تحلیل مدل‌های زبانی از سند ملی هوش مصنوعی

این روزها که گستره کاربردهای هوش مصنوعی هر روز عرصه جدیدی را فتح و زمینه‌های جدیدی در اختیار پژوهشگران قرار می‌دهد، فرصت مغتنمی است که از این ظرفیت ایجاد شده استفاده و با چاشنی خلاقیت، نظر تحلیلی مدل‌های زبانی رایج هوش مصنوعی را در مورد سند ملی هوش مصنوعی کشور بپرسیم و بخواهیم که پیشران‌ها و عدم قطعیت‌های کلیدی و در نهایت سناریوهای آینده هوش مصنوعی در کشور را بر اساس تصویری که سند ملی هوش مصنوعی برای ما ایجاد می‌کند، ترسیم کنند و اگر نقدی بر آن وارد است، آن را با ارائه راهکار بیان کنند. هوش مصنوعی با ظرفیت‌های گسترده‌ای که در تحلیل و توسعه دارد، می‌تواند به کمک آینده‌پژوهان بیاید و پیشران‌ها، عدم قطعیت‌ها و سناریوهای مختلفی را برای آینده هوش مصنوعی در کشور بر اساس سند ملی ارائه دهد.

مقایسه خروجی مدل‌های زبانی مختلف، قابلیت‌های - شاید به ظاهر پنهان- هر کدام را از حیث توسعه زنجیره افکار (Chain of Thought) (پاسخ‌های دقیق‌تر و متفکرانه‌تر با تفکر چند مرحله‌ای) را به نمایش می‌گذارد. مطابق روش علمی، در گام‌های نخستین سناریونویسی ابتدا پویش محیطی‌(بررسی مجموعه عوامل داخلی و محیطی تاثیرگذار بر موضوع) انجام و سپس نظر خبرگان حوزه تخصصی در قالب پنل‌های خبرگان اخذ می‌شود.

در این اقدام فرض بر این گذاشته شد که مدل‌های زبانی به مجموعه‌ای از داده‌های مختلف دسترسی دارند و به عنوان یک سیستم خبره (Expert system) عمل می‌کنند. به این منظور، پلتفرم‌های هوش مصنوعی داخلی و بین‌المللی برای تحلیل این سند به کار گرفته شدند و در فرآیندی شش‌ مرحله‌ای از مدل‌های زبانی خواسته شد تا نقش آینده‌پژوهی ایفا کنند و سناریوهای مختلفی برای پیاده‌سازی این سند در شرایط عدم قطعیت موجود پیشنهاد کنند. در این تحلیل از پلتفرم‌های هوش مصنوعی همراه اول، GPT-۴o mini از OpenAI و Gemini از Google Bard استفاده شد. رویکرد کار به‌صورت شش ‌مرحله‌ای به شرح زیر برنامه‌ریزی شده است:

۱- تعریف نقش آینده‌پژوه برای هوش مصنوعی: در گام اول از مدل‌های زبانی خواسته شد تا در نقش یک آینده‌پژوه، مفاهیم کلیدی مانند پیشران‌ها، عدم قطعیت‌ها و سناریوها را شناسایی و تحلیل کنند. مدل‌ها به بررسی کلی سند و نقشی که به عنوان یک نقشه‌راه جامع دارد، پرداختند و عموما دیدگاه مثبتی نسبت به تحلیل سند برای شناخت عدم قطعیت‌ها و پیشران‌های کلیدی داشتند.

۲- تحلیل محتوای سند و شناسایی پیشران‌ها و عدم قطعیت‌ها: پس از دسترسی مدل‌ها به متن کامل سند، از آنها خواسته شد تا پیشران‌ها و عدم قطعیت‌های کلیدی را شناسایی کنند. نتایج نشان داد که مدل‌ها با ادبیات و دامنه موضوعی متفاوت، اما تقریبا یکسان بر عواملی مانند زیرساخت‌های فنی و قانونی، حمایت دولت و پیشرفت فناوری به عنوان پیشران‌های کلیدی و پذیرش اجتماعی، تنظیم‌گری و حاکمیت داده و چالش‌های اخلاقی و مالی به عنوان عدم قطعیت‌های کلیدی تاکید داشتند.

