تأکید رهبر انقلاب درباره هوش مصنوعی در دیدار با هیئت دولت

به گزارش سراج24؛ سجاد فلاحتکار در یادداشتی نوشت: هوش مصنوعی در دهه‌های اخیر به یکی از محورهای کلیدی تحولات تکنولوژیک و اقتصادی تبدیل شده است. این فناوری نه‌تنها به بهبود فرآیندهای صنعتی و تجاری کمک می‌کند، بلکه در حوزه‌های مختلفی از جمله بهداشت و درمان، حمل‌ونقل، آموزش و علوم اجتماعی نیز کاربردهای گسترده‌ای یافته است. به‌ویژه در شرایط کنونی که نیاز به راه‌حل‌های سریع و مؤثر برای چالش‌های جهانی مانند تغییرات اقلیمی، بحران‌های بهداشتی و اقتصادی احساس می‌شود، هوش مصنوعی به عنوان یک ابزار حیاتی و مؤثر شناخته می‌شود.

تأکید مهم رهبر انقلاب در اولین دیدار با هیئت دولت چهارم مربوط به هوش مصنوعی بود

با پیشرفت روزافزون فناوری‌های مرتبط با هوش مصنوعی به وضوح مشاهده می‌شود که دستیابی به موفقیت در این حوزه مستلزم درک عمیق و توجه به لایه‌های زیرین و زیرساخت‌های مربوط به آن است. این زیرساخت‌ها شامل مجموعه‌ای از عوامل و منابع هستند که برای طراحی، پیاده‌سازی و مدیریت سیستم‌های هوش مصنوعی ضروری می‌باشند. در این راستا، رهبر معظم انقلاب (مدظله العالی) در اولین دیدار با اعضای هیئت دولت چهاردهم با اشاره به رشد پرشتاب هوش مصنوعی در دنیا، بر ضرورت دستیابی به لایه‌های زیرساختی هوش مصنوعی در کشور تأکید کردند. این تأکید نشان‌دهنده نیاز به سرمایه‌گذاری در فناوری‌های بنیادی و ایجاد زیرساخت‌های لازم برای پیشبرد هوش مصنوعی در کشور است. در ادامه این یادداشت سعی شده است با یک دسته¬بندی مشخص و مناسب، ابعاد لایه‌های زیرساختی بیشتر مشخص شود. لازم به ذکر است، توسعه هوش مصنوعی به ابزار و اقدامات متعددی نیاز دارد اما در این میان بعضی از موارد حیاتی‌تر هستند که در اینجا به آن‌ها به عنوان لایه‌های زیرساختی پرداخته شده است. این لایه‌های زیر ساختی در سه بعد سخت‌افزاری، نرم‌افزاری و حاکمیتی قابل تقسیم‌بندی هستند.

جزء کلیدی توسعه هوش مصنوعی

بعد سخت‌افزاری در توسعه هوش مصنوعی از اهمیت بسزایی برخوردار است و به عنوان یکی از اجزای کلیدی به شمار می‌آید. قدرت پردازش بالا و توانایی اجرای محاسبات پیچیده که به ویژه در مدل‌های یادگیری عمیق مورد نیاز است، به سخت‌افزارهای پیشرفته مانند GPUها و TPUها وابسته است. این سخت‌افزارها به مدیریت داده‌های کلان و اجرای سریع الگوریتم‌ها کمک می‌کنند و زمان آموزش مدل‌ها را به شدت کاهش می‌دهند.علاوه بر این، زیرساخت‌های سخت‌افزاری مناسب امکان مدیریت داده‌های بزرگ را فراهم می‌آورند و به افزایش کارایی و سرعت پردازش کمک می‌کنند. این مهم به ویژه در پروژه‌های بزرگ و نیاز به مقیاس‌پذیری حیاتی است. همچنین محیط‌های سخت‌افزاری مناسب برای توسعه و آزمایش الگوریتم‌ها و ایجاد برنامه‌های کاربردی در زمان واقعی ضروری هستند. دسترسی به سخت‌افزارهای تخصصی به پژوهشگران و توسعه‌دهندگان این امکان را می‌دهد که نوآوری‌های جدید را سریع‌تر پیاده‌سازی کنند. مهم‌ترین زیرساخت‌های مورد نیاز در این بخش را می‌توان به دو صورت واحد پردازش گرافیکی (GPU) و سنسورها بیان کرد.

