سندیکای تولید کنندگان لوله و پروفیل فولادی ایران

ایران در حالی تلاش می‌کند خود را به قطار هوش مصنوعی برساند که از یک سو با کمبود داده‌های باکیفیت، زیرساخت پردازشی و سرمایه‌گذاری مواجه است و از سوی دیگر، بخش مهمی از مدیران هنوز مرز میان تحول دیجیتال و تحول مبتنی بر هوش مصنوعی را نمی‌شناسند. در نشست بررسی وضعیت هوش مصنوعی در اتاق بازرگانی تهران، کارشناسان تاکید کردند که راه ایران برای حضور در این عرصه الزاماً از ساخت مدل‌های بزرگ نمی‌گذرد؛ بلکه باید با تعیین جایگاه کشور در زنجیره ارزش، توسعه زیرساخت داده و تمرکز بر کاربردهای واقعی، هوش مصنوعی را وارد مسائل اصلی اقتصاد کند. هوش مصنوعی در ایران در نقطه‌ای ایستاده که از یک‌سو تقاضا برای متخصصان این حوزه در حال افزایش است و از سوی دیگر، مجموعه‌ای از موانع زیرساختی، داده‌ای، سرمایه‌گذاری و مدیریتی، مسیر توسعه آن را کند کرده است. بررسی وضعیت این فناوری در ایران نشان می‌دهد کشور در پذیرش هوش مصنوعی حدود هفت سال از میانگین جهانی عقب مانده و بخش قابل‌توجهی از کسب‌وکارها نیز هنوز سرمایه‌گذاری محدودی در این حوزه انجام داده‌اند. در چنین شرایطی، فعالان اقتصادی و دانشگاهی معتقدند مساله اصلی ایران نه صرفاً ساخت مدل‌های بومی، بلکه تعیین جایگاه کشور در زنجیره ارزش هوش مصنوعی و فراهم کردن زمینه استفاده واقعی از این فناوری در اقتصاد است. در این راستا پیوست گزارش کرد نشست بررسی وضعیت هوش مصنوعی در ایران و شاخص آمادگی کشور در این حوزه در اتاق بازرگانی تهران برگزار شد و در آن فعالان حوزه فناوری درباره زیرساخت، سرمایه‌گذاری، سرمایه انسانی، بازار کار، پذیرش فناوری و الزامات تنظیم‌گری و حکمرانی هوش مصنوعی صحبت کردند. شهاب جوانمردی، عضو هیات‌رییسه اتاق تهران، در این نشست با تاکید بر اینکه صرف استفاده بنگاه‌ها از هوش مصنوعی را نمی‌توان تحول بنگاه‌ها دانست، گفت: وقتی هوش مصنوعی منجر به بازآفرینی مدل کسب‌وکار شود، می‌توان اثر آن را در بنگاه مشاهده کرد. بهبود عملیات، تصمیم‌گیری هوشمند و بازآفرینی کسب‌وکار از نتایج استفاده از هوش مصنوعی است. او در ادامه به پنج حلقه مفقوده برای مقیاس‌پذیری اشاره کرد و گفت: دسترسی به داده محدود است و داده‌ها نیز کیفیت لازم را ندارند. همچنین زیرساخت پردازشی برای ارایه خدمات کفایت نمی‌کند و سرمایه انسانی آمادگی لازم را ندارد.
اثر هوش مصنوعی بر نیروی انسانی
او با اشاره به اثر هوش مصنوعی بر نیروی انسانی گفت: بنگاه‌ها باید روی موضوع سرمایه انسانی تمرکز کنند تا استفاده از هوش مصنوعی به نفع بنگاه، همکاران و جامعه باشد. جوانمردی تامین مالی را نیز یکی از موضوعات مهم دانست و بر ضرورت تنظیم‌گری با قواعد پایدار تاکید کرد. او گفت: ما گاهی به جای تنظیم‌گری با تهدیدگری و تحدیدگری مواجه می‌شویم. عضو هیات‌رییسه اتاق تهران همچنین با اشاره به سرمایه‌گذاری کشورهای همسایه روی زیرساخت‌های پردازشی گفت: این سرمایه‌گذاری‌ها جدی‌تر شده است و نباید این حوزه در دسترس چند نهاد خاص باشد. او تاکید کرد: باید از انتشار گزارش‌های سالانه عبور کرد و به سمت تدوین برنامه‌های اقدام مشترک رفت. جوانمردی همچنین تنظیم‌گری را یکی دیگر از موضوعات مهم این حوزه دانست و گفت: «معیار موفقیت هوش مصنوعی، تعداد بنگاه‌هایی است که با استفاده از این فناوری بهره‌وری و رشد خود را افزایش داده‌اند، نه تعداد مقالات و پژوهش‌های منتشرشده.»
