کاربست هوش مصنوعی، جراحی زیبایی یا شیمی‌درمانی؟

در سال‌های اخیر، هوش مصنوعی به یکی از داغ‌ترین موضوعات فناوری تبدیل شده است، اما برای بسیاری، این مفهوم با مدل‌های زبانی بزرگ (LLM) مثل چت‌جی‌پی‌تی یا گروک خلاصه می‌شود. این مدل‌ها، که قادر به تولید متون پیچیده، پاسخ به پرس‌وجوهای متنوع، و حتی استدلال در مسائل چندمرحله‌ای نظیر حل مسائل ریاضی، تحلیل سناریوهای تجاری، یا شبیه‌سازی مذاکرات هستند، توجه عمومی را به خود جلب کرده‌اند.

ظهور سیستم‌های عامل‌محور (Agentic AI)، که از مدل‌های زبانی بزرگ برای تصمیم‌گیری‌های خودکار و اجرای وظایف به صورت مستقل استفاده می‌کنند، این تصور را تقویت کرده که هوش مصنوعی در مدل‌های زبانی بزرگ خلاصه شده و این موجود نوپا حلال همه مشکلات بشری است! اما آیا هوش مصنوعی واقعاً به همین‌ها محدود می‌شود؟

واقعیت این است که هوش مصنوعی گستره‌ای به‌مراتب وسیع‌تر از مدل‌های زبانی دارد. هوش مصنوعی مجموعه‌ای عظیم از امکانات و تعاریف از روش‌های محاسباتی پایه تا یادگیری عمیق و شامل حوزه‌هایی نظیر یادگیری ماشین کلاسیک، بینایی ماشین، رباتیک، الگوریتم‌های بهینه‌سازی، الگوریتم‌های تجویزی و غیره است. این فناوری‌ها که عمدتا در بخش غیرمولد هوش مصنوعی جانمایی می‌شوند می‌توانند فرآیندهای تولید را بهینه کنند، انبارها را هوشمند سازند، ترندهای بازار را پیش‌بینی کنند، یا حتی آبیاری مزارع و سلامت دام‌ها را مدیریت کنند. همانطور که در شکل زیر نمایان شده است مدل‌های زبانی بزرگ و چت‌بات‌ها تنها بخش کوچک اما بسیار پر هیاهویی از دنیای بزرگ هوش مصنوعی را شامل می‌شوند. با این توضیح که در این شکل حتی جنبه‌های مهم دیگری از هوش مصنوعی نظیر بینایی ماشین ترسیم نشده‌اند.

مدل‌های زبانی بزرگ: توانمندی‌ها و محدودیت‌ها

مدل‌های زبانی بزرگ یکی از برجسته‌ترین دستاوردهای هوش مصنوعی معاصر هستند. این مدل‌ها، که بر پایه شبکه‌های عصبی عمیق و داده‌های عظیم متنی ساخته شده‌اند، قادر به تولید متون منسجم، پاسخ به پرس‌وجوهای پیچیده، ترجمه، کدنویسی، و استدلال در مسائل چندمرحله‌ای و حتی پیچیده هستند. برای مثال، یک مدل زبانی بزرگ می‌تواند یک مسئله ریاضی را مرحله‌به‌مرحله حل کند، یک گزارش مالی را تجزیه و تحلیل نماید، یا محتوای خلاقانه‌ای مانند یک شعر تولید کند. حتی مدل‌های زبانی مولد تصویر و ویدیو یا مدل‌های زبانی تخصصی در حوره داروسازی و مطالعات ژنتیک توانایی‌های این دستاورد نوین بشری را به خوبی نمایان ساخته‌اند. این قابلیت‌ها در حوزه‌هایی مانند آموزش (تولید محتوای درسی)، خدمات مشتریان (چت‌بات‌های هوشمند)، و رسانه‌ها (تولید اخبار خودکار) تحول ایجاد کرده‌اند. استدلال متنی پیشرفته آن‌ها امکان شبیه‌سازی تصمیم‌گیری‌های انسانی را در محیط‌های دیجیتال فراهم کرده است و حتی قابلیت آن‌ها در تولید کدها و دستورالعمل‌ها حتی برنامه‌نویسان آن‌ها را شگفت‌زده کرده است.

