عباس پورخصالیان
چند روز پیش، آقای دکتر پزشکیان دانشگاههای کشور را کانون حل مسایل کشور دانستند. در همین رابطه باید گفت، یکی از حادترین مساله امروز و فردای ما و اغلب ملل، خروج مقدس از شکم نهنگ شرکتهای بزرگ فناوری هوش مصنوعی است.
اوجگیری سریع هوش مصنوعی و پیدایش تدریجی فناوریهای برآیندۀ همبسته با آن، اغلب ملل را در آستانۀ دهۀ سوم هزارۀ سوم، در کام شرکتهای بزرگ فناوری در آمریکا، چین، ژاپن و اروپا درکشیده است.
اکنون باید کاری کرد، وگرنه هر جنگی را ببریم و هر صلح و آرامشی را برقرار کنیم، دیر یا زود مسخ میشویم.
«کانونِ حلِ مسایل-شدنِ دانشگاه» سخن متینیست اما برای حل مساله بلعیدهشدن توسط غولهای فناوری هوش مصنوعی شعاری بیش نیست.
اگر آقای پزشکیان از وزیر عتف بپرسند: آیا همکاریهای دولت، دانشگاه و صنعت که حدود 30 سال است تقریباً هر سال شعارش را میدهید و کنگرهاش را بر پا میکنید، به ذرهای موفقیت رسیده است، چه پاسخ میشنوند؟
نخستین مسئلهای که در مثلث همکاریهای سه جانبه مطرح بوده، این است که بجای یک مثلث با تنها یک نقطه طرفیم: نقطهای که سیاهچالهوار همه چیز را درخود فرو میبلعد. هر تمایز کم رنگی هم که بین اضلاع مثلث به وجود آمده، تا امروز که شعار شما را میشنویم، ضلع صنعت، معمولاً غیبت داشته است.
مساله بعدی، کمبود سرمایهگذاری در پروژههای حل مسایل کشور است، بخصوص حل مسایل زیرساخت هوش مصنوعی کشور!
سرمایهگذاری در زیرساختهای هوش مصنوعی از سال ۲۰۲۳ تاکنون شتاب بیسابقهای در کشورهای دیگر گرفته و اگر ما دیرتر از اینها بجنبیم، احتمالاً دیگر نخواهیم توانست بر فاصله میان سرعت نوآوری و توانایی حکمرانیِ هوش مصنوعی پل بزنیم. این که صندوقچههای دولت و دانشگاه و صنعت خالی هستند، پیشکش! ما اصولا برنامهای برای پیریزی زیرساختهای هوش مصنوعی کشور نداریم. اما سوال اینجاست که پس با این همه مسأله چه کنیم؟
- مساله نهادسازی و پیشگیری از نابرابریها
به روایت سازمان همکاری اقتصادی و توسعه در سال ۲۰۲۳: بدون چارچوبهای نهادی متناسب، اجرای پروژههای هوش مصنوعی به تشدید نابرابری اقتصادی، تمرکز قدرت در شرکتهای بزرگ فناوری و تضعیف حاکمیت ملی منجر میشود؛ میخواهد نام شرکت مربوط هوآوی باشد یا آلکاتل و یا اُپن اِی آی.
در زمینۀ حل بومی مسایل هوش مصنوعی، الزام همکاری متقابل صنعت، دانشگاه و دولت، دیگر صرفاً یک موضوع آکادمیک نیست! بلکه مسالهای استراتژیکی و حیاتی برای هر کشوری است که میخواهد در رقابتپذیری فناورانه موفق شود، امنیت ملی و توسعه پایدار جایگاه خود را در جهان حفظ کند و ارتقا دهد.
- مسایل مربوط به انتخاب مدل و نظریه
- آیا باید مدل سهمارپیچ (Triple Helix) را انتخاب کنیم؟ [مدلی که ضمن مرزبندی میان دولت، دانشگاه و صنعت بهعنوان سه نهاد مستقل (!)، بر تعاملات تکاملی و شبکهای میان آنها برای تولید دانش و نوآوری تأکید دارد و وظایفی را بهصورت مارپیچی درهم میتند: دولت فضای قانونی و حمایتی را فراهم میآورد، دانشگاه دانشهای پایه و منابع انسانی را ارتقا میدهد، و صنعت آنها را به نوآوری قابل عرضه در بازار تبدیل میکند]
- یا مدل «چهارمارپیچ » (Quadruple Helix) را؟ [مدلی که در آن جامعه مدنی نیز وظایفی را به عهده میگیرد؟]
- ویا این که به سراغ مدل «پنجمارپیچ» (Quintuple Helix) برویم [که محیط زیست و مردم را نیز در این زنجیره لحاظ میکند؟]
اهمیت استفاده از این رویکردها در عصر هوش مصنوعی از آن روست که دادهها، الگوریتمها و پلتفرمها مرزهای سنتی میان نهادهای دولتی و مدنی و خصوصی و مردمی را درهم میشکنند و در این مرزشکنی، شرکتهای بزرگ فناوری به بازیگرانی تأثیرگذارتر از دولتها تبدیل میشوند.
