لایه‌های عمیق هوش مصنوعی و لزوم سرمایه‌گذاری عظیم در آن

محمدرضا معبودیان، رئیس کارگروه هوش مصنوعی اتاق ایران در این یادداشت نوشته است: امروزه هوش مصنوعی را به‌عنوان پنجره جدید معادلات جهانی معرفی می‌کنند که تعاملات ژئوپلتیک و فرامنطقه‌ای را تنظیم می‌کند. همچنین کنترل بر میزان پیشرفت علم و فناوری هوش مصنوعی در هر کشور، یکی از دغدغه‌های کشورهای سلطه‌گر جهان است. کشورهای مختلف جهت جلوگیری از سلطه‌پذیری و عقب‌ماندگی همواره در تلاش هستند که در لایه‌های بنیادین و عمیق هوش مصنوعی صاحب ایده و فعالیت تاثیرگذار باشند.  

اقداماتی از قبیل تاسیس سازمان‌هایی معادل آژانس انرژی اتمی برای حوزه هوش مصنوعی، موید این موضوع است و حکمرانان و دولتمردان کشورمان حتما باید زمین‌بازی مناسبی در حوزه هوش مصنوعی طراحی و ایجاد کنند که آیند‌گان از موهبت‌های هوش مصنوعی به نحوه احسن بهره‌برداری کنند. این‌جاست که موضوع لایه‌های عمیق هوش مصنوعی جایگاه می‌یابد و باید به‌صورت جدی هدف‌گذاری، برنامه‌ریزی و سرمایه‌گذاری داشته باشد. 

به‌عنوان یک تعریف مقدماتی می‌توان لایه‌های عمیق هوش مصنوعی را به‌عنوان ستون فقرات این فناوری معرفی کرد که شالوده تعالی هوش مصنوعی را می‌سازد؛ زیرساخت‌های عمیق و حیاتی هوش مصنوعی، می‌تواند کشور ایران را از نظر تکنولوژی خودکفا کرده، ریسک تحریم‌ها را کاهش داده و باعث جهش در توانمندی‌ها و همکاری‌های علمی در سطح بین‌المللی شود. این لایه‌های عمیق، روی سخت‌افزارها، نرم‌افزارها، دادگان و تضمین امنیت دادگان و الگوریتم‌های راهبردی و اختصاصی تمرکز دارد که اساس پیشرفت هوش مصنوعی را برای کشور ایران می‌سازد. از طرف دیگر، لایه‌های کاربردی هوش مصنوعی مثل ابزارهایی هستند که از این لایه‌های عمیق استفاده می‌کنند تا زندگی روزمره، صنعت و جامعه را بهتر کنند. سوال مهم این است که چرا لایه‌های عمیق هوش مصنوعی در بیانات مقام معظم رهبری ارائه شده است؟ زیرا برای کشوری مثل ایران که با تحریم‌ها دست‌وپنجه نرم می‌کند، سرمایه‌گذاری عظیم در این لایه‌ها، می‌تواند بازی را عوض کرده و آینده تعاملات بین‌المللی و ژئوپلتیک منطقه‌ای را ساماندهی کرده و از سلطه‌پذیری کشور ایران در مقابل شرکت‌های غول تکنولوژی، مصونیت کند.

مصادیق کلی لایه‌های عمیق هوش مصنوعی در ایران

با تعریف ساده‌‌ای که از لایه‌های عمیق هوش مصنوعی ارائه داده شد، می‌توان موضوعات زیر را به‌عنوان حوزه‌های اصلی این لایه‌ها معرفی کرد:

الف) لایه‌های عمیق سخت‌افزاری هوش مصنوعی: سرمایه‌گذاری و انجام تحقیقات جهت تولید پردازنده‌های سیلیکونی، پردازنده‌های کوانتومی و پردازنده‌های زیستی.

ب) لایه‌های عمیق نرم‌افزاری هوش مصنوعی: سرمایه‌گذاری در تولید و بهینه‌سازی الگوریتم‌های پایه و مرجع هوش مصنوعی به‌ همراه سرمایه‌گذاری در تولید و بهینه‌سازی الگوریتم‌های شبیه‌سازی کوانتومی و الگوریتم‌های شبیه‌سازی زیستی هوش مصنوعی.

ج) لایه‌های عمیق دادگان هوش مصنوعی: سرمایه‌گذاری در تولید و استقرار زیرساخت‌های تضمین امنیت دادگان و مدل‌های هوش مصنوعی.