ابعاد ژئوپلیتیک هوش مصنوعی
در ادامه فرزین فردیس، عضو هیات‌رییسه اتاق تهران، با اشاره به ابعاد ژئوپلیتیک هوش مصنوعی گفت: برای بسیاری هوش مصنوعی ترسناک شده است و در همین لحظه پنج شرکت بزرگ دنیا در حال تسلط کامل بر این فضا هستند. به گفته فردیس، ۶۷ درصد زیرساخت‌های ابری دنیا در انحصار سه شرکت آمازون AWS، مایکروسافت و گوگل کلاد قرار دارد. او با اشاره به عرضه مدل پیشرو شرکت آنتروپیک گفت: وزارت بازرگانی ایالات متحده بلافاصله دستور داده این سرویس نباید به افراد غیرامریکایی ارایه شود و آنتروپیک نیز دسترسی‌ها را قطع کرده تا سازوکار تطبیق با این دستور حاکمیتی را پیاده‌سازی کند. فردیس این موارد را واقعیت‌های دنیای امروز دانست و گفت: موضوع انحصار در لایه سخت‌افزار و چیپ‌ست‌ها، از جمله دعواهای سیلیکون و انویدیا، نیز بر کسی پوشیده نیست و اینکه این تجهیزات به چه کسی، با چه تعرفه‌ای و چگونه فروخته شوند، کاملا کنترل می‌شود. او همچنین گفت: حدود ۱.۶ میلیارد نفر در ۲۰ کشور مختلف با محدودیت‌های حاکمیتی و تحریمی برای استفاده از سرویس‌های پیشرفته هوش مصنوعی مواجه هستند. فردیس یکی از نگرانی‌های جدی را نشت داده‌های سازمانی از طریق پرامپت‌نویسی در دستیارهای هوش مصنوعی بین‌المللی دانست. به گفته او، موج بزرگی از هشدارها در دنیا درباره افشای اطلاعات حساس سازمان‌ها توسط کارکنان شکل گرفته است. کارکنان ناخواسته داده‌های مهم شرکت‌ها را برای دریافت تحلیل روی پلتفرم‌ها و مدل‌های زبانی بزرگ بین‌المللی بارگذاری می‌کنند. او گفت شرکت‌های بزرگ دنیا محدودیت‌های سختی برای جلوگیری از استفاده از داده‌های سازمانی در ابزارهای عمومی ایجاد کرده‌اند. به گفته فردیس، زبان فارسی و داده‌های حساس ملی باید در داخل کشور پردازش شوند و همانطور که برای پایداری زیرساخت‌های انرژی، مخابرات و بانکی کشور هزینه‌های امنیتی و سرمایه‌گذاری انجام می‌شود، برای زیرساخت‌های پردازشی و داده‌ای هوش مصنوعی نیز باید سرمایه‌گذاری استراتژیک صورت گیرد. او در پایان تاکید کرد: مساله هوش مصنوعی حاکمیتی یک فانتزی نیست، بلکه موضوعی امنیت ملی و استراتژیک است.
