چرا ظرفیت پژوهشی در ایران به کاربرد صنعتی راه نمی برد؟

عصر ایران ؛ الهه استاد آقایی ـ یک مطالعه علم‌سنجی درباره روند جهانی پژوهش‌های حوزه هوش مصنوعی در فاصله سال‌های ۱۹۹۱ تا ۲۰۲۰ نشان می‌دهد که ایران از نظر تعداد مقالات منتشرشده در این حوزه، در میان ۱۰ کشور برتر جهان قرار داشته است.

همچنین، سهم ایران از مقالاتی که در میان ۱۰ درصد پراستنادترین مقالات جهان قرار گرفته‌اند، در دوره‌های پنج‌ساله متوالی افزایش یافته و در فاصله سال‌های ۲۰۱۵ تا ۲۰۱۹، ایران را به جایگاه پنجم در میان کشورهای بررسی‌شده رسانده است.

این یافته‌ها نشان می‌دهند که ایران از ظرفیت پژوهشی قابل‌توجهی در حوزه هوش مصنوعی برخوردار بوده است.

با این حال، تولید دانش علمی لزوماً به توسعه فناوری و خلق ارزش اقتصادی منجر نمی‌شود. پرسش اصلی این است که چرا بخشی از این ظرفیت پژوهشی، با وجود شکل‌گیری همکاری‌های صنعتی و تعریف پروژه‌های مشترک، به نتایج موردانتظار نمی‌رسد؟

پاسخ را باید در ویژگی‌های مسیر تبدیل پژوهش هوش مصنوعی به راهکار عملی جست‌وجو کرد.

پژوهشی در سال ۲۰۲۲ درباره موانع همکاری دانشگاه و صنعت در ایران، بر پایه دیدگاه ۹۴ ذی‌نفع و ۲۵ مصاحبه نیمه‌ساختاریافته، نشان می‌دهد که این فاصله را نمی‌توان صرفاً به عملکرد یکی از دو طرف نسبت داد.

این یافته در پروژه‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند؛ زیرا موفقیت چنین پروژه‌هایی فقط به کیفیت پژوهش وابسته نیست و عوامل متعددی از داده و عملکرد مدل تا شرایط واقعی بهره‌برداری در نتیجه نهایی آن دخیل‌ هستند.

این فاصله از کجا شکل می‌گیرد؟

یکی از موانع، پیش از آغاز توسعه شکل می‌گیرد. تعریف نادرست مسئله. اگر مسئله صنعتی، داده‌های موردنیاز و معیار موفقیت از ابتدا روشن نباشد، حتی یک پژوهش معتبر نیز ممکن است به راهکاری منجر شود که در عمل اولویت یا کاربرد مشخصی ندارد.

از سوی دیگر، موفقیت یک مدل در محیط آزمایشگاهی، موفقیت آن در صنعت را تضمین نمی‌کند. داده‌های واقعی ممکن است با داده‌های آزمایش تفاوت داشته باشند؛ اتصال به سامانه‌های موجود، محدودیت زیرساخت، امنیت اطلاعات و شرایط عملیاتی می‌توانند عملکرد مدل را تغییر دهند. حتی پس از استقرار نیز مسئله پایان نمی‌یابد؛ تغییر داده‌ها و شرایط محیطی می‌تواند نیاز به پایش، اصلاح یا بازآموزی مدل ایجاد کند. بنابراین، پروژه هوش مصنوعی برخلاف بسیاری از پروژه‌های فناورانه، با «ساخت مدل» به پایان نمی‌رسد.

در نتیجه، پرسش اصلی از «آیا مدل ساخته شد؟» باید به «آیا مدل در محیط واقعی مسئله را حل می‌کند و عملکرد آن در طول زمان قابل‌اعتماد باقی می‌ماند؟» تغییر کند. فاصله میان این دو پرسش، یکی از مهم‌ترین نقاطی است که در آن پروژه‌های هوش مصنوعی می‌توانند از مسیر موفقیت خارج شوند.

تجربه جهانی؛ همکاری را باید طراحی کرد

تجربه برخی دانشگاه‌های پیشرو نشان می‌دهد که برای نزدیک‌کردن پژوهش به کاربرد، صرف ایجاد ارتباط میان دانشگاه و صنعت کافی نیست. در MIT، برنامه‌هایی مانند CSAIL Alliances و Generative AI Impact Consortium، در Stanford برنامه‌های Industrial Affiliates و AI Affiliates و در ETH Zurich نیز سازوکارهای همکاری با صنعت، ارتباط مستمر میان شرکت‌ها و جامعه پژوهشی را دنبال می‌کنند.

اهمیت این تجربه‌ها در یک برنامه خاص یا یک نسخه آماده برای موفقیت نیست؛ بلکه در طراحی مسیر همکاری است. صنعت می‌تواند مسائل واقعی خود را زودتر با جامعه پژوهشی در میان بگذارد و پروژه‌ها نیز از ابتدا با توجه به مسئله، داده و امکان کاربرد شکل بگیرند.

این تجربه برای ایران یک پرسش مهم ایجاد می‌کند. آیا پروژه‌های هوش مصنوعی را صرفاً به‌عنوان قراردادهای پژوهشی تعریف می‌کنیم یا مسیر آن‌ها را از مسئله تا آزمون و بهره‌برداری نیز طراحی می‌کنیم؟

چه سازوکاری برای ایران واقع‌بینانه است؟

تجربه دانشگاه‌های پیشرو را نمی‌توان عیناً در ایران تکرار کرد؛ اما می‌توان از یک اصل آن‌ها بهره گرفت: پروژه هوش مصنوعی باید از مسئله واقعی آغاز شود و موفقیت آن در محیط واقعی سنجیده شود.

تجربه بررسی پروژه‌های صنعتی نشان می‌دهد که چالش بسیاری از این پروژه‌ها نه در ساخت مدل، بلکه در فاصله میان عملکرد آزمایشگاهی و کاربرد واقعی شکل می‌گیرد. ازاین‌رو، پروژه باید از ابتدا با داده قابل‌اتکا، معیار عملکرد مشخص و امکان پایلوت طراحی شود و موفقیت آن با توانایی مدل در حل مسئله و حفظ عملکرد قابل‌اعتماد پس از استقرار سنجیده شود.

در این چارچوب، حمایت از تیم‌های مشترک دانشگاهی و صنعتی زمانی اثربخش است که منابع، صرفاً به تولید پژوهش اختصاص نیابد، بلکه به آزمون و بهره‌برداری از راهکار نیز پیوند بخورد. دانشگاه باید افق کاربرد و پایلوت را از ابتدا در طراحی پژوهش ببیند و صنعت نیز محیط واقعی آزمون و ارزیابی راهکار باشد.

در نهایت، مسئله ایران ایجاد یک الگوی گسترده و پرهزینه نیست؛ بلکه ساختن چند تجربه موفق، اندازه‌گیری نتایج و یادگیری از آن‌هاست. معیار موفقیت نیز باید از تعداد مقاله‌ها و پروژه‌های آغازشده فراتر رود و به این پرسش برسد که چه تعداد از راهکارهای هوش مصنوعی به پایلوت و بهره‌برداری پایدار رسیده‌اند و چه ارزش عملیاتی یا اقتصادی ایجاد کرده‌اند.

مزیت علمی زمانی به مزیت فناورانه تبدیل می‌شود که دانش تولیدشده بتواند در دنیای واقعی مسئله‌ای را حل کند، عملکردی قابل‌اعتماد داشته باشد و ارزش خود را در طول زمان ثابت کند.