بااین‌حال، مدل‌های زبانی بزرگ محدودیت‌هایی دارند که مانع از تبدیل شدن آن‌ها به راه‌حل جامع می‌شود:

1. هزینه بالا: توسعه و اجرای مدل‌های زبانی بزرگ نیازمند زیرساخت‌های پردازشی گران‌قیمت، مانند پردازنده‌های گرافیکی (GPU)، است. در ایران، تحریم‌ها و محدودیت‌های مالی تأمین این زیرساخت‌ها را دشوار و با هزینه‌های مضاعف مواجه ساخته است.
2. مصرف انرژی: آموزش و اجرای مدل‌های زبانی بزرگ، مصرف برق بالایی دارد، که با بحران ناترازی انرژی ایران ناسازگار است. یک مدل پیشرفته می‌تواند معادل مصرف سالانه چندین خانوار انرژی نیاز داشته باشد.
3. محدودیت در مسائل غیرمتنی: استدلال مدل‌ها به داده‌های متنی وابسته است. آن‌ها نمی‌توانند داده‌های عددی، داده‌های حسگری یک کارخانه، تصاویر مزرعه، یا الگوهای مصرف انرژی را مستقیماً تحلیل کنند. برای مثال، یک LLM نمی‌تواند نشتی شبکه آب یا خرابی ماشین‌آلات را با مطالعه و محاسبه اعداد تشخیص دهد.
4. پیچیدگی غیرضروری: برای مسائل عملیاتی، فناوری‌های سبک‌تر مانند الگوریتم‌های یادگیری ماشین کلاسیک یا بینایی ماشین کارآمدترند و در عین حال نیازی به منابع عظیم پردازشی ندارند.

این محدودیت‌ها نشان می‌دهد که مدل‌های زبانی بزرگ، هرچند بسیار قدرتمند ظاهر شده‌اند، اما تنها بخشی از هوش مصنوعی‌اند و نباید به آن‌ها به عنوان حل‌المسایل جامع و مانع نگاه کرد.

کاربردهای متنوع هوش مصنوعی: فراتر از مدل‌های زبانی

هوش مصنوعی، برخلاف تصور رایج که آن را به مدل‌های زبانی بزرگ محدود می‌کند، گستره‌ای وسیع‌تر دارد و به روش‌های مختلفی قابل دسته‌بندی است. یکی از این روش‌ها، تقسیم‌بندی بر اساس نوع تحلیل و کاربرد عملی است که شامل هوش مصنوعی توصیفی، بلادرنگ، تشخیصی، پیش‌بینانه، و تجویزی می‌شود. این دسته‌بندی، نشان‌دهنده تنوع کاربردهای هوش مصنوعی غیرمولد است که می‌توانند مسائل واقعی و زیرساختی را حل کنند. برخلاف مدل‌های زبانی بزرگ که بر تولید محتوا و استدلال متنی تمرکز دارند، این فناوری‌ها با تحلیل داده‌ها و اعداد و ارائه راه‌حل‌های عملی، راهکارهایی ملموس و کارآمد با هزینه پردازشی بسیار ناچیز ارائه می‌دهند، که برای کشوری مانند ایران با چالش‌های عمیق، مانند شیمی‌درمانی در برابر جراحی زیبایی مدل‌های زبانی بزرگ است.

هوش مصنوعی توصیفی (Descriptive AI)

این نوع هوش مصنوعی داده‌های موجود را تحلیل می‌کند تا الگوها و روندهای گذشته را توصیف کند و به درک بهتر وضعیت کنونی کمک کند. به عنوان مثال، در یک شرکت حمل‌ونقل، این فناوری می‌تواند داده‌های ترافیکی یک ماه گذشته را بررسی کند و نشان دهد که در کدام مسیرها تأخیرهای بیشتری رخ داده است، یا کدام رانندگان کارایی بهتری داشته‌اند. این اطلاعات به مدیران کمک می‌کند تا نقاط ضعف را شناسایی کنند و تصمیمات آگاهانه‌تری برای بهبود عملکرد بگیرند، بدون اینکه نیازی به پیش‌بینی یا پیشنهاد راه‌حل باشد. این موضوع در ادبیات فناوری اطلاعات عمدتا به هوش تجاری معطوف است.