محاسبات بسیار پیچیده به صورت همزمان

واحدهای پردازش گرافیکی با طراحی خاص خود برای پردازش موازی، قابلیت انجام محاسبات بسیار پیچیده را به‌صورت هم‌زمان دارند. این ویژگی به‌ویژه در زمینه آموزش مدل‌های پیچیده یادگیری عمیق، اهمیت فوق‌العاده‌ای پیدا می‌کند. به‌عنوان مثال، در فرآیند آموزش یک شبکه عصبی عمیق، GPUها می‌توانند با سرعت بالا داده‌های ورودی را پردازش کرده و الگوریتم‌های یادگیری را به‌طور مؤثری اجرا کنند. این موضوع نه تنها زمان لازم برای آموزش مدل‌ها را به شدت کاهش می‌دهد، بلکه امکان آزمایش و بهینه‌سازی سریع‌تر مدل‌ها را نیز فراهم می‌کند. در نتیجه، پژوهشگران و توسعه‌دهندگان می‌توانند به سرعت به نتایج و بینش‌های جدید دست یابند و نوآوری‌های بیشتری در این حوزه ایجاد کنند.

سنسورها اطلاعات حیاطی از محیط جمع‌آوری می‌کنند

از سوی دیگر، سنسورها به‌عنوان دستگاه‌های ورودی و جمع‌آوری‌کننده داده، اطلاعات حیاتی را از محیط جمع‌آوری می‌کنند. این داده‌ها شامل تصاویر، صداها، حرکات و سایر اطلاعات محیطی هستند که برای یادگیری و تحلیل مدل‌های هوش مصنوعی ضروری‌اند. سنسورها به مدل‌ها اجازه می‌دهند تا از تجربیات واقعی و اطلاعات محیطی بهره‌برداری کنند و به این ترتیب، دقت و کارایی مدل‌ها را افزایش می‌دهند. به عنوان مثال، در خودروهای خودران، سنسورهای مختلفی از جمله دوربین‌ها، رادارها و لیزرها اطلاعات لازم را برای درک محیط و اتخاذ تصمیمات ایمن جمع‌آوری می‌کنند.

تراشه؛ مغز الکترونیکی هوش مصنوعی

تولید واحدهای پردازش گرافیکی (GPU) و سنسورها به تکنولوژی پیشرفته ساخت نیمه‌هادی‌ها نیاز دارد. این تکنولوژی شامل فرآیندهای پیچیده‌ای است که برای طراحی و تولید تراشه‌های سیلیکونی به کار می‌رود. اهمیت این موضوع از آنجا ناشی می‌شود که تراشه‌ها به‌عنوان مغز الکترونیکی هر سیستم کامپیوتری و هوش مصنوعی، نقش اساسی در پردازش داده‌ها و اجرای الگوریتم‌ها دارند.تراشه‌ها با قابلیت‌های محاسباتی خود، توانایی انجام محاسبات پیچیده و پردازش حجم بالای داده‌ها را فراهم می‌کنند. این ویژگی به‌ویژه در زمینه هوش مصنوعی، که نیاز به پردازش سریع و بهینه داده‌ها دارد، حیاتی است. به‌علاوه، سنسورها که برای جمع‌آوری داده‌های دنیای واقعی از محیط طراحی شده‌اند، به‌طور مستقیم به پردازش داده‌های هوش مصنوعی کمک می‌کنند. این سنسورها می‌توانند اطلاعات مهمی را از جمله تصاویر، صداها، و سیگنال‌های دیگر جمع‌آوری کنند که برای آموزش و بهینه‌سازی مدل‌های هوش مصنوعی ضروری است. بنابراین بدون وجود تراشه‌های مناسب و با کیفیت، توسعه و پیشرفت در زمینه هوش مصنوعی با چالش‌های جدی مواجه خواهد شد.

تولیدکنندگان اصلی تراشه کدام کشورها هستند؟

کشورهایی مانند ایالات متحده، کره جنوبی، و تایوان در این زمینه به‌طور پیشرفته‌ای فعالیت می‌کنند و به‌عنوان تولیدکنندگان اصلی تراشه‌های نیمه‌هادی شناخته می‌شوند. این کشورها با سرمایه‌گذاری‌های کلان در تحقیق و توسعه، توانسته‌اند فناوری‌های پیشرفته‌ای را در تولید تراشه‌ها به‌کار بگیرند که به آن‌ها این امکان را می‌دهد که نیازهای روزافزون بازار فناوری اطلاعات و ارتباطات را برآورده کنند.

اهمیت تولید تراشه در کشور برای توسعه هوش مصنوعی

کشور ایران اگر می‌خواهد به‌طور جدی به توسعه هوش مصنوعی بپردازد، باید تولید تراشه‌های نیمه‌هادی را در اولویت‌های استراتژیک خود قرار دهد. این اقدام نه‌تنها به افزایش توانمندی‌های داخلی در زمینه تولید سخت‌افزار کمک می‌کند، بلکه به استقلال فناوری و کاهش وابستگی به واردات نیز می‌انجامد. با توجه به رشد روزافزون هوش مصنوعی در جهان و تأثیر آن بر صنایع مختلف، ایجاد زیرساخت‌های لازم برای تولید تراشه‌ها و توسعه فناوری‌های مرتبط، می‌تواند به پیشرفت‌های اقتصادی و علمی کشور کمک شایانی کند.

