نگاهی به زیرساخت‌های لازم برای توسعه پلتفرم‌های بومی هوش مصنوعی / GPU چیست و چرا در توسعه هوش مصنوعی نقش محوری دارد؟

به گزارش خبرنگار علم و فناوری خبرگزاری دانشجو، هوش مصنوعی (AI) به‌عنوان یکی از فناوری‌های تحول‌آفرین قرن بیست‌ویکم، در حال بازتعریف صنایع، اقتصادها و جوامع در سراسر جهان است.

در ایران، تلاش‌هایی برای توسعه پلتفرم‌های بومی هوش مصنوعی آغاز شده است که پتانسیل تقویت خودکفایی فناوری و رقابت منطقه‌ای را دارد. بااین‌حال، این مسیر با چالش‌های متعددی از جمله کمبود زیرساخت‌های مناسب، محدودیت‌های ناشی از تحریم‌ها، و سیاست‌گذاری‌های ناکارآمد مواجه است.

مسئولین اما اعلام کردند با تامین  ۷۰ پتافلاپس یعنی دست کم دو سرور، در حال گسترش این زیرساخت هستند، زیرساختی که البته در شرایط فعلی نیز بصورت پراکنده موجود است و باید ذیل یک سازمان مستقل و مرکزی توسعه پیدا کند.

این گزارش به بررسی زیرساخت‌های لازم برای توسعه پلتفرم‌های بومی هوش مصنوعی، نقش محوری واحدهای پردازش گرافیکی (GPU)، و نقد سیاست‌های دولت در این حوزه می‌پردازد.

۱. زیرساخت‌های لازم برای توسعه پلتفرم‌های بومی هوش مصنوعی

توسعه پلتفرم‌های بومی هوش مصنوعی نیازمند زیرساخت‌های چندگانه‌ای است که شامل سخت‌افزار، نرم‌افزار، داده، و نیروی انسانی متخصص می‌شود. این زیرساخت‌ها به‌عنوان ستون‌های اصلی اکوسیستم AI عمل می‌کنند و فقدان هرکدام می‌تواند پیشرفت را مختل کند.

۱.۱. زیرساخت‌های سخت‌افزاری: توان پردازشی

هوش مصنوعی، به‌ویژه در حوزه‌هایی مانند یادگیری عمیق (Deep Learning)، به توان پردازشی بسیار بالایی نیاز دارد. ایران در حال حاضر دارای توان پردازشی تجمیعی ۷۰ پتافلاپس است که ۲۰ پتافلاپس آن به‌صورت عملیاتی در اختیار شرکت‌های دانش‌بنیان، دانشگاه‌ها، و پروژه‌های اولویت‌دار قرار دارد. این زیرساخت‌ها بر پایه پردازنده‌های پیشرفته مانند H100، H200، و B200 شرکت NVIDIA طراحی شده‌اند و در مراکز تهران، کرج، و پردیس مستقر هستند. هدف‌گذاری ملی برای دستیابی به ۱ اگزافلاپس  تا پایان سال ۱۴۰۶ نشان‌دهنده عزم جدی دولت و حاکمیت برای تقویت این زیرساخت‌هاست.

بااین‌حال، دستیابی به این هدف چالش‌برانگیز است. پردازنده‌های پیشرفته مانند H100 به دلیل تحریم‌ها به‌سختی در دسترس قرار می‌گیرند . برای رسیدن به ۱ اگزافلاپس، ایران نیاز به صدها یا هزاران پردازنده پیشرفته، مراکز داده مجهز، و زیرساخت‌های انرژی پایدار دارد. این امر نیازمند سرمایه‌گذاری‌های کلان و همکاری‌های بین‌المللی است که در شرایط کنونی دشوار به نظر می‌رسد.