هوش مصنوعی بلادرنگ (Real-time AI)

این فناوری داده‌ها را به‌صورت لحظه‌ای تحلیل می‌کند و پاسخ‌های فوری ارائه می‌دهد، که برای موقعیت‌هایی که نیاز به واکنش سریع دارند، ایده‌آل است. فرض کنید در یک سیستم امنیتی فرودگاه، دوربین‌ها و حسگرها به‌طور مداوم تصاویر و داده‌ها را بررسی می‌کنند. اگر فردی رفتار مشکوکی نشان دهد، این سیستم می‌تواند در همان لحظه هشدار دهد و به نگهبانان اجازه دهد سریعاً اقدام کنند.

هوش مصنوعی تشخیصی (Diagnostic AI)

این نوع هوش مصنوعی علل ریشه‌ای مشکلات را با تحلیل داده‌ها شناسایی می‌کند و برای یافتن منشأ مسائل پیچیده کاربرد دارد. تصور کنید در یک خط تولید مواد غذایی، کیفیت محصولات به‌طور ناگهانی افت کرده است. این فناوری می‌تواند داده‌های دما، رطوبت، و سرعت دستگاه‌ها را تحلیل کند و تشخیص دهد که یک نقص در تنظیمات دمایی باعث تغییر کیفیت شده است، که به اپراتورها کمک می‌کند مشکل را سریعاً برطرف کنند و از ضررهای بیشتر جلوگیری کنند. بخشی از کاربردهایی که به اشتباه از مدل‌های زبانی بزرگ درخواست می‌شود از این نوع است.

هوش مصنوعی پیش‌بینانه (Predictive AI)

این فناوری با تحلیل داده‌های گذشته و الگوها، رویدادهای آینده را پیش‌بینی می‌کند و به برنامه‌ریزی بهتر کمک می‌کند. به عنوان مثال، در یک شرکت بیمه، این سیستم می‌تواند داده‌های مشتریان را بررسی کند و پیش‌بینی کند که کدام گروه‌ها احتمال بیشتری برای ثبت ادعای خسارت دارند. این اطلاعات به شرکت اجازه می‌دهد سیاست‌های خود را تنظیم کند و ریسک‌ها را کاهش دهد، که سودآوری را بهبود می‌بخشد.

هوش مصنوعی تجویزی (Prescriptive AI):

این نوع هوش مصنوعی نه‌تنها آینده را پیش‌بینی می‌کند، بلکه با تحلیل گزینه‌های مختلف، بهترین راه‌حل را پیشنهاد می‌دهد. فرض کنید در یک شرکت لجستیک، این فناوری پیش‌بینی می‌کند که تقاضا برای ارسال کالا در یک منطقه خاص افزایش خواهد یافت. سپس با بررسی مسیرها، هزینه‌ها، و زمان‌بندی‌ها، پیشنهاد می‌دهد که از کدام مسیرها و وسایل نقلیه استفاده شود تا هزینه‌ها به حداقل برسد و تحویل‌ها به‌موقع انجام شوند، که کارایی را به‌طور چشمگیری بالا می‌برد.

این انواع هوش مصنوعی غیرمولد نشان می‌دهند که فناوری‌های هوش مصنوعی می‌توانند مسائل واقعی را در حوزه‌های مختلف حل کنند. از تحلیل داده‌های گذشته و ارائه هشدارهای لحظه‌ای گرفته تا تشخیص مشکلات، پیش‌بینی آینده، و پیشنهاد راه‌حل‌های بهینه راه‌کارهای غیر مولد می توانند با هزینه‌ای بسیار پایین راه‌گشا باشند. اما مدل‌های زبانی بزرگ، که اغلب توجه عمومی را به خود جلب کرده‌اند، هیچ‌کدام از این کارها را نمی‌توانند به صورت مستقیم انجام دهند. آن‌ها با تمرکز بر تولید متن و استدلال متنی، ما را دچار توهم می‌کنند که هوش مصنوعی تنها به گفت‌وگو و محتوای دیجیتال محدود است، در حالی که ظرفیت واقعی این فناوری در حل مشکلات عملی و زیرساختی نهفته است، جایی که ایران به آن نیاز مبرم دارد.

