در همایش AI Summit 2025 که در دانشکدههای دانشگاه تهران برگزار شد، مقامات مرتبط از جمله احسان چیتساز به تشریح رویکردهای سیاستگذاری و عملیاتیسازی زیستبوم هوش مصنوعی پرداختند. محورهای اصلی صحبتها شامل رگولاسیون اپراتورهای هوش مصنوعی با الزام ظرفیت پردازشی حداقلی، انتقال فناوری دیتاسنترهای سطح Tier 4، و برنامههای توسعه نیروی انسانی بود. در این مقاله، ضمن بازنمایی و بازنویسی سخنان مطرحشده، تحلیلهایی فنی، اقتصادی و حکمرانی درباره مسیر پیش رو ارائه میکنیم.
چرا مدلهای تنظیمگری در جهان متفاوت است؟
یکی از نکات اولیهای که در سخنرانی مطرح شد این بود که هیچ «آچار جهانشمول» برای تنظیم هوش مصنوعی وجود ندارد؛ کشورهای مختلف براساس مزیتها، تاریخچه صنعتی، ساختار سیاسی و نیازهای اجتماعی خود، مدلهای متفاوتی را در پیش گرفتهاند. به طور خلاصه میتوان سه الگوی غالب را نام برد:
- الگوی غربی (آمریکا و بخشی از اتحادیه اروپا): رشد از پایین به بالا، محوریت شرکتها و دانشگاهها، و نقش دولت بهعنوان هماهنگکننده و تنظیمکننده متعادل. در این مدل نوآوری تجاری و علمی محرک اصلی است؛ اما در حوزههایی که امنیت ملی در خطر است، محدودیتهای مشخص اعمال میشود.
- الگوی چینی: برنامهریزی متمرکز از بالا به پایین، تعریف سهم بازار، تعیین اهداف ظرفیت پردازشی و هدایت منابع برای توسعه سریع و کنترل اجتماعی. در این مدل ساختار دولتمحور و جهتدهی استراتژیک باعث تسریع نوآوری و توسعه زیرساختها شده است.
- الگوهای کوچک و منعطف (سنگاپور، امارات و برخی کشورهای کوچک دیگر): استفاده از رگولاتوری چابک، سندباکسهای آزمایشی، و تمرکز بر جذب سرمایه انسانی و ایجاد برند ملی. این کشورها میتوانند با سرعت بالایی سیاستها را اصلاح کنند و محیط آزمونگری سریعی برای توسعه فراهم آورند.
این تقسیمبندی نشان میدهد که طراحی سیاستگذاری هوش مصنوعی چیزی فراتر از تقلید صرف از یک مدل خارجی است؛ باید مدل ترکیبی متناسب با شرایط ملی طراحی شود؛ مدلی که هم فضا برای نوآوری ایجاد کند و هم ریسکهای اجتماعی و امنیتی را مدیریت نماید.
الزامات اپراتور هوش مصنوعی: ۲۰۰ پتافلاپس و معنای آن
از نکات برجسته اعلامشده این است که اپراتورهای هوش مصنوعی باید ظرفیت پردازشی حداقلی 200 پتافلاپس را داشته باشند. این الزام رگولاتوری چند پیامد مهم دارد:
- تمرکز سرمایه و شکلگیری اپراتورهای بزرگ: چنین آستانهای باعث میشود که بازار به سمت شکلگیری چند بازیگر بزرگ حرکت کند که بتوانند سرمایه و زیرساخت لازم را تجمیع کنند.
- نیاز به تامین مالی قابل توجه: ایجاد و نگهداری ظرفیت پردازشی 200 پتافلاپس نیازمند سرمایهگذاری هنگفت در زیرساخت، انرژی و خنککنندگی است و از این رو تامین مالی نزدیک به میلیاردها دلار ضروری خواهد بود.
- چالشهای زیستمحیطی و انرژی: دیتاسنترها با چنین مقیاس پردازشی، مصرف انرژی و نیاز به مدیریت حرارتی بسیار بالایی خواهند داشت؛ به همین دلیل برنامهریزی برای منابع انرژی پایدار و صرفهجویی انرژی باید جزو طرحهای اولیه باشد.
- رقابت فناورانه: داشتن آستانه پردازشی بالا به معنی رقابت بر سر دسترسی به پردازندههای پیشرفته (مثل GPUها و پردازندههای 7 نانومتری) و فناوریهای ذخیرهسازی و شبکه با تاخیر پایین است.