اهمیت داده در توسعه هوش مصنوعی
همچنین در پنل تخصصی هوش مصنوعی اتاق بازرگانی تهران، فرهاد نیلی، استاد مدعو دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف، با اشاره به اهمیت داده در توسعه هوش مصنوعی گفت: «ما مثل کسانی هستیم که می‌خواهند فوتبال بازی کنند؛ زمین را آماده می‌کنند، یارکشی می‌کنند و گران‌ترین لباس‌ها را می‌خرند، اما توپ فوتبال ندارند.» او با بیان اینکه هوش مصنوعی بدون داده مانند خودروی بدون سوخت است، ادامه داد: «در حوزه داده، حاکمیت داده و شناخت ارزش زنجیره داده، مسائل بلاتکلیف زیادی وجود دارد. از سوی دیگر، ایجاد زیرساخت داده به امکانات و زیرساخت‌های عمومی نیاز دارد و شرکت‌ها به‌تنهایی نمی‌توانند آن را فراهم کنند.» نیلی درباره چرخه سرمایه‌گذاری در هوش مصنوعی نیز گفت: «در حال حاضر یک حرکت پاندولی شکل گرفته است؛ روی هوش مصنوعی سرمایه‌گذاری می‌کنیم، اما به دلیل نبود داده تمیز و ساختاریافته شکست می‌خوریم و دوباره به عقب برمی‌گردیم و می‌گوییم امتحان کردیم و نشد.»
چهار خلأ در مسیر توسعه
هوش مصنوعی سازمانی
نیلی در ادامه به چهار موضوع پرداخت که به گفته او در گزارش ارایه‌شده درباره هوش مصنوعی کمتر به آنها توجه شده است. نخستین موضوع، مدل کسب‌وکار هوش مصنوعی سازمانی بود. او گفت باید مشخص شود به‌کارگیری هوش مصنوعی در سازمان‌ها چگونه هزینه‌های خود را جبران می‌کند. به گفته نیلی، سرمایه‌گذاری اولیه بالا و بازگشت دیرهنگام سرمایه، جریان نقدی شرکت‌ها را تحت فشار قرار می‌دهد؛ از همین‌رو لازم است تجربه سازمان‌های موفق در مدیریت این مساله بررسی شود. دومین موضوع، نحوه جذب و همکاری با متخصصان هوش مصنوعی بود. نیلی گفت: پرداخت دستمزدهای بالا به این متخصصان می‌تواند در شرکت‌ها حساسیت ایجاد کند؛ زیرا حقوق آنها حدود ۷۰ درصد بیشتر از سایر کارکنان است. او درباره تجربه شرکت‌های کوچک خود توضیح داد: «به‌جای انعقاد قرارداد بلندمدت، مساله را تعریف می‌کنیم و سه ماه به متخصص فرصت می‌دهیم تا محصول اولیه یا MVP را ارایه کند. اگر نتیجه موفقیت‌آمیز باشد، قرارداد برای سه ماه دیگر تمدید می‌شود تا محصول به مرحله فروش برسد.» کمبود مجموعه‌داده‌های فارسی سومین مساله‌ای بود که نیلی مطرح کرد. او گفت: تعداد مجموعه‌داده‌های فارسی در دسترس به‌شدت پایین و نگران‌کننده است و داده کافی برای آموزش مدل‌های هوش مصنوعی فارسی وجود ندارد. چهارمین موضوع نیز نبود نمونه‌های کاربردی ملموس بود. نیلی تاکید کرد: بدون ارایه نمونه‌های واقعی، نمی‌توان مدیران مالی و مدیران کسب‌وکار را به سرمایه‌گذاری در هوش مصنوعی متقاعد کرد. او برای نمونه به بانک‌ها اشاره کرد و گفت: باید مشخص شود هوش مصنوعی در فرایندهای داخلی و پشتیبانی بانک تا چه اندازه خطا را کاهش می‌دهد؛ زیرا نرخ خطای بالای پنج درصد برای بانک پذیرفتنی نیست.