د) لایه‌های عمیق مهندسی‌سازی هوش مصنوعی: سرمایه‌گذاری در تولید زیرساخت‌های مقیاس‌پذیری، قابلیت اطمینان بالا، قابلیت دسترسی بالا و سامانه‌های هوش مصنوعی در سه سطح IaaS ، PaaS و SaaS

تشریح مصادیق لایه‌های عمیق هوش مصنوعی

لایه‌های عمیق، ستون‌های اصلی پیشرفت هوش مصنوعی هستند که در ادامه به تعدادی از آنها اشاره می‌شود:

·        تولید بومی چیپ‌ست‌های Tensor Core محاسبات ماتریسی

هسته‌های تنسوری، مثل قهرمان‌های گمنام دنیای هوش مصنوعی‌اند. اینگونه چیپ‌ست‌ها به‌صورت  اختصاصی برای محاسبات ماتریسی طراحی می‌شوند که در محاسبات سنگین روی ‌داده‌های عظیم (Big Data) کاربرد فراوان دارند. در هر کارت GPU تعدادی هستهCUDA ، به‌همراه تعدادی هسته Tensor و تعدادی هسته RT(هسته ردیابی پرتو یاRay Tracing Cores) وجود دارد، مثلا در کارت‌های 4090 شرکت Nvidia حدودا 16368 عدد CUDA Core، 512 عدد Tensor Core و 128 عدد هسته RT تعبیه شده است که 512 هسته تنسوری آن برای پردازش‌های موازی و حجیم بسیار اهمیت دارد. اگر در ایران بتوان در گام‌های ابتدایی کارت‌هایی با تعداد معقولی Tensor Core (بدون هسته RT و بدون هسته CUDA) تولید شود، می‌توان پردازش‌های موازی دادگان عظیم را با آنها انجام داد. البته که این پروژه ملی در گام‌های اولیه، با چالش‌های بسیاری مواجه خواهد شد که باید مدیریت شود. با توجه به نبود زیرساخت‌های تولید نیمه‌هادی پیشرفته در ایران، نمونه‌های اولیه بسیار بزرگ‌تر از حد طبیعی امروزی و دارای چالش‌های Cooling، Clustering، تولید Driverهای مرتبط و حتی مقبولیت نداشتن میان برنامه نویسان داخلی خواهد بود! با این پروژه ملی و در سطح لایه‌های عمیق هوش مصنوعی، می‌توان قدرت پردازش ماتریسی کشور را در شرایط تحریمی شدید، حفظ کرد.

در کنار تمرکز بر تولید چیپ‌ست‌های Tensor Core، تمرکز بر بهینه‌سازی الگوریتم‌های پایه و مرجع هوش مصنوعی در استفاده از CPUها و GPUهای کلاستر شده، درایورهای اختصاصی آنها، از موارد بنیادین در لایه‌های عمیق هوش مصنوعی است. این مورد در ابتدای سال ۲۰۲۵ توسط DeepSeek و در مبارزه با تحریم کارت‌های GPU برای شرکت‌های چینی، اثبات شد و به احتمال بالا متخصصان کشور هم قادر به انجام اینگونه موارد در صورت حمایت و سرمایه‌گذاری مناسب خواهند بود.

·        سرمایه‌گذاری در تولید و بهینه‌سازی الگوریتم‌های کوانتومی

هوش مصنوعی کوانتومی (Quantum AI) مثل یک رویای علمی است که دارد واقعی می‌شود! در اینجا دو موضوع وجود دارد، تولید کیوبیت‌ها و سخت‌افزار کوانتومی (که باید به تکنولوژی صفر کلوین برسیم و غیره) که متاسفانه با تولید اینگونه پردازنده‌ها خیلی فاصله داریم و شاید این لایه عمیق هوش مصنوعی را در کوتاه مدت نتوانیم هدف‌گذاری کنیم؛ ولی موضوع دوم الگوریتم‌ها و محاسبات به روش کوانتومی است که قابل دستیابی هستند. اگر درست برنامه‌ریزی کنیم، حوزه تولید الگوریتم‌های کوانتومی هوش مصنوعی می‌تواند توان و ظرفیت هوش مصنوعی ایران را افزایش دهد.

