در یک سال گذشته، ایران با شتاب قابل توجهی مجموعهای از پروژههای کلیدی در حوزه هوش مصنوعی را پیش برده که هدفشان کوتاه کردن فاصله با کشورهای پیشرو، توسعه زیستبوم دانشبنیان و کاربردیسازی پژوهشهای علمی در صنایع راهبردی بوده است. این گزارش به بررسی دستاوردها، زیرساختها، کاربردها و چالشهای پیشِرو میپردازد و نشان میدهد چگونه سکوی ملی، مدلهای زبانی فارسی و پروژههای عملیاتی در حوزههای سلامت، انرژی، آموزش و مدیریت دولتی به هم پیوستهاند تا بنیان یک اکوسیستم هوشمندتر را شکل دهند.
چرا هوش مصنوعی امروز محور رقابت است؟
هوش مصنوعی (AI) دیگر صرفاً یک شاخه علمی نیست؛ تبدیل به موتور نوآوری، ابزار تصمیمسازی و عامل افزایش بهرهوری در اقتصادهای پیشرفته شده است. گزارشهای بینالمللی نشان میدهد کشورهایی مانند چین و آمریکا حجم و تأثیر بالایی در تولید مقالات و توسعه مدلهای پیشرفته دارند، اما رشد سریع هند و سایر کشورهای آسیایی هم قابلتوجه است. در این میدان، شاخصهایی مانند تعداد مقالات، کیفیت استنادات، ظرفیت پردازشی، آمادگی حکومتی برای بهکارگیری AI و توانایی کاربردیسازی پژوهشها اهمیت ویژهای دارند.
ایران در تولید مقالات هوش مصنوعی در رتبه ۱۳ جهان قرار گرفته، اما در شاخص کاربردیسازی و آمادگی عملیاتی هنوز با فاصله مواجه است؛ گزارشی که در سال ۲۰۲۴ منتشر شد نشان میدهد رتبه آمادگی هوش مصنوعی دولت ایران بین ۱۸۸ کشور، عدد ۹۱ است که نسبت به سال قبل سه پله بهبود داشته است. این آمار نشان میدهد مسیر پیشرفت شروع شده اما نیاز به استمرار سیاستگذاری، سرمایهگذاری و ظرفیتسازی دارد.
سکوی ملی هوش مصنوعی: ستون فقرات زیرساختی
سکوی ملی هوش مصنوعی یکی از برجستهترین پروژههای دولت بوده که از مهر ۱۴۰۳ تا مهر ۱۴۰۴ مرحله طراحی کلان، پیادهسازی دموی آزمایشی و بهرهبرداری آزمایشی را طی کرده است. این سکوی ملی شامل چند مولفه کلیدی است:
- زیرساخت ابری و سختافزاری مبتنی بر سرورهای نسل جدید و شبکه یکپارچه ۴۰۰ گیگابیتی برای پردازشهای سنگین.
- محیطهای توسعه و ارزیابی امن و بومی برای دانشگاهها و شرکتهای دانشبنیان.
- خدمات LLM serving برای میزبانی و سرویسدهی مدلهای زبانی فارسی و تخصصی.
- امکان اجرای درونسازمانی (اینترانت) بهمنظور حفظ حاکمیت داده و استقلال عملیاتی در صورت قطع ارتباط با اینترنت جهانی.
نسخه نخست این سکو هماکنون خدمات پردازشی و آزمایشگاهی محدود به دانشگاهها و شرکتهای منتخب ارائه میدهد و قرار است تا پایان سال یا اوایل سال آینده، بار کامل آن فعال شود. در فاز توسعه ظرفیت نیز برنامهای برای افزایش توان محاسباتی از حدود ۱۰ پتافلاپس فعلی به ۳۰۰–۴۰۰ پتافلاپس با مشارکت بخش خصوصی تدوین شده است. این میزان رشد، امکان آموزش مدلهای بزرگتر، اجرای آموزشهای توزیعشده و انجام محاسبات پیچیده در حوزههای تصاویر پزشکی، تحلیل چاه و مخزن و تحلیل شبکههای برق را فراهم میکند.