انویدیا اچ 200 مورد استفاده در ایران

۱.۲. زیرساخت‌های نرم‌افزاری: الگوریتم‌ها و پلتفرم‌ها
علاوه بر سخت‌افزار، توسعه الگوریتم‌های بومی و پلتفرم‌های نرم‌افزاری برای پردازش داده‌های محلی (مانند زبان فارسی) ضروری است. معاونت علمی اعلام کرده که بیش از ۱۵ شرکت دانش‌بنیان در حوزه مدل‌سازی هوش مصنوعی حمایت می‌شوند. این شرکت‌ها در حال توسعه مدل‌های زبانی بومی و الگوریتم‌های تخصصی هستند. بااین‌حال، نبود چارچوب‌های نرم‌افزاری استاندارد و APIهای قابل‌اتکا برای دسترسی به منابع پردازشی می‌تواند بهره‌وری این تلاش‌ها را کاهش دهد.

۱.۳. داده‌های بومی
یکی از گلوگاه‌های اصلی توسعه هوش مصنوعی بومی، نبود مخازن داده‌ای بزرگ و ساختاریافته به زبان فارسی است. مدل‌های پیشرفته AI مانند GPT یا BERT نیازمند مجموعه‌های داده‌ای عظیم برای آموزش هستند. در ایران، داده‌های موجود در حوزه‌هایی مانند سلامت، کشاورزی، یا آموزش اغلب پراکنده و غیرساختاریافته هستند. معاونت علمی می‌تواند با همکاری وزارتخانه‌های مربوطه، مخازن داده‌ای ملی ایجاد کند تا مدل‌های بومی مانند پردازش زبان طبیعی (NLP) برای زبان فارسی تقویت شوند.

۱.۴. نیروی انسانی متخصص
نیروی انسانی متخصص در حوزه AI، از پژوهشگران تا مهندسان نرم‌افزار، نقش کلیدی در توسعه پلتفرم‌های بومی دارد. ایران دارای استعدادهای قابل‌توجهی در این زمینه است، اما مهاجرت نخبگان به دلیل کمبود مشوق‌های مالی و زیرساخت‌های مناسب یک چالش جدی است. معاونت علمی باید برنامه‌های مهاجرت معکوس و بورسیه‌های تحصیلی را گسترش دهد تا این استعدادها حفظ شوند.

۱.۵. شبکه ملی پردازش اطلاعات
راه‌اندازی شبکه ملی پردازش، که بخشی از آن به‌زودی رونمایی خواهد شد، می‌تواند به‌عنوان ستون فقرات اکوسیستم AI بومی عمل کند. این شبکه امکان دسترسی شرکت‌ها و پژوهشگران به منابع پردازشی را فراهم می‌کند و می‌تواند از طریق پلتفرم‌های ابری مانند «سهاب» توسعه یابد. ایجاد APIهای استاندارد و رابط‌های کاربرپسند برای این شبکه حیاتی است.

۲. GPU چیست و چرا در توسعه هوش مصنوعی نقش محوری دارد؟

۲.۱. تعریف GPU
واحد پردازش گرافیکی (GPU) یک پردازنده تخصصی است که برای انجام محاسبات موازی طراحی شده است. برخلاف CPUها که برای پردازش‌های ترتیبی مناسب هستند، GPUها قادر به اجرای همزمان تعداد زیادی عملیات محاسباتی هستند. این ویژگی آن‌ها را برای کاربردهای هوش مصنوعی، به‌ویژه یادگیری عمیق، ایده‌آل می‌کند و این پردازنده ها به نوعی سخت افزار توسعه هوش مصنوعی به حساب می آیند.

