميتوانند آن را فراهم كنند.» نيلي درباره چرخه سرمايهگذاري در هوش مصنوعي نيز گفت: «در حال حاضر يك حركت پاندولي شكل گرفته است؛ روي هوش مصنوعي سرمايهگذاري ميكنيم، اما به دليل نبود داده تميز و ساختاريافته شكست ميخوريم و دوباره به عقب برميگرديم و ميگوييم امتحان كرديم و نشد.»
چهار خلأ در مسير توسعه
هوش مصنوعي سازماني
نيلي در ادامه به چهار موضوع پرداخت كه به گفته او در گزارش ارايهشده درباره هوش مصنوعي كمتر به آنها توجه شده است. نخستين موضوع، مدل كسبوكار هوش مصنوعي سازماني بود. او گفت بايد مشخص شود بهكارگيري هوش مصنوعي در سازمانها چگونه هزينههاي خود را جبران ميكند. به گفته نيلي، سرمايهگذاري اوليه بالا و بازگشت ديرهنگام سرمايه، جريان نقدي شركتها را تحت فشار قرار ميدهد؛ از همينرو لازم است تجربه سازمانهاي موفق در مديريت اين مساله بررسي شود. دومين موضوع، نحوه جذب و همكاري با متخصصان هوش مصنوعي بود. نيلي گفت: پرداخت دستمزدهاي بالا به اين متخصصان ميتواند در شركتها حساسيت ايجاد كند؛ زيرا حقوق آنها حدود ۷۰ درصد بيشتر از ساير كاركنان است. او درباره تجربه شركتهاي كوچك خود توضيح داد: «بهجاي انعقاد قرارداد بلندمدت، مساله را تعريف ميكنيم و سه ماه به متخصص فرصت ميدهيم تا محصول اوليه يا MVP را ارايه كند. اگر نتيجه موفقيتآميز باشد، قرارداد براي سه ماه ديگر تمديد ميشود تا محصول به مرحله فروش برسد.» كمبود مجموعهدادههاي فارسي سومين مسالهاي بود كه نيلي مطرح كرد. او گفت: تعداد مجموعهدادههاي فارسي در دسترس بهشدت پايين و نگرانكننده است و داده كافي براي آموزش مدلهاي هوش مصنوعي فارسي وجود ندارد. چهارمين موضوع نيز نبود نمونههاي كاربردي ملموس بود. نيلي تاكيد كرد: بدون ارايه نمونههاي واقعي، نميتوان مديران مالي و مديران كسبوكار را به سرمايهگذاري در هوش مصنوعي متقاعد كرد. او براي نمونه به بانكها اشاره كرد و گفت: بايد مشخص شود هوش مصنوعي در فرايندهاي داخلي و پشتيباني بانك تا چه اندازه خطا را كاهش ميدهد؛ زيرا نرخ خطاي بالاي پنج درصد براي بانك پذيرفتني نيست.
چالش مديراني كه تفاوت تحول ديجيتال
و هوش مصنوعي را نميفهمند
عمادالدين فاطميزاده، معاون ستاد هوش مصنوعي، با اشاره به وضعيت نيروي انساني اين حوزه گفت: ايران از نظر برنامهنويسان، متخصصان نظري و نيروهاي ماهر هوش مصنوعي با كمبود مواجه نيست؛ هرچند مديريت مشخصي بر ورود و خروج اين نيروها وجود ندارد. او مشكل اصلي را در بدنه دولت و تا حدي بخش خصوصي، ناآشنايي مديران با تفاوت ميان تحول ديجيتال و تحول مبتني بر هوش مصنوعي دانست. به گفته فاطميزاده، بسياري از افراد ابزارهاي ساده هوشمندسازي يا سامانههاي معمول اتوماسيون را به نام هوش مصنوعي به دولت و شركتها ميفروشند. برخي مديران نيز هوش مصنوعي را صرفاً در ابزارهايي مانند ChatGPT خلاصه ميكنند. فاطميزاده تاكيد كرد: بايد هرچه سريعتر مديراني تربيت شوند كه تفاوت اين مفاهيم را بشناسند و بتوانند بدون احساس تهديد، زمينه ورود هوش مصنوعي به سازمانهاي خود را فراهم كنند.
ايران بايد جايگاه خود را در زنجيره
ارزش هوش مصنوعي مشخص كند
ايمان ميرعمادي، دانشيار دانشكده مديريت و اقتصاد دانشگاه صنعتي شريف، با اشاره به گزارش شاخص هوش مصنوعي (AI Index) گفت: مسير توسعه اين فناوري در همه كشورها يكسان نيست و هر كشور متناسب با توانمنديها و محدوديتهاي خود در بخش مشخصي از زنجيره ارزش هوش مصنوعي حضور پيدا ميكند. او مهمترين اشتباه ايران در سطح سياستگذاري و بنگاهها را مشخص نبودن جايگاه كشور در اين زنجيره دانست و پرسيد: «آيا قرار است در ساخت يك مدل زباني بزرگ بومي موفق شويم، صنايع خود را با هوش مصنوعي نوسازي كنيم يا زيرساخت داده مناسبي بسازيم؟» ميرعمادي گفت: ايران با توجه به محدوديت منابع و بحرانهاي زيرساختي، بهويژه در حوزه انرژي، نميتواند همزمان در همه بخشهاي زنجيره ارزش هوش مصنوعي سرمايهگذاري كند و ناچار است اولويتهاي خود را مشخص كند. او با اشاره به تجربه انقلابهاي فناورانه پيشين گفت برندگان دوران گسترش برق، كامپيوتر و موتورهاي درونسوز لزوماً كشورهايي نبودند كه اين فناوريها را اختراع كردند؛ بلكه كشورهايي موفق شدند كه توانستند آنها را در بخشهاي مختلف اقتصاد خود به كار بگيرند و گسترش دهند. بر همين اساس، ميرعمادي تاكيد كرد: تمركز ايران بايد بر پذيرش و گسترش كاربرد فناوري (Adoption & Diffusion) باشد، نه ساخت مدلهاي بزرگ از ابتدا. به گفته او، نمونههاي موفق استفاده از هوش مصنوعي در صنايع مختلف كه به كاهش هزينه يا افزايش درآمد منجر شدهاند، بايد شناسايي و به عنوان الگو در اختيار ساير كسبوكارها قرار گيرند. ميرعمادي ايران را در كنار كشورهايي مانند برزيل، اندونزي، نيجريه و آفريقاي جنوبي قرار داد و گفت: اين كشورها نه از امكانات كافي براي رقابت با بازيگران بزرگ سازنده مدل برخوردارند و نه آنقدر كوچكاند كه بتوانند در برابر اين تحول منفعل بمانند. او تاكيد كرد: ايران بايد واقعبينانه نقش يك استفادهكننده توانمند از مدلهاي موجود (Model Taker) را بپذيرد و بهجاي تمركز بر ساخت مدلهاي جديد، توان خود را صرف استفاده موثر از اين ابزارها در بخشهاي مختلف اقتصاد كند. ميرعمادي در پايان با اشاره به تفاوت وضعيت ايران و كشورهاي منطقه گفت: عربستان و امارات بر تامين برق و ايجاد زيرساختهاي بزرگ هوش مصنوعي تمركز كردهاند؛ اما ايران با كمبود برق و گاز مواجه است و اين مساله توسعه زيرساختهاي فيزيكي هوش مصنوعي را با محدوديتي جدي روبرو ميكند.