توسعه مدلهای زبانی فارسی و LLM
یکی از نکات برجسته پروژههای اخیر، توسعه بیش از ۲۰ مدل زبانی با دادههای فارسی و تخصصی است. مدلهای زبانی (Large Language Models یا LLM) برای کاربردهای متنوعی مانند خدمات مشتریان، استخراج اطلاعات، تولید محتوا، ترجمه تخصصی و تحلیل متون حقوقی یا پزشکی بهکار میروند. فرآیند توسعه این مدلها شامل مراحل زیر است:
- جمعآوری و پاکسازی دادههای متنی فارسی از منابع متنوع (کتابها، مقالات، پایگاههای دانش، دادههای تخصصی پزشکی و فنی).
- ایجاد مجموعههای داده تخصصی برای حوزههای هدف (مثلاً دادههای پزشکی برای تشخیص رادیولوژیک، دادههای نفتی برای تحلیل چاه).
- پایپلاینهای آموزش مدل شامل توکنایزیشن، تنظیم هایپرپارامترها و پیادهسازی آموزش توزیعشده روی خوشههای پردازشی.
- فاز ارزیابی انسانی و ماشینی برای محک زدن دقت، تعصب (bias)، پایداری و مصرف منابع.
گسترش LLM serving به بیش از ده مدل کاربردی، این امکان را فراهم کرده که اپلیکیشنهای داخلی و دستگاههای دولتی بتوانند بهصورت امن و پاسخگو از مدلهای بومی استفاده کنند و وابستگی به سرویسهای خارجی کاهش یابد.
کاربردهای حوزه سلامت: از تشخیص تا صرفهجویی ارزی
حوزه سلامت یکی از اولویتهای اصلی معاونت علمی بوده و دهها پروژه فناورانه در این بخش راهاندازی شده است. طراحی سامانههای هوش مصنوعی برای دو لایه مجزا دنبال میشود: اول، خدمات بهداشتی و خودمراقبتی برای خانوادهها و ارائه مشاورههای اولیه؛ دوم، کاربردهای درمانی در تشخیص و مدیریت بیماریهای با بار اقتصادی بالا مانند بیماریهای قلبی، سرطان و نارسایی کلیوی.
نمونههایی از کاربردهای عملی:
- سیستمهای کمک تشخیصی در رادیولوژی و پاتولوژی که توانایی تشخیص ضایعات را تسریع و دقت را افزایش میدهند.
- پایش علائم حیاتی لحظهای در بخشهای مراقبت ویژه و هشدارهای فوری به تیم درمانی.
- کیستهای تشخیصی سرطان گوارش و کیتهای آزمایشی طراحیشده با پشتیبانی یادگیری ماشینی برای تشخیص زودهنگام.
- پروژههای تولید دارویی مانند داروی SMA و سایر راهبردهای تولید بومی که علاوه بر حفظ امنیت زنجیره تأمین، صرفهجویی ارزی تا بیش از ۴۰ میلیون دلار را هدف قرار دادهاند.
ادغام هوش مصنوعی در بیمارستانها میتواند ضمن ارتقای کیفیت تشخیص و درمان، هزینههای عملیاتی را نیز کاهش دهد؛ مسئولان ادعا کردهاند که در مدلهایی از پیش اجراشده، کاهش هزینهها بین ۳۰ تا ۴۰ درصد مشاهده شده که رقمی قابلتوجه در مدیریت منابع نظام سلامت است.
صنایع انرژی، نفت و گاز: کاربردهای عملی و افزایش تولید
حوزه نفت و گاز و شبکه برق از دیگر عرصههایی است که هوش مصنوعی در آنها وارد فاز عملیاتی شده است. فاز دوم مرکز مدیریت یکپارچه چاه و مخزن (WRFM) قابلیتهای تحلیلی پیشرفتهای برای پایش و مدیریت چاهها به همراه داشت؛ اجرای عملیات هوشمند و اصلاحی در میدانهای نفتی سپهر و جفیر به افزایش میانگین تولید حدود ۱۲۵۰۰ بشکه در روز منجر شد. این عدد نمایانگر قابلیت هوش مصنوعی در بهینهسازی فرآیندهای تولید و عملیات میدانی است.