·        پردازنده‌های زیستی و پردازش‌های زیستی

امروزه پردازنده‌های زیستی با استفاده ازDNA، پروتئین‌ها و نورون‌ها و موجودات زنده کار می‌کنند و بستر انجام محاسبات زیستی می‌شوند. یک مفهومی مثل پردازنده‌های زنده در مقایسه با پردازنده‌های سیلیکونی و پردازنده‌های کوانتومی! این موضوع هنوز در مراحل اولیه‌ قرار دارد، ولی پتانسیل‌هایش برای پردازش موازی و صرفه‌جویی در انرژی (در حد چندین میلی وات) فوق‌العاده‌ است. خوشبختانه ایران هم در علم ژنتیک و هم در Cloning موجودات در پژوهشگاه‌هایی همانند رویان دستاوردهای اولیه مناسبی دارد که می‌تواند برای آغاز این راه تاثیرگذار باشد. (هرچند اصلا کافی نیست!) امروزه با استفاده از باکتری‌ها، مغز موش یا خوکچه و حتی انسان (در حد ۱۰ هزار نرون)، تست‌های مثبتی در جهان انجام شده است. این حوزه می‌تواند یک کاندید تحقیقاتی در لایه‌های عمیق هوش مصنوعی ایران باشد. هم اکنون تولید پردازنده‌های زیستی در دوره‌های اولیه است و در صورت تمرکز و سرمایه‌گذاری مناسب می‌توان ایران را در کانون این لایه عمیق هوش مصنوعی، فعال نگه داشت.

همچنین تولید الگوریتم‌ها و توان نرم‌افزاری محاسباتی در حوزه پردازش زیستی هم، یکی دیگر از لایه‌های عمیق هوش مصنوعی در ایران می‌تواند باشد.

·        زیرساخت‌های تضمین امنیت دادگان یا ZTAI (Zero Trust AI)

اینکه بتوان از موهبت‌های استفاده از دادگان بومی و مدل‌سازی آنها با الگوریتم‌های هوش مصنوعی و ML، بهره‌مند شویم ولی مخاطرات امنیتی را کمینه کنیم یک دغدغه از لایه‌های عمیق هوش مصنوعی است.

داده‌ها در خیلی از موارد می‌توانند ماهیت محرمانگی داشته باشند. این محرمانگی داده‌ها در حوزه حریم خصوصی افراد و حضور و رفتارشان در فضای مجازی، اقدامات حکمرانان و دولتمردان و محرمانگی داده‌ها در کسب‌وکارها و بنگاه‌ها، از فرآیند تامین مواد اولیه تا فرآیند تولید و قیمت‌گذاری و اطلاعات خریداران و غیره، همگی دارای محرمانگی خاص خود هستند. در موارد دیگری، برخی داده به تنهایی ماهیت محرمانگی ندارند ولی پس از ترکیب با داده‌های دیگر، هم ارزشمند شده و هم ماهیت محرمانگی پیدا می‌کنند. اینجاست که در دسترس قراردادن دادگان و آزادرسانی آنها برای تولید مدل‌های هوش مصنوعی فقط با یک قانون سطحی، دستورالعمل مقدماتی و غیره میسر نمی‌شود و لازم است که معماری‌های اختصاصی در این حوزه انجام شود تا هم موضوعات گمنام‌سازی (Anonymization) و مبهم‌سازی داده‌ها یا نهان‌سازی داده‌ها با قابلیت بازگشت(Obfuscation) و غیره ساماندهی شود و هم افق مناسبی برای بهره‌داری جدی از دادگان ملی و بومی ترسیم شود. امروزه اینگونه معماری به‌عنوان «معماری بدون اعتماد هوش مصنوعی» یا Zero Trust AI مطرح می‌شود که خود یکی از لایه‌های عمیق هوش مصنوعی و حکمرانی صحیح بر داده‌ها و مدل‌هاست.