این الزامات همچنین پیامدهای حکمرانی و انحصارطلبی را مطرح میکند؛ از یک سو ظرفیت بالای ورود را محدود میکند و از سوی دیگر اگر کنترل مناسبی وجود نداشته باشد، ریسک تمرکز قدرت دادهای و پردازشی افزایش مییابد. بنابراین تنظیم قواعد رقابتی، شفافیت در اعطای مجوز و تعریف چارچوبهای ضدانحصار ضروری است.
انتقال فناوری دیتاسنتر Tier 4؛ چرا مهم است و چه چالشهایی دارد؟
Tier 4 در استانداردهای دیتاسنتر نشاندهنده بالاترین سطح قابلیت اطمینان، افزونگی کامل و توانایی تحمل خطا بدون قطعی سرویس است. انتقال فناوری دیتاسنتر Tier 4 به داخل کشور به این معنی است که میتوان محیطهای ابری با تحمل خطای بالا و در دسترسپذیری مستمر ساخت که برای سرویسهای حیاتی هوش مصنوعی لازم است. اما این انتقال با چالشهای متنوعی همراه است:
- نیاز به زیرساخت فیزیکی پیشرفته: از سیستمهای برق دوبل و ژنراتورهای پشتیبان تا سیستمهای خنککنندگی مبتنی بر مایع یا جریان هوا با طراحی خاص.
- استانداردها و گواهیها: برای بهرهبرداری مطمئن و تطابق با استانداردهای بینالمللی، باید فرایندهای تست، صدور گواهی و نگهداری تعریف شده و نهادهای مرجع وجود داشته باشند.
- انتقال دانش فنی و نیروی متخصص: تنها واردات تجهیزات کافی نیست؛ اپراتوری، راهبری و نگهداری دیتاسنتر Tier 4 مستلزم نیروی انسانی آموزشدیده و فرایندهای مؤثر نگهداری است.
- تامین مالی و ساختار مالکیتی: پروژههای بزرگ دیتاسنتر به سرمایهگذاران طولانیمدت و ساختارهای سهامداری مناسب نیاز دارند؛ همچنین مدلهای تامین مالی ترکیبی از سرمایه خصوصی و حمایتی دولتی میتواند کارساز باشد.
در گزارش مطرحشده گفته شد که انتقال فناوری Tier 4 به داخل انجام شده و حدود 700 میلیون دلار منابع نزدیک به این حوزه تأمین مالی شده است. این اقدامات نشاندهنده پیشرفت قابل توجه در لایه زیرساختی است؛ اما برای تبدیل شدن به زیربنای ملی هوش مصنوعی، ادامه و تعمیق این روند ضروری است.
زنجیره ارزش هوش مصنوعی: از عناصر پایه تا مدلها
هوش مصنوعی نتیجه ترکیب چند لایه فناورانه است که با هم تعامل میکنند. در صحبتهای ارائهشده، این لایهها چنین توضیح داده شدند: عناصر کمیاب و مواد پایه (گالیم، ژرمانیوم، سیلیکون و سایر عناصر)، ساخت پردازندهها و تراشهها، شکلدهندههای پروسسورها، شرکتهای سازنده پردازنده، دیتاسنترها و کانکتویتی، شتابدهندهها و GPUها، مدلها و الگوریتمها، و در نهایت اپلیکیشنها، خدمات و سرمایه انسانی. برخی نکات کلیدی هر لایه عبارتند از:
- عناصر کمیاب: دسترسی به مواد اولیه و راهبرد تامین عناصر پایه میتواند مزیت رقابتی بلندمدت ایجاد کند. برنامهریزی راهبردی برای دسترسی به منابع و حلقههای تامین داخلی یا شراکتهای بینالمللی ضروری است.
- پردازندهها و نانومتری: پردازندههای 7 نانومتری یکی از مزیتهای رقابتی چین عنوان شده و بخش خصوصی کشور نیز به سمت مشارکت و سهامداری در شرکتهای هدف حرکت کرده است تا از طریق یادگیری و انتقال تکنولوژی به بلوغ برسد.
- دیتاسنتر و کانکتویتی: داشتن دیتاسنترهای مدرن، شبکههای فیبرنوری پهنپهن و مراکز تبادل ترافیک (IXP) شرط لازم برای عملکرد موثر مدلهای مبتنی بر پردازش توزیعشده است.
- مدلها و الگوریتمها: حتی با داشتن زیرساخت قوی، بدون سرمایه انسانی، پژوهش و دادهٔ باکیفیت، توسعه مدلهای رقابتی دشوار است؛ بنابراین سرمایهگذاری در تحقیق و توسعه و جذب نیروی متخصص بخش مهمی از زنجیره است.
