هوش مصنوعی با تعامل صنعت و دانشگاه کاربردی می‌شود

«روح‌الله دهقانی فیروزآبادی معاون علمی و فناوری رئیس جمهور در دومین رویداد ملی صنعت دانش‌بنیان «انقلاب صنعتی چهارم و صنعت شهر هوشمند» اعلام کرد که کشورمان در تولید هوش مصنوعی رتبه ۱۷ و در کاربرد هوش مصنوعی رتبه ۷۷ جهان را دارد و باید تا 3 سال آینده اتفاق بزرگی در هوش مصنوعی ایران بیفتد.» اما چرا بین تولید هوش مصنوعی و کاربرد آن در کشورمان فاصله معناداری وجود دارد؟ برای کاهش این فاصله چه اقدام‌هایی باید صورت بگیرد؟ که کارشناسان حوزه هوش مصنوعی علت این فاصله را نبود تعامل بین صنعت و دانشگاه و ورود نکردن صنایع به استفاده از هوش مصنوعی در محصولات خود می‌دانند.

 

به نقل از روزنامه ایران در مصاحبه با آقای دکتر حمید بهنگار مدیر عامل محترم شرکت دانش بنیان پرتو تاپ رایان :

جای خالی میان‌رشته‌ها
در دانشگاه
حمید بهنگار دکترای هوش مصنوعی و روباتیک معتقد است، رتبه 17 ایران در تولید هوش مصنوعی درباره بهبودهای کشور ما در حوزه الگوریتم‌های تشخیص چهره، تحلیل صوت و یادگیری عمیق و شبکه‌های عصبی مصنوعی است و حتی در این موضوع رتبه کشورمان نسبت به سال 2023 یک رتبه هم بهتر شده است.
بهنگار به «ایران» گفت: تولید هوش مصنوعی در کشورمان به واسطه تولید مقالات علمی در مجلات و مراجع معتبر علمی از سوی پژوهشگران دانشگاهی صورت می‌گیرد و تعداد مقالات در این حوزه در کشور ما رو به فزونی است و این موضوع را مثبت ارزیابی می‌کنیم اما به شرطی که با هدف مهاجرت، تولید علم صورت نگیرد و بتوانیم نخبگان خود را در این حوزه نگه داریم تا به تولید علم هوش مصنوعی در کشور ادامه دهند.
وی درباره رتبه 77 ایران در حوزه کاربرد هوش مصنوعی گفت: این عدد یک هشدار است و نشان می‌دهد علم هوش مصنوعی در کشور ما کاربردی نشده است و صنایع از این علم استفاده کاربردی نمی‌کنند و این به‌دلیل نبود دانش موضوعی و تخصصی است تا در آن هوش مصنوعی به کار رود.
به گفته بهنگار، دلیل دیگر این است که بین دانشگاه و صنعت هم فاصله وجود دارد و تعامل بین این دو بخش اندک است. صراحتاً باید گفت دانشگاهیان در حوزه عملیات و اجرا مهارت کافی ندارند و جای میان‌رشته‌ها به شدت خالی است. رشته‌های میان‌رشته‌ای هوش مصنوعی باید در بیشتر بخش‌ها مانند معدن، کشاورزی، زراعت، سلامت و معضل آب، حمل و نقل، زیر شاخه‌های شهر هوشمند و غیره شکل بگیرد.
به اعتقاد این کارشناس هوش مصنوعی، صنایعی چون خودروسازی، کشاورزی و حتی هنر و موسیقی که به‌صورت مستقیم بر کیفیت زندگی مردم اثرگذار هستند را می‌توان با هوش مصنوعی عملیاتی کرد و این پتانسیل وجود دارد.همچنین اینکه با کاربردی کردن هوش مصنوعی در این صنایع می‌توان قیمت تمام شده را کاهش داده و با ایجاد آن تنوع محصولات را نیز متحول کرد.