در حوزه برق، سامانه هوشمند نیروگاه شریعتی مشهد با بهرهگیری از سنسورها و تحلیلهای پیشبینی نگهداری، باعث کاهش خاموشیهای ناگهانی و افزایش پایداری شبکه شده است. چنین سامانههایی امکان تشخیص نواقص جزئی پیش از تبدیل شدن به خرابی بزرگ را فراهم میکنند که علاوه بر صرفهجویی، امنیت شبکه را بهبود میبخشد.
ورزش: تحلیل زاویه مفاصل و بهینهسازی تمرینات
ورزشکاران حرفهای نیز از مزایای هوش مصنوعی بینصیب نماندهاند. پروژههایی برای تحلیل دقیق زاویه مفاصل، شتاب و الگوی خستگی با استفاده از دستگاههای پوشیدنی و دوربینهای با کیفیت بالا اجرا شده است. این تحلیلها به مربیان امکان میدهد برنامههای تمرینی را شخصیسازی کنند، ریسک آسیب را پیشبینی و از بروز آن جلوگیری کنند. مرکز نوآوری هوش مصنوعی ورزش حاصل همکاری بین معاونت علمی، دانشگاهها و فدراسیونهاست که نمونهای از همافزایی بین علم و صنعت ورزش را نمایش میدهد.
آموزش و تربیت نیروی انسانی: از معلم تا دانشآموخته برتر
پوشش آموزشی گسترده یکی از بخشهای کلیدی هر استراتژی ملی در حوزه فناوری است. برنامههای آموزشی هوش مصنوعی در ایران شامل موارد زیر بودهاند:
- از بهمن ۱۴۰۳، دورههای تحصیلات تکمیلی در حدود ۲۰ دانشگاه برای تقویت آموزش در رشتههای مرتبط آغاز شد.
- آموزش هوش مصنوعی برای حدود یک میلیون دانشآموز از خرداد ۱۴۰۴ و دورههای ویژه برای صد هزار معلم از مهرماه در دستور کار قرار گرفت تا سواد دیجیتال و توانایی بهرهگیری از ابزارهای هوش مصنوعی در مدارس ارتقا یابد.
- حمایتهای پژوهشی شامل تصویب طرحهای دکتری، پسادکتری و کرسیهای پژوهشی، و جذب دانشآموختگان برتر برای هیئت علمی دانشگاهها.
این اقدامات نشان میدهد سیاستگذاران نسبت به ایجاد جریان پیوسته نیروی انسانی آگاه، توانمند و متعهد اهتمام داشتهاند؛ نکتهای که برای پایداری زیستبوم تحقیقاتی و تجاریسازی فناوری حیاتی است.
چالشها و موانع پیشِرو
با وجود پیشرفتها، موانعی نیز باقی است که باید مدیریت شوند تا پروژهها به جریان خودتقویتشونده تبدیل شوند. بخشی از این چالشها شامل موارد زیر است:
- دسترسی به دادههای باکیفیت و پایههای داده سازمانیافته برای آموزش مدلها؛ مسئلهای که شامل مباحث حریم خصوصی، حکمرانی داده و استانداردسازی فرمتها میشود.
- تأمین سرمایهگذاری بلندمدت، بهویژه در حوزه افزایشی ظرفیت پردازشی (پتافلاپس) و بهروزرسانی سختافزارها.
- جذب و نگهداشت نیروی انسانی متخصص با رقابت تنگاتنگ جهانی و پیشنهادهای مالی و پژوهشی از خارج کشور.
- پیچیدگیهای تنظیمگری و نیاز به چارچوب حقوقی برای استفاده ایمن و مسئولانه از AI در حوزههای حیاتی مانند سلامت و امور مالی.
- تضمین پیوستگی همکاری دانشگاه-صنعت و تبدیل نتایج پژوهشی به محصولات قابلعرضه بازار.