تمرکز سیاستگذار بر توسعه همزمان چند لایه نشان میدهد که نگاه صرفاً نرمافزاری یا صرفاً سختافزاری به هوش مصنوعی کافی نیست؛ هر لایه باید همتراز پیش برود تا اکوسیستم بتواند به نتیجه برسد.
حکمرانی داده و بازارگاه داده: زیرساخت حقوقی و بازاری
در متن گزارش به تهیه چارچوب حکمرانی داده اشاره شده است که با مشارکت بخش خصوصی در حال نهایی شدن است. حکمرانی داده مفهومی فراتر از حفاظت حریم خصوصی است و شامل مالکیت داده، کیفیت داده، دسترسی و تسهیل به اشتراکگذاری ایمن، و قوانین مربوط به بازارگاه داده میشود. نکات مهم در این حوزه عبارتند از:
- حفظ تعادل بین امنیت و نوآوری: تدابیر محافظهکارانه ممکن است نوآوری را کند کنند؛ از طرف دیگر، بیتوجهی به امنیت و حقوق افراد میتواند هزینههای اجتماعی عظیمی ایجاد کند. رویکردی مبتنی بر تحلیل ریسک و سندباکسهای قانونی میتواند راهگشا باشد.
- بازارگاه داده با محوریت بخش خصوصی: تاکید شد که بازارگاه داده باید در اختیار بخش خصوصی باشد تا از تصدیگری دولتی جلوگیری شود، اما نیاز به نهادهای نظارتی و چارچوبهای شفاف برای جلوگیری از سوءاستفاده هست.
- قواعد جابجایی بینالمرزی داده: با توجه به تعاملات بینالمللی، تعیین مقررات انتقال داده و استانداردهای حفاظت بینالمللی اهمیت دارد؛ بهخصوص در تعامل با ابرپلتفرمهای خارجی و شرکای فناور.
اجرای یک چارچوب حکمرانی داده که هم اعتماد عمومی را جلب کند و هم کارایی اکوسیستم را افزایش دهد، نیازمند تعامل نزدیک میان دولت، بخش خصوصی، دانشگاهها و جامعه مدنی است.
سرمایهگذاری، بودجه و نقش وزارت ارتباطات
احسان چیتساز اشاره کرد که بودجه وزارت ارتباطات محدود است و جمع بودجهای معادل ۲۰ همت (واحد پولی مورد اشاره) بیشتر نیست؛ در حالی که برای شکلدادن به یک زیستبوم هوش مصنوعی حداقل به رقمی در حدود ۵ میلیارد دلار سرمایه نیاز است. این شکاف مالی نشان میدهد که راهحلهای متنوعی باید در نظر گرفته شود:
- جذب سرمایه خصوصی و ایجاد سازوکارهای تشویقی مالیاتی و سرمایهگذاری مشترک (PPP)
- ایجاد سازوکارهای حمایتی برای شکست بازار: در نقاطی که بازار به تنهایی قادر به خلق زیرساخت نیست، نقش دولت میتواند مکمل باشد—اما باید موقتی و هدفمند باشد.
- تامین مالی پروژههای زیربنایی از طریق صندوقهای سرمایهگذاری دولتی-خصوصی و قراردادهای بلندمدت خرید خدمات (مانند خرید تضمینی ظرفیت پردازشی)
همچنین اشاره شد که وزارت ارتباطات نقش اجرا دارد و مجری سیاستهای مصوب در سطوح بالاتر (مانند شورای عالی فضای مجازی) است. این تقسیم نقش میان نهادهای تصمیمگیر و اجرایی باید به شفافیت و مسئولیتپذیری منجر شود تا منابع محدود با اثربخشی به کار گرفته شوند.
آموزش نیروی انسانی و بازنگری ساختارهای آموزشی
یکی از دغدغههای مهم در سخنرانی توسعه نیروی انسانی بود. تغییرات سریع تکنولوژیک نشان میدهد مدلهای سنتی آموزش عالی ممکن است با سرعت لازم همگام نشوند. برخی اقدامات پیشنهادی و در حال اجرا عبارتند از:
- اصلاح سرفصلهای آموزشی و طراحی دورههای کوتاهمدت مهارتی با همکاری سازمان آموزش فنی و حرفهای و وزارت علوم.
- پذیرش مدلهای آموزش مبتنی بر مهارت بجای الزامات مرسوم ورود به دانشگاه: بسیاری از مهارتهای مورد نیاز در حوزه هوش مصنوعی را میتوان در دورههای فشرده، کارآموزی صنعتی و برنامههای مبتنی بر پروژه آموخت.
- بازنگری فصلی یا هر شش ماهه در محتوای آموزشی: تاکید بر انعطافپذیری برای همگامسازی با سرعت تحولات فناورانه.