۳- انتخاب مهم‌ترین پیشران‌ها و عدم قطعیت‌ها: در این مرحله از مدل‌ها درخواست شد تا پیشران‌های کلیدی و عدم قطعیت‌های اساسی را برای خلق سناریوها انتخاب کنند. مدل‌ها با توجه به تحلیل خود، عواملی مانند حمایت دولتی، تامین مالی پایدار و تربیت نیروی انسانی را از میان پیشران‌ها و سرعت تغییرات فناوری، پذیرش اجتماعی و تنظیم‌گری قانونی را به عنوان عدم قطعیت‌های اساسی معرفی کردند.

۴- خلق سناریوهای دو در دو: در گام بعدی مدل‌های زبانی بر اساس روش سناریونویسی پیتر شوارتز (رویکرد عدم قطعیت بحرانی) و در چارچوب یک ماتریس دو در دو، چهار سناریوی مختلف برای آینده هوش مصنوعی در ایران ترسیم کردند. این سناریوها توسط هر مدل به ‌صورت جداگانه نام‌گذاری و توصیف شدند و برای هر کدام از آنها یک روایت کلی توصیف و بازیگران کلیدی آن مشخص شدند.

مدل‌های زبانی پلتفرم‌Avalai دو مدل سناریو ارائه دادند(در ادامه بازیگران کلیدی مربوط به هر سناریو داخل پرانتز درج شده است).

سناریو‌های مدل زبانی اول(GPT۴- o mini) عبارتند از: آینده روشن: همگرایی هوش مصنوعی و جامعه (دولت، دانشگاه‌ها، شرکت‌های دانش‌بنیان، سازمان‌های غیردولتی)، چالش‌ها و بحران‌ها: هوش مصنوعی در بن‌بست (دولت، رسانه‌ها، گروه‌های اجتماعی)، فرصت‌های ناپایدار: رشد و رکود (دولت، بخش خصوصی، نهادهای مالی) و تکنولوژی و کنترل: سلطه هوش مصنوعی (دولت، نهادهای امنیتی، جامعه مدنی).سناریو‌های مدل زبانی دوم (Llama۳.۱ ۷۰B) با نام‌های افق روشن، آشفتگی، انقلاب و انحطاط معرفی شدند و هیچ بازیگر کلیدی برای آن معرفی نشد!

سناریو‌های مدل زبانی (GPT ۴o mini) عبارتند از: اوج‌گیری فناوری بومی(دولت و نهادهای حاکمیتی، شرکت‌های خصوصی، دانشگاه‌ها و مراکز تحقیقاتی)، فرصت‌های از دست رفته(دولت و نهادهای حاکمیتی، شرکت‌های خصوصی، دانشگاه‌ها و مراکز تحقیقاتی)، چالش‌های مداوم(دولت و نهادهای حاکمیتی، شرکت‌های خصوصی و استارت‌آپ‌ها، جامعه بین‌المللی) و شکاف دیجیتال عمیق‌تر(دولت و نهادهای حاکمیتی، بخش خصوصی، نیروی کار متخصص).

در نهایت سناریو‌های مدل زبانی (Gemini) هم عبارتند از: پرتو امید، هوش مصنوعی فراگیر و پیشرو(بخش خصوصی، دانشگاه‌ها و مراکز تحقیقاتی، شرکت‌های دانش‌بنیان)، سایه تردید، هوش مصنوعی محدود و وابسته(دولت، بخش خصوصی، دانشگاه‌ها و مراکز تحقیقاتی، شرکت‌های خارجی)، شکاف عمیق، هوش مصنوعی نابرابر و انحصاری(دولت، شرکت‌های بزرگ، گروه‌های قدرتمند) و در نهایت آینده روشن، هوش مصنوعی اخلاقی و مسوولانه(دولت، دانشگاه‌ها و مراکز تحقیقاتی، جامعه مدنی، شرکت‌های فناوری).

۵- نقد و پیشنهاد برای بهبود سند ملی هوش مصنوعی: مدل‌ها به دو پرسش درباره نقدهای اساسی و پیشنهادهای خود برای بازنگری سند پاسخ دادند. در این مرحله مدل‌ها بر مسائل مختلفی از جمله کم‌توجهی به بخش خصوصی، نقش محدود زیرساخت‌های اجرایی و ضعف در همکاری بین‌المللی و آموزش عمومی تاکید کردند و پیشنهادهایی مانند گسترش حمایت از بخش خصوصی، تامین منابع مالی و زیرساخت‌ها و ایجاد نقشه راه‌های اجرایی برای پیاده‌سازی ارائه دادند.