۲.۲. نقش GPU در هوش مصنوعی
در یادگیری عمیق، مدل‌ها با استفاده از شبکه‌های عصبی مصنوعی آموزش داده می‌شوند که شامل محاسبات ماتریسی پیچیده هستند. این محاسبات به توان پردازشی بالایی نیاز دارند که GPUها به دلیل معماری موازی خود می‌توانند ارائه دهند. برای مثال:
آموزش مدل‌ها: آموزش یک مدل زبانی مانند BERT ممکن است نیازمند میلیاردها یا تریلیون‌ها عملیات ماتریسی باشد. GPUها این فرآیند را از هفته‌ها به چند روز یا حتی ساعت کاهش می‌دهند.
استنتاج (Inference): اجرای مدل‌های آموزش‌دیده برای کاربردهای عملی مانند چت‌بات‌ها یا سیستم‌های تشخیص تصویر نیز به GPU وابسته است.
پردازش داده‌های بزرگ: GPUها در تحلیل داده‌های کلان (Big Data) و پردازش بلادرنگ کاربرد دارند.

پردازنده‌های پیشرفته مانند NVIDIA H100، که در زیرساخت‌های ایران استفاده می‌شوند، تا ۳ ترافلاپس توان پردازشی ارائه می‌دهند و برای محاسبات هوش مصنوعی بهینه‌سازی شده‌اند. برای مثال، یک خوشه (Cluster) از ۱۰۰ پردازنده H100 می‌تواند توان پردازشی در حد پتافلاپس ایجاد کند، که برای آموزش مدل‌های پیشرفته کافی است.

۲.۳. چرا تامین GPU در ایران حیاتی است؟
در ایران، دسترسی به GPUهای پیشرفته به دلیل تحریم‌ها محدود است. بااین‌حال، استفاده از پردازنده‌هایی مانند H100 و H200 در مراکز داده نشان‌دهنده تلاش برای غلبه بر این محدودیت‌هاست. GPUها نه‌تنها برای آموزش مدل‌های بومی بلکه برای رقابت منطقه‌ای در حوزه‌هایی مانند سلامت، امنیت سایبری، و کشاورزی هوشمند ضروری هستند. بدون دسترسی به GPUهای کافی، ایران نمی‌تواند به هدف ۱ اگزافلاپس تا ۱۴۰۶ دست یابد.

۳. حمایت از توسعه هوش مصنوعی بومی در ایران

تلاش‌های معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری برای توسعه هوش مصنوعی بومی قابل‌تقدیر است. سرمایه‌گذاری بیش از ۱۰ هزار میلیارد تومان، حمایت از ۱۵ شرکت دانش‌بنیان، و برنامه‌ریزی برای شبکه ملی پردازش نشان‌دهنده تعهد به این حوزه است. استقرار زیرساخت‌ها در شهرهای تهران، کرج، و پردیس و استفاده از پردازنده‌های پیشرفته NVIDIA گام‌هایی مثبت در جهت خودکفایی فناوری هستند. هدف‌گذاری برای دستیابی به ۱ اگزافلاپس تا ۱۴۰۶، اگرچه جاه‌طلبانه، می‌تواند ایران را به یکی از بازیگران مهم منطقه‌ای در حوزه AI تبدیل کند.

ایجاد شبکه ملی پردازش و حمایت از شرکت‌های دانش‌بنیان به توسعه اکوسیستم AI بومی کمک می‌کند. این اقدامات می‌توانند استارت‌آپ‌ها و پژوهشگران را به منابع موردنیاز متصل کرده و نوآوری را تسریع کنند. علاوه بر این، تمرکز بر مدل‌های زبانی بومی مانند پردازش زبان فارسی می‌تواند کاربردهای عملی AI را در حوزه‌های آموزش، سلامت، و خدمات عمومی گسترش دهد.