وی افزود: از سوی دیگر در دنیا صنایع طرح مسأله می‌کنند و برای حل آن، مسأله را به دانشگاهیان ارائه می‌دهند تا با تولید علم و کاربردی کردن آن، مسأله صنایع حل شود ولی در کشور ما کار برعکس است و پروژه‌های صنایع را دانشگاه‌ها اخذ و بعد بین شرکت‌های فناور توزیع می‌کنند و این تأثیر معکوسی دارد چون استاد دانشگاه دید قوی نسبت به صنعتگر ندارد و از این‌رو مجدداً این فرایند به تولید مقاله ختم می‌شود یا با نگاه خروجی محور، پروژه اجرایی نمی‌شود زیرا پژوهشگر به‌دنبال حل مسائل صنعت نیست و نباید هم باشد از این‌رو تولید علم هم کاربردی و در صنایع عملیاتی نمی‌شود.
بهنگار علت دیگر برای کاربردی و عملیاتی نشدن علم تولید شده را دسترسی نداشتن محققان به آمار واقعی عنوان کرد و گفت: خوراک و پایه اصلی توسعه و کاربردی کردن هوش مصنوعی، داده‌های تمیز و پیوسته، باارزش و قابل اتکاست. تولید داده سال‌هاست در سایر کشورها شروع شده و از داده‌ها به‌عنوان یک دارایی ملی و حتی نفت جدید استفاده می‌شود اما در کشور ما به داده‌های باارزش دسترسی وجود ندارد و یک شرکت برای کاربردی کردن هوش مصنوعی باید خود داده تولید کند که هزینه زیادی در بردارد و این اتفاق باعث می‌شود تا شرکت‌های فعال در هوش مصنوعی روی ریل درستی حرکت نکنند و روی کاربردی کردن علم تولید شده نروند.
به اعتقاد وی، برای کاربردی کردن هوش مصنوعی به اینترنت پایدار و پرسرعت نیاز داریم و مهمتر از همه بحث پردازش‌های ابری و آنلاین است و این موضوع برای هوش مصنوعی مانند اکسیژن می‌ماند و نبودش باعث می‌شود هیچ سرمایه‌گذاری‌ای در هوش مصنوعی صورت نگیرد و کاربردی کردن آن نیز شکل نگیرد.
بهنگار به اقدام‌های دیگری که دولت باید انجام دهد هم اشاره کرد و گفت: معاونت علمی و فناوری ریاست جمهوری تا جایی که می‌تواند در بحث رگولاتوری و حمایت ورود کند. همچنین از سوی دیگر مشوق‌هایی را برای صنایع در نظر بگیرد تا نخبگان را جذب کرده و از مهاجرت نیروی انسانی این حوزه جلوگیری کند، بنابراین بدیهی است هزینه نگهداشت نخبگان از تربیت 500 هزار نیروی انسانی طبق برنامه هفتم توسعه کمتر است.
وی افزود: بهتر است به جای اینکه پروژه‌ها به شرکت‌های خاص داده شود، در ادغام شرکت‌های دانش‌بنیان واقعی و چابک کوچک بکوشد و پروژه‌ها را به آنها بسپارد و از آنها حمایت کند تا فاصله بین تولید علم و کاربردی کردن و تولید محصول که ارزش افزوده محسوب می‌شود را کاهش دهد.به گفته این کارشناس، کشورهای حاشیه خلیج فارس که در حوزه فناوری فعالیت می‌کنند، گویی شرکت دانش‌بنیان و فناور را در اتوبان چهاربانده حرکت می‌دهند اما در کشور ما مسیر برای شرکت‌های دانش‌بنیان دارای چالش‌های زیادی مانند بیمه، تخصیص ارز، مالیات‌های مستقیم و غیرمستقیم، خروج سرمایه از صنعت، تحریم و… است که این مشکلات اصطکاک زیادی در بلندمدت ایجاد می‌کند.

 

مطلب اصلی را در سایت روزنامه ایران بخوانید:

https://irannewspaper.ir/8379/22