چالش مدیرانی که تفاوت تحول دیجیتال
و هوش مصنوعی را نمی‌فهمند
عمادالدین فاطمی‌زاده، معاون ستاد هوش مصنوعی، با اشاره به وضعیت نیروی انسانی این حوزه گفت: ایران از نظر برنامه‌نویسان، متخصصان نظری و نیروهای ماهر هوش مصنوعی با کمبود مواجه نیست؛ هرچند مدیریت مشخصی بر ورود و خروج این نیروها وجود ندارد. او مشکل اصلی را در بدنه دولت و تا حدی بخش خصوصی، ناآشنایی مدیران با تفاوت میان تحول دیجیتال و تحول مبتنی بر هوش مصنوعی دانست. به گفته فاطمی‌زاده، بسیاری از افراد ابزارهای ساده هوشمندسازی یا سامانه‌های معمول اتوماسیون را به نام هوش مصنوعی به دولت و شرکت‌ها می‌فروشند. برخی مدیران نیز هوش مصنوعی را صرفاً در ابزارهایی مانند ChatGPT خلاصه می‌کنند. فاطمی‌زاده تاکید کرد: باید هرچه سریع‌تر مدیرانی تربیت شوند که تفاوت این مفاهیم را بشناسند و بتوانند بدون احساس تهدید، زمینه ورود هوش مصنوعی به سازمان‌های خود را فراهم کنند.
ایران باید جایگاه خود را در زنجیره
ارزش هوش مصنوعی مشخص کند
ایمان میرعمادی، دانشیار دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف، با اشاره به گزارش شاخص هوش مصنوعی (AI Index) گفت: مسیر توسعه این فناوری در همه کشورها یکسان نیست و هر کشور متناسب با توانمندی‌ها و محدودیت‌های خود در بخش مشخصی از زنجیره ارزش هوش مصنوعی حضور پیدا می‌کند. او مهم‌ترین اشتباه ایران در سطح سیاست‌گذاری و بنگاه‌ها را مشخص نبودن جایگاه کشور در این زنجیره دانست و پرسید: «آیا قرار است در ساخت یک مدل زبانی بزرگ بومی موفق شویم، صنایع خود را با هوش مصنوعی نوسازی کنیم یا زیرساخت داده مناسبی بسازیم؟» میرعمادی گفت: ایران با توجه به محدودیت منابع و بحران‌های زیرساختی، به‌ویژه در حوزه انرژی، نمی‌تواند همزمان در همه بخش‌های زنجیره ارزش هوش مصنوعی سرمایه‌گذاری کند و ناچار است اولویت‌های خود را مشخص کند. او با اشاره به تجربه انقلاب‌های فناورانه پیشین گفت برندگان دوران گسترش برق، کامپیوتر و موتورهای درون‌سوز لزوماً کشورهایی نبودند که این فناوری‌ها را اختراع کردند؛ بلکه کشورهایی موفق شدند که توانستند آنها را در بخش‌های مختلف اقتصاد خود به کار بگیرند و گسترش دهند. بر همین اساس، میرعمادی تاکید کرد: تمرکز ایران باید بر پذیرش و گسترش کاربرد فناوری (Adoption & Diffusion) باشد، نه ساخت مدل‌های بزرگ از ابتدا. به گفته او، نمونه‌های موفق استفاده از هوش مصنوعی در صنایع مختلف که به کاهش هزینه یا افزایش درآمد منجر شده‌اند، باید شناسایی و به عنوان الگو در اختیار سایر کسب‌وکارها قرار گیرند. میرعمادی ایران را در کنار کشورهایی مانند برزیل، اندونزی، نیجریه و آفریقای جنوبی قرار داد و گفت: این کشورها نه از امکانات کافی برای رقابت با بازیگران بزرگ سازنده مدل برخوردارند و نه آنقدر کوچک‌اند که بتوانند در برابر این تحول منفعل بمانند. او تاکید کرد: ایران باید واقع‌بینانه نقش یک استفاده‌کننده توانمند از مدل‌های موجود (Model Taker) را بپذیرد و به‌جای تمرکز بر ساخت مدل‌های جدید، توان خود را صرف استفاده موثر از این ابزارها در بخش‌های مختلف اقتصاد کند. میرعمادی در پایان با اشاره به تفاوت وضعیت ایران و کشورهای منطقه گفت: عربستان و امارات بر تامین برق و ایجاد زیرساخت‌های بزرگ هوش مصنوعی تمرکز کرده‌اند؛ اما ایران با کمبود برق و گاز مواجه است و این مساله توسعه زیرساخت‌های فیزیکی هوش مصنوعی را با محدودیتی جدی روبرو می‌کند.