بر اساس مشاهدات و تحلیل‌های صورت گرفته از نمایشگاه الکامپ ۲۸، “تب هوش مصنوعی” به شکل فراگیری در تمام غرفه‌ها و پنل‌های گفتگو مشهود بود. تقریباً تمام شرکت‌ها، از استارتاپ‌های نوپا تا سازمان‌های بزرگ، سعی داشتند محصولات و خدمات خود را با برچسب AI به نمایش بگذارند. این “شور و هیجان” گسترده، نشان‌دهنده آگاهی بازار ایران از اهمیت این ترند جهانی است.
اما در پس این هیاهو، یک واقعیت نگران‌کننده نیز وجود داشت: کمبود دستاوردهای عملی و محصولات واقعی. بسیاری از آنچه تحت عنوان “هوش مصنوعی” ارائه می‌شد، در عمل یا تنها یک ایده اولیه بود، یا یک کپی ساده از مدل‌های زبان بزرگ جهانی (مانند ChatGPT) با یک رابط کاربری فارسی، و یا استفاده‌های بسیار سطحی و پیش پا افتاده از این فناوری. این شکاف عمیق بین “ادعا” و “واقعیت”، سوالات جدی را در مورد وضعیت بلوغ و استراتژی اکوسیستم هوش مصنوعی ایران مطرح می‌کند.
بخش ۲: تحلیل پیمان امیدی (متخصص استراتژی دیجیتال و فناوری)
این پدیده “شور بسیار و دستاوردهای اندک” یک اتفاق تصادفی نیست؛ بلکه نشانه یک بیماری شایع در اکوسیستم‌های فناوری در حال توسعه است که من آن را “سندروم دنباله‌روی از هایپ” (Hype-Following Syndrome) می‌نامم.
۱. استراتژی اول: از “حل مسئله” به “چسباندن برچسب”
- مشکل اصلی: بسیاری از شرکت‌ها به جای اینکه از خود بپرسند “چه مشکل واقعی از مشتریانم را می‌توانم با هوش مصنوعی حل کنم؟”، از خود می‌پرسند “چگونه می‌توانم برچسب AI را به محصول فعلی خود بچسبانم تا از این موج عقب نمانم؟”. این تغییر در صورت سوال، منجر به تولید محصولاتی می‌شود که در ظاهر مدرن هستند، اما در عمل هیچ ارزش افزوده واقعی و منحصربه‌فردی ایجاد نمی‌کنند. هوش مصنوعی در این مدل، یک “ابزار استراتژیک” نیست، بلکه یک “ابزار بازاریابی” برای جذب سرمایه‌گذار و مشتریان هیجان‌زده است.
۲. استراتژی دوم: کمبود در لایه‌های میانی؛ شکاف بین “زیرساخت” و “کاربرد”
- اکوسیستم هوش مصنوعی ایران در دو سر طیف، فعال است: در یک سو، شرکت‌های بزرگی مانند آروان‌کلاد در حال فراهم کردن “زیرساخت” (مانند سرورهای GPU) هستند. در سوی دیگر، استارتاپ‌های کوچک در حال ساخت “کاربردهای نهایی” (مانند چت‌بات‌ها) هستند.
- اما لایه میانی، یعنی جایی که باید مدل‌های زبان بزرگ پایه (Foundation Models) به طور خاص برای زبان فارسی و نیازهای بومی ایران آموزش ببینند و بهینه شوند، تقریباً خالی است. این لایه نیازمند سرمایه‌گذاری عظیم، دسترسی به داده‌های حجیم و تخصص آکادمیک بسیار بالاست که فراتر از توان یک استارتاپ یا حتی یک شرکت متوسط است. تا زمانی که این لایه میانی حیاتی شکل نگیرد، اکثر محصولات ایرانی کپی‌های ضعیفی از مدل‌های خارجی باقی خواهند ماند.
۳. استراتژی سوم: “استعدادهای جزیره‌ای” به جای “اکوسیستم یکپارچه”
- ایران استعدادهای فردی درخشانی در حوزه هوش مصنوعی دارد. مشکل این است که این استعدادها به صورت “جزیره‌ای” و پراکنده فعالیت می‌کنند و یک ارتباط سیستماتیک و قدرتمند بین دانشگاه، صنعت و دولت برای حل چالش‌های بزرگ ملی وجود ندارد. پروژه‌های بزرگ هوش مصنوعی (مانند ساخت مدل زبان ملی) نیازمند یک اراده و همکاری ملی است، نه فقط تلاش‌های فردی. تا زمانی که این سه بخش با یکدیگر هم‌افزایی نکنند، ما همچنان شاهد “دستاوردهای اندک” فردی به جای “جهش‌های بزرگ” ملی خواهیم بود.
بخش ۳: راهکار عملی؛ نقشه راه خروج از “زمستان هوش مصنوعی”
برای استارتاپ‌ها و کارآفرینان:
- ۱. عاشق مسئله شوید، نه راه‌حل: به جای اینکه بگویید “می‌خواهم یک استارتاپ AI بزنم”، بگویید “می‌خواهم مشکل برنامه‌ریزی زنجیره تامین در صنعت پخش مواد غذایی را حل کنم و شاید AI ابزار مناسبی برای این کار باشد”. تمرکز بر روی یک “نیچ” (Niche) مشخص و عمیق، شما را از رقابت بیهوده در ساخت چت‌بات‌های عمومی نجات می‌دهد.
- ۲. بر روی “آخرین مایل” تمرکز کنید: به جای تلاش برای ساخت مدل‌های زبان بزرگ از صفر، از مدل‌های قدرتمند جهانی به عنوان پایه استفاده کرده و تمام انرژی خود را صرف “بهینه‌سازی و سفارشی‌سازی” (Fine-tuning) آن برای یک کاربرد بسیار خاص در بازار ایران کنید. مزیت رقابتی شما در این “آخرین مایل” نهفته است.
برای سیاست‌گذاران و سرمایه‌گذاران:
- ۱. سرمایه‌گذاری بر روی “لایه میانی”: بزرگترین بازگشت سرمایه بلندمدت، در حمایت از کنسرسیوم‌های ملی (متشکل از دانشگاه‌ها و شرکت‌های بزرگ) برای ساخت مدل‌های زبان بزرگ پایه و متن‌باز برای زبان فارسی است. این کار، زیرساخت اصلی برای شکوفایی هزاران استارتاپ دیگر را فراهم می‌کند.
- ۲. داده‌ها را آزاد کنید: بزرگترین مانع آموزش مدل‌های بومی، نبود دسترسی به داده‌های حجیم و باکیفیت است. دولت و سازمان‌های بزرگ باید داده‌های عمومی و غیرحساس خود را به صورت استاندارد در اختیار اکوسیستم تحقیقاتی و استارتاپی کشور قرار دهند.
برای متخصصان و دانشجویان:
- ۱. از فاز “آزمایش” به فاز “محصول” حرکت کنید: به جای ساختن پروژه‌های آزمایشگاهی، به این فکر کنید که چگونه می‌توانید مهارت‌های خود را برای حل یک مشکل واقعی در یک کسب‌وکار به کار بگیرید. مشارکت در پروژه‌های واقعی و درک نیازهای بازار، ارزشمندترین تجربه برای شماست.