پنل تخصصی «دستیابی به عمق هوش مصنوعی در لایه مدل» با حضور اساتید، متخصصان و فعالان حوزه هوش مصنوعی، امروز در پژوهشگاه ارتباطات و فناوری اطلاعات برگزار شد. این نشست با هدف بررسی چالش‌ها، اولویت‌ها و نقش بخش‌های مختلف در تعمیق فناوری هوش مصنوعی در کشور و همچنین سرمایه‌گذاری بر مدل‌های زبانی بزرگ، برگزار گردید.

به گزارش روابط عمومی پژوهشگاه ارتباطات و فناوری اطلاعات (مرکز تحقیقات مخابرات ایران)؛ پنل تخصصی «دستیابی به عمق هوش مصنوعی در لایه مدل» در پژوهشگاه ICT برگزار شد. این نشست به همت مرکز نوآوری و توسعه هوش مصنوعی پژوهشگاه ارتباطات و فناوری اطلاعات و با حضور جمعی از کارشناسان، اساتید دانشگاه و مدیران این حوزه برگزار گردید.

در ابتدای این نشست، دکتر محمد هادی بکائی، رئیس مرکز نوآوری و توسعه هوش مصنوعی پژوهشگاه، گزارشی از برنامه‌های کشورهای پیشرفته در حوزه هوش مصنوعی ارائه کرد و بر ضرورت برنامه‌ریزی مدون در داخل کشور، به منظور همگام شدن با تحولات روز فناوری جهان، تأکید نمود.

وی در ادامه، به حجم عظیم داده‌های مورد نیاز برای آموزش مدل‌های پیشرفته مانند GPT-4 اشاره کرد و گفت: «مدل GPT-4 با استفاده از 13 تریلیون توکن آموزش داده شده است. این میزان، شامل متون مختلفی مانند کتاب‌ها، مقالات، وب‌سایت‌ها و کدهای برنامه‌نویسی است. برای درک بزرگی این عدد، تصور کنید که یک کتاب معمولی حدود 100 هزار توکن دارد. یعنی این مدل معادل مطالعه 65 میلیون جلد کتاب داده دریافت کرده است. این حجم از اطلاعات، برابر با تمامی کتاب‌های موجود در بزرگترین کتابخانه‌های جهان است.»
وی افزود: «این موضوع نشان می‌دهد که مدل‌های پیشرفته هوش مصنوعی، چه میزان اطلاعات علمی را پردازش کرده‌اند و ما برای رسیدن به این سطح، نیازمند سرمایه‌گذاری جدی در بخش داده و زیرساخت هستیم.»

پس از ارائه این مقدمه، پنل تخصصی نشست با دبیری دکتر بکائی و حضور اعضای پنل، دکتر آرش امینی، عضو هیئت علمی دانشکده مهندسی برق دانشگاه صنعتی شریف، دکتر حسین خسروپور، مدیر رصد و سیاست‌گذاری وزارت ارتباطات و فناوری اطلاعات، محمد جاویدنیا، مدیر اجرایی مرکز نوآوری و توسعه هوش مصنوعی، و حمیدرضا سلطانعلی‌زاده، سرپرست فنی مرکز هوش مصنوعی تحقیقات پارت برگزار شد.

در این پنل، دکتر آرش امینی با اشاره به ضرورت ورود به لایه‌های عمیق مدل، اظهار داشت: «برای دستیابی به استقلال در لایه مدل، باید وارد لایه عمیق شویم و آنچه در کشور نیاز داریم، مبنای طراحی مدل‌ها قرار گیرد. امروز شاهدیم که روی بسیاری از مدل‌ها کار می‌شود که در آینده کشور را دچار مشکلات جدی خواهد کرد.»

دکتر حسین خسروپور نیز با تأکید بر لزوم کاهش وابستگی در عمق هوش مصنوعی گفت: «باید ابتدا به سمت کاهش وابستگی در عمق هوش مصنوعی حرکت کنیم. این فرآیند دارای گام‌های مختلف است و تمرکز بر مدل‌ها در اولویت قرار دارد. یادگیری و درک، اهداف اصلی مدل در هوش مصنوعی هستند. همچنین، باید نگاه تخصصی و واقع‌بینانه‌ای نسبت به مدل‌های موجود در جهان داشته باشیم. کشور ما باید ابتدا یک مدل را مبنا قرار داده و این موضوع را به صورت عملی و تحقیقی در اولویت بگذارد تا بتوانیم در سطح منطقه پیشرو باشیم. در کنار این، توجه به اقتصاد حوزه هوش مصنوعی ضروری است؛ چراکه هیچ حوزه‌ای بدون در نظر گرفتن مسائل اقتصادی به موفقیت نخواهد رسید.»