·        زیرساخت‌های مهندسی‌سازی هوش مصنوعی

یکی از لایه‌های عمیق هوش مصنوعی به موضوع تبدیل علم به عمل یا به عبارت دقیق‌تر تبدیل «مدل هوش مصنوعی» به «سرویس هوش مصنوعی» مرتبط است. اصولا دانشجویان و فارغ‌التحصیلان رشته هوش مصنوعی شیوه‌ها، متدها و فرآیندهای مختلف تولید مدل‌های هوش مصنوعی را در دانشگاه‌ها و مراکز آموزشی فرا می‌گیرند و در قالب استارت‌آپ‌ها یا تیم‌های هوش مصنوعی شرکت‌های بزرگ و کوچک مدل‌های هوش مصنوعی زیادی تولید می‌کنند. اینجاست که مشکل اصلی کشور در حوزه تجاری‌سازی و انبوه‌سازی مصرف هوش مصنوعی بروز می‌کند و این تولیدکنندگان مدل‌ها و سرویس‌های هوش مصنوعی توانایی انجام امور مهندسی هوش مصنوعی از قبیل مقیاس پذیری، دسترس پذیری بالا و قابلیت اطمینان استفاده از مدل را ندارند. برای حل این مشکل، پلتفرم‌های مهندسی هوش مصنوعی در دنیا وجود دارد. امروزه شرکت‌های غول فناوری همانند گوگل، آمازون، مایکروسافت، آی‌بی‌ام و غیره زیرساخت‌های مهندسی‌سازی پروژه‌های هوش مصنوعی را با هزینه‌های بسیار کم و کاملا مقرون به‌صرفه ارائه می‌دهند. سایر شرکت‌های این حوزه از قبیل Lambda Lab ،RunPod و غیره هم نوآوری‌های مناسبی را به ارمغان آورده‌اند. از جهت وجود تحریم‌های بین‌المللی، دسترسی به این پلتفرم‌های مرجع برای تجاری‌سازی، انبوه‌سازی و در دسترس‌پذیری محصولات و خدمات هوش مصنوعی برای عموم مردم و صنایع بزرگ و کوچک در ایران میسر نیست. لذا باید به‌عنوان یکی از لایه‌های عمیق هوش مصنوعی اینگونه پلتفرم‌ها در دستور کار ملی قرار بگیرند.

مصادیق لایه‌های کاربردی هوش مصنوعی (که گاهی با لایه‌های عمیق هوش مصنوعی اشتباه گرفته می‌شوند)

لایه‌های کاربردی، بر بهره‌گیری از فناوری‌های موجود برای حل مسائل خاص متمرکزند. برخی از این موارد عبارتند از:

۱- تولید LLM فارسی جهت پاسداشت زبان و نگارش زبان فارسی و صیانت از فرهنگ غنی ایرانی

۲- تولید لایه گارد با RLHF برای LLMها

۳- تولید بسترهای دستیارهای هوش مصنوعی (Agentها) و دستیارهای خودمختار(Agenticها) به‌عنوان پلتفرم های هوش مصنوعی ملی

۴- تولید مدل‌های صنعتی هوش مصنوعی برای بهبود کارایی صنایع و معادن

۵- تولید مدل‌های یادگیری تقویتی اختصاصی برای برای مقاصد خاص ایران از قبیل الگوریتم‌های RL برای بودجه‌نویسی ملی و غیره

۶- تولید مدل‌های هوش مصنوعی برای مدیریت و کنترل «ناترازی انرژی» و «کسری انرژی» همانند Graph Learning شبکه‌های انتقال انرژی و ایجاد Digital Twinهای مجهز به هوش مصنوعی، سرویس‌های نگهداری و تعمیرات پیش‌گویانه(PdM)، تولید انواع سنسورهای مجازی (Soft Sensors) و غیره

۷- پلتفرم‌های تحلیل داده و  Analytics و غیره

حرف آخر، سرمایه گذاری عظیم و متولی متمرکز و حرفه‌ای

تمرکز روی لایه‌های عمیق، مثل تولید چیپ‌ست‌های Tensor Core، Quantum AI یا پردازنده‌های زیستی، بهینه‌سازی الگوریتم‌ها و فرآیندهای‌ پردازشی کلان‌داده‌ها و غیره که در این متن به آنها اشاره شد، می‌تواند اندکی کشور ایران را از وابستگی شدید به فناوری خارجی نجات داده و توانمندی‌های ما را تقویت کند. لایه‌های کاربردی مثل LLM فارسی، تولید Agentها و Agenticها هم مهم هستند ولی بیشتر به فناوری‌های موجود وابسته‌اند. برای موفقیت صنعت هوش مصنوعی در ایران، باید پروژه‌های ملی را با دقت انتخاب کنیم و مزیت‌های رقابتی کشور را مشخص کنیم. در این مسیر باید توجه شود که «بودجه‌ریزی عملیاتی» در لایه‌های عمیق هوش مصنوعی، حتما برای کشور عزیزمان کارساز نیست و باید «سرمایه‌گذاری عظیمی» در لایه‌های عمیق هوش مصنوعی انجام شود. همچنین لازم است یک متولی متعهد و حرفه‌ای، به سرانجام‌رسانی این لایه‌های عمیق هوش مصنوعی را به‌عهده بگیرد! سازمانی که در قانون به‌عنوان سازمان هوش مصنوعی شناخته می‌شود.