لایه‌های زیرساختی نرم‌افزاری

مهم‌ترین لایه در بعد نرم‌افزاری برای توسعه هوش مصنوعی، لایه الگوریتم‌ها و مدل‌ها است. این لایه شامل الگوریتم‌ها و روش‌هایی است که به سیستم‌های هوش مصنوعی امکان یادگیری، تحلیل و تصمیم‌گیری می‌دهد. این الگوریتم‌ها پایه و اساس فرآیندهای یادگیری در هوش مصنوعی را تشکیل می‌دهند. یادگیری ماشین به سیستم‌ها این امکان را می‌دهد که از داده‌ها یاد بگیرند و بدون نیاز به برنامه‌نویسی صریح، به پیش‌بینی‌ها و تصمیم‌گیری‌ها بپردازند. یادگیری عمیق، که زیرمجموعه‌ای از یادگیری ماشین است، به‌ویژه در کاربردهایی مانند پردازش تصویر، پردازش زبان طبیعی و شناسایی صدا به کار می‌رود.کتابخانه‌ها و فریم‌ورک‌های نرم‌افزاری مانند TensorFlow، PyTorch، Keras و Scikit-learn ابزارهایی را فراهم می‌کنند که توسعه‌دهندگان و پژوهشگران می‌توانند به راحتی مدل‌های هوش مصنوعی را طراحی، پیاده‌سازی و آزمایش کنند. این ابزارها به ساده‌سازی فرآیندهای پیچیده یادگیری و تحلیل کمک می‌کنند و زمان توسعه را به طرز قابل توجهی کاهش می‌دهند. داده‌کاوی و تحلیل داده نیز به جمع‌آوری، پاک‌سازی و آماده‌سازی داده‌ها برای آموزش مدل‌ها اختصاص دارد. داده‌کاوی شامل تکنیک‌هایی برای استخراج اطلاعات و الگوهای مفید از داده‌های بزرگ و پیچیده است. داده‌های با کیفیت و مناسب برای آموزش مدل‌های هوش مصنوعی ضروری هستند و به همین دلیل فرآیند آماده‌سازی داده‌ها باید به دقت انجام شود.

لایه‌های زیرساختی هوش مصنوعی در بُعد حاکمیتی

مهم‌ترین مسئله در بخش حاکمیتی هوش مصنوعی که کشور ایران حتما باید بر روی توسعه و مدیریت آن فعالیت جدی داشته باشد، ایجاد پایگاه داده و حکمرانی داده، به همراه تربیت نیروی انسانی مستعد و حرفه‌ای در این حوزه است. حکمرانی داده به مجموعه‌ای از فرآیندها، سیاست‌ها و رویه‌ها اشاره دارد که به منظور مدیریت و نظارت بر داده‌ها، شامل جمع‌آوری، ذخیره‌سازی، پردازش و استفاده از داده‌ها در تصمیم‌گیری‌ها و سیاست‌گذاری‌ها، طراحی می‌شود. در دنیای امروزی، داده‌ها به عنوان یکی از ارزشمندترین منابع محسوب می‌شوند و داشتن پایگاه داده مناسب و کارآمد می‌تواند تأثیر عمیقی بر کیفیت و دقت الگوریتم‌های هوش مصنوعی و تصمیم‌گیری‌های مبتنی بر داده داشته باشد.

نداشتن قانون مشخص در مورد داده‌ها اعتماد عمومی به هوش مصنوعی را از بین می‌برد

ایجاد پایگاه داده مناسب نیازمند جمع‌آوری داده‌های معتبر و با کیفیت از منابع مختلف است. این داده‌ها باید به‌گونه‌ای سازماندهی و ذخیره شوند که به راحتی قابل دسترسی و تحلیل باشند. علاوه بر این، حاکمیت داده‌ها شامل تعیین مالکیت، حق دسترسی و حفظ حریم خصوصی کاربران نیز می‌شود که در شرایط کنونی اهمیت بالایی دارد. عدم وجود قوانین و چارچوب‌های مشخص در این زمینه می‌تواند منجر به استفاده نادرست از داده‌ها و عدم اعتماد عمومی به سیستم‌های هوش مصنوعی شود.در کنار این مسائل، تربیت نیروی انسانی مستعد و حرفه‌ای در حوزه هوش مصنوعی نیز بسیار حیاتی است. نیروی انسانی، با تخصص و مهارت‌های لازم در زمینه تحلیل داده‌ها، طراحی الگوریتم‌ها و پیاده‌سازی سیستم‌های هوش مصنوعی، می‌تواند نقش کلیدی در پیشبرد و توسعه این فناوری ایفا کند. برای دستیابی به این هدف، باید برنامه‌های آموزشی و پژوهشی مؤثری ایجاد شود که به تربیت متخصصان توانمند در زمینه‌های مختلف هوش مصنوعی بپردازد. این برنامه‌ها باید شامل آموزش‌های نظری و عملی باشد و همچنین به توسعه مهارت‌های نرم مانند تفکر انتقادی، حل مسئله و کار گروهی توجه کنند.