- ایجاد شراکتهای دانشگاه-صنعت برای تربیت نیروی عملی و استفاده از پروژههای واقعی در فرآیند یادگیری.
چیتساز حتی آیندهای را تصور کرد که در چند سال آینده انسانها ممکن است به صورت متوسط ساعات کار هفتگی خود را کاهش دهند؛ این سناریو نیازمند بازنگری اساسی در نظام تأمین اجتماعی، درآمد پایه و ساختارهای آموزشی برای آمادهسازی افراد برای نقشهای جدید است.
ملاحظات فنی: ورکینگ مموری، GPU و پردازش ابری
یکی از نکات فنی جذاب مطرحشده این است که ظرفیتهای پردازشی ابزارهای هوش مصنوعی اغلب از ظرفیتهای شناختی انسانی در برخی جنبهها (مثلاً حافظه فعال یا working memory) پیشی گرفته است. این واقعیت پیامدهای عملیاتی و اخلاقی دارد:
- طراحی تعامل انسان-ماشین باید متناسب با تواناییهای برتر محاسباتی ماشینها تنظیم شود؛ این شامل بازتعریف وظایف، استانداردهای کنترل و چارچوبهای تصمیمگیری است.
- باید امکانات و استانداردهایی برای شفافیت عملکرد مدلها و امکان مدیریت خطا تعریف شود، بهخصوص زمانی که سیستمهای هوش مصنوعی در نقشهای حساس وارد میشوند.
- ترکیب GPUها و شتابدهندههای تخصصی با زیرساخت دیتاسنتر Tier 4 و شبکههای کمتاخیر برای بارهای کاری ML و inference بحرانی است؛ طراحی معماری ابری برای بهرهوری انرژی و هزینه از اولویتهاست.
از منظر صنعتی، دسترسی به پردازندههای پیشرفته و طراحان تراشه و نیز توسعه فناوری داخلی در لایههای پایینتر (مانند بستهبندی، خنکسازی و مدیریت انرژی) از نکات تعیینکننده رقابتپذیری ملی محسوب میشود.
پیشنهادها و مسیر عملیاتی پیش رو
با توجه به مباحث فوق، چند پیشنهاد عملیاتی که میتواند سیاستگذاران و ذینفعان را در مسیر عملیاتیسازی زیستبوم هوش مصنوعی یاری دهد عبارتند از:
- تدوین نقشه راه ملی هوش مصنوعی با تمرکز بر چند لایه همزمان: زیرساخت، پردازش، داده، نیروی انسانی و بازار.
- حمایت مالی هدفمند برای ایجاد اپراتورهای بزرگ پردازشی (در قالب شراکتهای عمومی-خصوصی) و جلوگیری از انحصار از طریق مقررات رقابتی و شفافیت در اعطای مجوزها.
- گسترش انتقال فناوری در لایههای حیاتی مانند دیتاسنتر Tier 4 و فناوری پردازنده از طریق موافقتنامههای بینالمللی و پروژههای مشترک صنعتی.
- ایجاد چارچوب حکمرانی داده که حقوق شهروندان، امنیت ملی و نیازهای پژوهشی و تجاری را متوازن کند و بازارگاه داده را با محوریت بخش خصوصی پیادهسازی کند.
- بازنگری ساختارهای آموزشی و ایجاد مسیرهای سریع مهارتی برای تربیت هزاران نیروی متخصص مورد نیاز.
- توسعه سیاستهای انرژی و زیستمحیطی ویژه دیتاسنترها تا مصرف انرژی بالای مراکز پردازشی با راهکارهای پایدار (مثلاً بهرهگیری از انرژیهای تجدیدپذیر و خنکسازی کارا) هماهنگ شود.
در نهایت، چالش اصلی تبدیل اقدامات فعلی به یک چهارچوب پیشران و مزیت رقابتی پایدار ملی است که نیازمند عزم و تغییر ذهنیت در سطوح بالا تا لایههای اجرایی است. برنامههایی که امروز آغاز شدهاند، اگر با سرعت، منابع و هماهنگی لازم ادامه پیدا کنند، میتوانند زیستبوم هوش مصنوعی کارا و رقابتی را در کشور شکل دهند.
این مسیر پیچیده، هم نیاز به سرمایهگذاری مالی و فناورانه دارد و هم نیاز به بازتعریف ساختارهای حکمرانی و آموزشی. اما تجربه کشورهای مختلف نشان میدهد که با نقشه راه روشن، شراکت مناسب بین بخش خصوصی و دولتی و تمرکز بر انتقال فناوری و تربیت نیروی انسانی، امکان بهرهبرداری موثر از موج هوش مصنوعی وجود دارد.