حمیدرضا سلطانعلی‌زاده نیز با اشاره به محدودیت‌های پردازشی در کشور بیان کرد: «اگر به زیرساخت‌های پردازشی نگاه کنیم، با محدودیت‌هایی روبرو هستیم، اما نیروی انسانی توانمند موجود در کشور می‌تواند با بهره‌گیری از مدل‌های خارجی، مدل بومی متناسب با نیازهای کشور را طراحی کند تا بتوانیم در حوزه عمق مدل، به بهره‌وری مطلوب برسیم.»

در ادامه این نشست، اعضای پنل به بحث درباره معماری مدل در هوش مصنوعی پرداختند و معماری Deepseek را مورد بررسی قرار دادند.

دکتر آرش امینی در این بخش گفت: «به عنوان یک دانشگاهی، معتقدم باید به تمام ایده‌ها فکر کرد و همه مسیرها را آزمود. اما باید واقع‌بین باشیم؛ چراکه برای آزمایش ایده‌های جدید در معماری مدل‌ها، به زیرساخت‌های پردازشی نیاز داریم که در کشور با محدودیت‌هایی مواجه هستیم.»

دکتر حسین خسروپور نیز همکاری دانشگاه و صنعت را در این زمینه ضروری دانست و افزود: «در بحث معماری مدل‌های هوش مصنوعی، ابتدا باید بر همکاری دانشگاه و صنعت تمرکز کنیم. امروز برخی شرکت‌های داخلی به خوبی این مسیر را پیش می‌برند. البته، با توجه به وضعیت اقتصادی کشور، این همکاری باید با ریسک پایین انجام شود.»

حمیدرضا سلطانعلی‌زاده نیز تأکید کرد: «برای انتخاب معماری مدل هوش مصنوعی در کشور، باید نیازهای داخلی و زیرساخت‌های موجود را در نظر گرفت. زیرساخت، بودجه و ظرفیت بخش خصوصی، تعیین‌کننده نوع معماری خواهد بود. این رویکردی است که در شرکت‌های معتبر بین‌المللی نیز دنبال می‌شود.»

یکی دیگر از مباحث این پنل، موضوع سرمایه‌گذاری بر مدل‌های زبانی بزرگ در کشور و بررسی صرفه اقتصادی آن بود.

دکتر آرش امینی در این باره اظهار داشت: «تعریف مدل زبان بزرگ ملی در هر سازمان متفاوت است. تولید یک مدل بزرگ ملی، با وضعیت فعلی شرکت‌های داخلی که به‌صورت جزیره‌ای عمل می‌کنند، غیرممکن است و صرفاً منجر به هدررفت زمان و هزینه خواهد شد. مگر اینکه این فرآیند به‌صورت منسجم پیش برود که در آن صورت نیز خروجی کوتاه‌مدتی خواهد داشت؛ زیرا فناوری‌های جهانی در این حوزه همواره در حال تغییر هستند.»

دکتر حسین خسروپور نیز این موضوع را یک مسئله راهبردی دانست و گفت: «سرمایه‌گذاری بر مدل زبان بزرگ ملی، از لحاظ اقتصادی در شرایط فعلی به‌صرفه نیست. اما این موضوع باید در سطح راهبردی توسط دولت مدیریت شود. توسعه آن، با همکاری و رقابت بخش خصوصی عملی خواهد شد. دولت باید زیرساخت‌ها را فراهم کرده و از طریق ارائه تسهیلات، از بخش خصوصی حمایت کند. در حال حاضر، منابع انسانی متخصص در این حوزه وجود دارد، اما نیاز به حمایت جدی از سوی دولت احساس می‌شود.»

حمیدرضا سلطانعلی‌زاده نیز خاطرنشان کرد: «مدل بزرگ زبانی ملی باید به‌صورت منسجم و ملی اجرا شود. اگر این پروژه در یک سازمان خاص محدود شود، شکست خواهد خورد. ما ظرفیت‌های ارزشمندی در کشور داریم و بسیاری از نخبگان ما برای شرکت‌های خارجی در این حوزه کار می‌کنند. باید با ایجاد زیرساخت مناسب و سرمایه‌گذاری ملی، از این ظرفیت‌ها بهره گرفته و پروژه‌های بزرگی را در کشور اجرا کنیم.»

این پنل تخصصی که با استقبال خوب کارشناسان و علاقه‌مندان مواجه شد، در پایان با اعطای گواهی حضور از سوی پژوهشگاه ارتباطات و فناوری اطلاعات به شرکت‌کنندگان، به کار خود پایان داد. هدف از برگزاری این نشست، فراهم کردن بستری برای تعامل میان نهادهای حاکمیتی، دانشگاه‌ها و بخش خصوصی و بررسی راهکارهای بومی‌سازی و توسعه هوش مصنوعی در کشور اعلام شد.