۴. نگاهی به  سیاست‌های متناقض و عجیب دولت/ از اقدام مثبت توسعه بومی GPU  تا اشتباه بزرگ انحلال سازمان هوش مصنوعی

با وجود تلاش‌های معاونت علمی، سیاست‌های کلان دولت در حوزه هوش مصنوعی با انتقادات جدی مواجه است. یکی از مهم‌ترین این انتقادات، انحلال سازمان ملی هوش مصنوعی است که به‌عنوان نهادی متمرکز برای هماهنگی و سیاست‌گذاری در این حوزه ایجاد شده بود. این تصمیم به دلایل زیر مورد انتقاد قرار می‌گیرد:
فقدان هماهنگی بین‌نهادی: انحلال سازمان ملی هوش مصنوعی منجر به پراکندگی مسئولیت‌ها بین معاونت علمی، وزارت ارتباطات، و سایر نهادها شده است. این پراکندگی می‌تواند باعث موازی‌کاری، هدررفت منابع، و کاهش کارایی شود.
کاهش تمرکز استراتژیک: سازمان ملی هوش مصنوعی می‌توانست به‌عنوان یک نهاد مستقل، نقشه راه جامعی برای توسعه AI ارائه دهد. انحلال آن نشان‌دهنده نبود استراتژی منسجم در سطح ملی است.
پیامدهای بین‌المللی: در حالی که کشورهای منطقه مانند امارات و عربستان با ایجاد نهادهای متمرکز مانند «وزارت هوش مصنوعی» در حال رقابت جهانی هستند، انحلال سازمان ملی هوش مصنوعی ایران را از این رقابت عقب می‌اندازد.

۵. راهکارهای مطرح برای تقویت زیرساخت‌های AI بومی با توجه به تجربیات جهانی

برای غلبه بر چالش‌ها و تقویت توسعه پلتفرم‌های بومی هوش مصنوعی، موارد با توجه به اقدامات دیگر کشور ها زیر پیشنهاد می‌شود:
1. بازنگری در انحلال سازمان ملی هوش مصنوعی: احیای این سازمان یا ایجاد نهادی مشابه برای هماهنگی بین‌نهادی و تدوین استراتژی ملی AI ضروری است.

2. توسعه زیرساخت‌های سخت‌افزاری بومی: سرمایه‌گذاری در طراحی و تولید پردازنده‌های بومی یا همکاری با شرکت‌های خارجی برای مونتاژ GPUها در ایران.

3. ایجاد مخازن داده‌ای ملی: همکاری با وزارتخانه‌ها برای جمع‌آوری و ساختاردهی داده‌های بومی در حوزه‌های کلیدی مانند سلامت و آموزش.

4. تقویت شبکه ملی پردازش: ارائه APIهای استاندارد و دسترسی ابری به منابع پردازشی برای استارت‌آپ‌ها و پژوهشگران.

5. جذب استعدادها: ارائه بورسیه‌های تحصیلی، مشوق‌های مالی، و برنامه‌های حمایتی  برای متخصصان AI.

6. شفافیت و اطلاع‌رسانی: انتشار گزارش‌های دوره‌ای در مورد پیشرفت پروژه‌ها و تخصیص بودجه ها به منظور همراه کردن افکار عمومی و به طور خاص مجلس.

توسعه پلتفرم‌های بومی هوش مصنوعی در ایران پتانسیل بالایی برای تقویت خودکفایی فناوری و رقابت منطقه‌ای دارد. زیرساخت‌های پردازشی با توان ۷۰ پتافلاپس و هدف‌گذاری ۱ اگزافلاپس تا ۱۴۰۶، همراه با سرمایه‌گذاری‌های کلان و حمایت از شرکت‌های دانش‌بنیان، نشان‌دهنده عزم جدی معاونت علمی است. GPUها به‌عنوان قلب تپنده این زیرساخت‌ها، نقش محوری در آموزش و اجرای مدل‌های AI دارند. بااین‌حال، سیاست‌های ناکارآمد دولت، به‌ویژه انحلال سازمان ملی هوش مصنوعی، هماهنگی بین‌نهادی را تضعیف کرده و پیشرفت را کند کرده است. با اجرای راهکارهای پیشنهادی، ایران می‌تواند موانع را برطرف کرده و به یکی از بازیگران کلیدی AI در منطقه تبدیل شود.