۶- جمع‌بندی و تحلیل عملکرد مدل‌ها: در پایان عملکرد مدل‌ها مورد ارزیابی قرار گرفت و نتایج نشان داد که مدل‌های GPT-۴o mini و Gemini بهترین تحلیل‌ها بر اساس زنجیره افکار را ارائه داده‌اند. مدل Gemini با ارائه پرسش‌های جدید برای بحث و تحلیل بیشتر در هر مرحله، انعطاف‌پذیری و توسعه‌یافتگی بیشتری نشان داد.

چالش‌های اجرای سند بر اساس سناریوهای خلق شده

پس از تحلیل، هر کدام از مدل‌های زبانی به چهار سناریوی اصلی برای آینده هوش مصنوعی در ایران رسیدند. این سناریوها به گونه‌ای طراحی شده‌اند که به چالش‌های مختلفی که ممکن است در مسیر پیاده‌سازی سند ملی هوش مصنوعی به ‌وجود بیاید، اشاره کنند. در ادامه برخی از این چالش‌ها و موانع اجرایی براساس سناریوهای خلق شده، بررسی می‌شود:

چالش پذیرش عمومی و اجتماعی: یکی از چالش‌های اساسی مساله پذیرش اجتماعی فناوری‌های نوین است. در سناریوهایی که هوش مصنوعی به‌طور گسترده در جامعه حضور دارد، میزان پذیرش عمومی و اعتماد به این فناوری اهمیت بیشتری پیدا می‌کند.

چالش‌های قانونی و تنظیم‌گری: با توجه به پیشرفت سریع فناوری، تنظیم‌گری‌های قانونی در زمینه حاکمیت داده و ملاحظات اخلاقی هوش مصنوعی ممکن است نیازمند بازنگری‌های مداوم باشند. این چالش در سناریوهایی که بر مقررات شدید دولتی و حاکمیت ملی تاکید دارند، برجسته‌تر است.

چالش‌های زیرساختی و تامین مالی: یکی از عوامل کلیدی موفقیت هرگونه سیاستگذاری فناوری، تامین منابع مالی و زیرساخت‌های لازم است. سناریوهایی که به کمبود زیرساخت‌های فنی و مالی می‌پردازند، بر ضرورت سرمایه‌گذاری و توسعه زیرساخت‌های لازم تاکید می‌کنند.

چالش‌های همکاری بین‌المللی: در برخی از سناریوها که به تعاملات جهانی و همکاری بین‌المللی برای رشد سریع‌تر هوش مصنوعی توجه دارند، محدودیت‌های سیاسی و اقتصادی کشور می‌تواند مانع از دستیابی به اهداف سند شود.

چالش‌های آموزشی و نیروی انسانی: تربیت و آموزش نیروی متخصص در حوزه هوش مصنوعی یکی دیگر از چالش‌های اصلی مطرح شده است. در سناریوهایی که توسعه سریع فناوری و بومی‌سازی هوش مصنوعی در اولویت قرار دارد، کمبود نیروی انسانی ماهر می‌تواند به عنوان یک مانع جدی تلقی شود.

در نهایت تحلیل سناریوهای آینده برای هوش مصنوعی ایران نشان می‌دهد که هر کدام از مسیرهای ممکن، چالش‌ها و فرصت‌های خاص خود را دارند. سناریوهایی که بر خودکفایی و تنظیم‌گری شدید دولتی متمرکز هستند، با ساختارهای کنونی سازگاری بیشتری نشان می‌دهند؛ در حالی که سناریوهایی که بر همکاری‌های بین‌المللی و نوآوری تاکید دارند، پتانسیل بالاتری برای رشد سریع‌تر دارند. مدل‌های زبانی در تحلیل این سناریوها به نقاط مشترک کلیدی مانند نقش حیاتی دولت، اهمیت زیرساخت‌های دیجیتال و نیاز به تربیت نیروی انسانی اشاره کرده‌اند. به‌طور کلی نتایج تحلیل‌ها حاکی از آن است که دستیابی به آینده‌ای مطلوب برای هوش مصنوعی در ایران نیازمند توازن میان نوآوری و تنظیم‌گری، تقویت زیرساخت‌های دیجیتال و سرمایه‌گذاری در آموزش و پژوهش است. ایجاد هم‌افزایی میان بازیگران مختلف، به‌ویژه دولت، بخش خصوصی و مراکز علمی می‌تواند گام موثری برای تحقق این هدف باشد.