چالش‌های ایران: چرا کاربرد هوش مصنوعی غیر مولد ضروری است؟

ایران با مسائل پیچیده‌ای مواجه است که پیشرفت آن را کند کرده‌اند: صنایع فرسوده و ناکارآمد، منابع آبی رو به کاهش و بحرانی، شبکه‌های انرژی ناپایدار و ناتراز و تحریم‌ها از مهمترین این مسایل هستند. این مشکلات مانند بیماری‌هایی هستند که به درمان‌های عمیق و هدفمند و چه بسا حتی قطع عضو به جهت احیای بیمار نیاز دارند. فناوری‌های غیرمولد هوش مصنوعی، که بدون نیاز به زیرساخت‌های پرهزینه و با تحلیل داده‌های موجود عمل می‌کنند، راه‌حل‌هایی مؤثر برای درمان بسیاری از این مسایل ارائه می‌دهند.

این فناوری‌ها بهره‌وری را در صنایع افزایش داده، مصرف آب را کاهش، و پایداری انرژی را بهبود می‌بخشند. با توجه به شرایط ایران، این رویکردها برای غلبه بر موانع موجود حیاتی‌اند.
صنایع فرسوده در بسیاری از کشورها، از جمله ایران، با هدررفت منابع و کاهش بهره‌وری مواجه‌اند؛ گزارش‌های جهانی نشان می‌دهند که تجهیزات قدیمی می‌توانند تا ۳۰ درصد بهره‌وری را کاهش دهند. نوسازی یک کارخانه حتی با فرض دورزدن تحریم‌ها هزینه‌های بسیار بالایی را طلب می‌کند که عملا اجرای آن را غیر ممکن می‌کند.

فناوری‌های غیرمولد هوش مصنوعی با تحلیل داده‌های تولید، بررسی خروجی حسگرهای ارزان‌قیمت و یا حتی جایگزین کردن حسگرهای حیاتی گران‌قیمت با حسگرهای نرم (soft-sensors) این مشکلات را هدف قرار می‌دهند. در ترکیه، کارخانه سیمان Çimsa در مرسین از حسگرهای هوشمند برای نظارت بر تجهیزات بهره برد. این سیستم، طبق گزارش سالانه شرکت در ۲۰۲۲، خرابی‌ها را زودتر شناسایی کرد، توقف‌های تولید را ۲۰ درصد کاهش داد، و هزینه‌های تعمیر را سالانه ۸ درصد پایین آورد. در آلمان، شرکت زیمنس در کارخانه تولید توربین خود در برلین از تحلیل داده برای بهینه‌سازی خطوط تولید استفاده کرد، که مصرف انرژی را ۱۰ درصد کم کرد و کیفیت محصولات را ۱۲ درصد بهبود بخشید.

این فناوری‌ها، با بهینه‌سازی فرآیندها و کاهش ضایعات، می‌توانند صنایع ایران را بدون نیاز به سرمایه‌گذاری‌های کلان تقویت کنند، در حالی که مدل‌های زبانی در این حوزه کاربردی ندارند.

کمبود آب چالشی جهانی است و در ایران، با اقلیم خشک، این مسئله شدت بیشتری دارد؛ برخی تخمین‌ها نشان می‌دهند که شبکه‌های توزیع فرسوده تا ۲۰ درصد آب را هدر می‌دهند. فناوری‌های غیرمولد هوش مصنوعی با ابزارهای هوشمند، مصرف را بهینه می‌کنند. در عربستان سعودی، شرکت ملی آب در پروژه‌ای در جده از حسگرهای تحلیل داده برای شناسایی نشتی‌ها بهره برد. این سیستم، طبق گزارش این شرکت در سال ۲۰۲۲، هدررفت را ۱۵ درصد کاهش داد، که معادل حفظ ۱.۲ میلیارد لیتر آب در سال بود، در عین حال هزینه‌های تعمیر را ۱۲ درصد کم کرد.

در ژاپن، شرکت کشاورزی Kubota در پروژه‌ای در منطقه کاناگاوا از فناوری تحلیل خاک و آب‌وهوا برای تنظیم آبیاری استفاده کرد، که مصرف آب را ۱۸ درصد کاهش داد و بازده محصول را ۷ درصد افزایش داد. در ایران نیز یکی از شرکت‌های فناور در حوزه دامپروری هوشمند موجب افزایش تولید شیر تا ۱۵٪ شده است. این راه‌حل‌ها برای ایران، که منابع آبی محدودی دارد، می‌توانند مصرف را به‌طور ملموس کاهش دهند و امنیت منابع را تقویت کنند.

ناپایداری انرژی، با تلفات بالا و قطعی‌های مکرر، تولید و رفاه را مختل می‌کند؛ گزارش‌ها حاکی از آن است که تلفات شبکه‌های توزیع در برخی مناطق تا ۳۰ درصد می‌رسد. با تحلیل داده‌ها می‌توان پایداری را بهبود بخشید و یا حتی منابع جدیدی برای تامین انرژی ایجاد کرد. در امارات متحده عربی، شرکت برق و آب دبی در پروژه شبکه هوشمند خود از سیستم‌های تحلیل داده برای متعادل‌سازی بار استفاده کرد. این فناوری، طبق گزارش این شرکت در سال ۲۰۲۳، قطعی‌ها را ۱۲ درصد کاهش داد و کارایی شبکه را ۸ درصد بالا برد.

در کره جنوبی، شرکت KEPCO با تحلیل داده‌های مصرف، تخصیص انرژی را بهینه کرد و تلفات را ۱۰ درصد کاهش داد. برای ایران، که با ناترازی انرژی دست‌وپنجه نرم می‌کند، این فناوری‌ها می‌توانند شبکه‌ها را مقاوم‌تر کنند و از هدررفت انرژی جلوگیری کنند، در حالی که مدل‌های زبانی هیچ راه‌حلی برای این نوع از مسائل ارائه نمی‌دهند.
فناوری‌های غیرمولد هوش مصنوعی، با تأثیرات ملموس مانند کاهش هزینه‌ها، حفظ منابع، و افزایش پایداری، می‌توانند ایران را از چالش‌های کنونی نجات دهند. این رویکردها، برخلاف مدل‌های زبانی که تنها به ظاهر مسائل می‌پردازند، مسایل را به صورت ریشه‌ای هدف می‌گیرند و مسیری پایدار برای آینده ایران فراهم می‌آورند.

جمع‌بندی: از توهم مدل‌های زبانی تا درمان واقعی با هوش غیرمولد

هوش مصنوعی، فراتر از مدل‌های زبانی بزرگ، ظرفیت عظیمی برای حل مشکلات واقعی دارد. مدل‌های زبانی، هرچند در تولید محتوا و استدلال متنی توانمندند، نمی‌توانند چالش‌های زیرساختی ایران را حل کنند. این فناوری‌‌ها، همانند جراحی زیبایی برای بیماری نیازمند شیمی‌درمانی، ما را در توهم حل مسائل نگه می‌دارند، در حالی که راه‌حل‌های واقعی در فناوری‌های غیرمولد نهفته است. هوش مصنوعی غیرمولد، از توصیفی تا تجویزی، با تحلیل داده‌ها و ارائه راهکارهای عملی، می‌تواند بهره‌وری را افزایش دهد، منابع را حفظ کند، و پایداری را بهبود بخشد و در عین حال منابع عظیم پردازشی طلب نکند.
برای ایران، که با محدودیت‌های مالی و تحریم‌ها مواجه است، این فناوری‌ها یک ضرورت‌اند، نه انتخاب. باید از تمرکز صرف بر مدل‌های زبانی و راه‌اندازی مراکز داده بسیار پرهزینه، فاصله بگیریم و منابع را به صورت متعادل میان فناوری‌های مبتنی بر مدل‌های زبانی و فناوری‌های غیر مولد هوش مصنوعی توزیع کنیم. سیاست‌گذاران و صنعتگران باید روی استفاده از داده‌های موجود، افزایش حسگرهای ارزان‌قیمت، حکمرانی داده‌ها و حمایت از شرکت‌های فناور داخلی سرمایه‌گذاری کنند. این اقدامات می‌توانند با هزینه کم، تأثیرات بزرگی در بهبود صنایع، مدیریت آب، و پایداری انرژی داشته باشند. هوش مصنوعی غیرمولد، شیمی‌درمانی موردنیاز برای درمان بیماری‌های زیرساختی ایران است، و اکنون زمان آن است که این درمان را با جدیت آغاز کنیم.