- مساله «اکوسیستم نوآوری»
مهمتر از مساله گزینش مدل رویکرد، مساله «اکوسیستم نوآوری» است:
مفهوم اکوسیستم نوآوری که ریشه در قیاسهای زیستشناختی دارد، نشاندهنده شبکهای پیچیده از بازیگران، نهادها، قواعد و جریانهای دانش است که در کنار یکدیگر ارزش خلق میکنند. بر خلاف رویکردهای خطی سنتی، اکوسیستمهای نوآوری ماهیتی غیرخطی، تکاملی و شبکهای دارند.
در عصر هوش مصنوعی، این اکوسیستمها بهشدت تحت تأثیر پلتفرمهای دیجیتالی، باز بودن دادهها، اقتصاد مبتنی بر میانای برنامه کاربردی (API) و شبکههای استارتاپی قرار گرفتهاند.
گزارش مجمع جهانی اقتصاد در سال ۲۰۲۳ بر این نکته تأکید داشت که اکوسیستمهای نوآوریِ موفق در عصر هوش مصنوعی نه صرفاً به سرمایه مالی، بلکه به «سرمایه الگوریتمی»، یعنی ترکیب داده، قدرت پردازش و استعداد انسانی نیازمندند. باید در نظر داشت که این سرمایه سهگانه تنها در فضایی از همکاری نهادی عمیق میان صنعت، دانشگاه و دولت قابل تحقق است!
- مساله حکمرانی هوش مصنوعی (AI Governance)
حکمرانی هوش مصنوعی به مجموعه قواعد، نهادها، فرایندها و ارزشهایی اطلاق میشود که رفتار سیستمهای هوش مصنوعی را جهت میدهند و بر توسعه، استقرار و پیامدهای آنها نظارت میکنند. این حوزه در سطحی فراتر از علوم رایانه، حقوق، اخلاق، سیاستگذاری عمومی و اقتصاد قرار دارد.
کمیسیون اروپا مساله حکمرانی هوش مصنوعی را در سال ۲۰۲۱ با تدوین «قانون هوش مصنوعی» که نخستین چارچوب جامع حکمرانی و تنظیمگری هوش مصنوعی مبتنی بر ریسک بود، به ظاهر حل کرد. بر اساس این قانون، سیستمهای هوش مصنوعی در چهار سطح ریسک (غیرقابل قبول، بالا، محدود و حداقل) طبقهبندی میشوند.
یونسکو هم مساله حکمرانی هوش مصنوعی را پیش ازکمیسیون اروپا در سال ۲۰۲۱ با تصویب «توصیهنامه اخلاق هوش مصنوعی» با محوریت حقوق بشر، شمولپذیری و پایداری به ظاهر حل کرد.
دو چارچوب بینالمللی مذکور بیانگر این واقعیت هستند که حکمرانی هوش مصنوعی ذاتاً مستلزم همکاری میان دولت، دانشگاه و صنعت در مقیاسهای ملی و فراملی است.
- مساله نیاز به فناوری تنظیمگری بمنظور احراز حاکمیت دیجیتالی
«فناوری تنظیمگری» (RegTech) به کاربرد فناوریهای نوین هوش مصنوعی برای تسهیل انطباق با مقررات، پایش خودکار و گزارشدهی نهادهای مالی و غیرمالی اشاره دارد. در عصر هوش مصنوعی، فناوری تنظیمگری به ابزاری حیاتی برای دولتها تبدیل میشود تا بتوانند سرعت تنظیمگری را به سرعت نوآوری نزدیکتر کنند. این رویکرد، مشارکت فعال دانشگاه در طراحی الگوریتمهای نظارتی و همکاری صنعت در اجرا را ضروری میسازد.
- مساله حاکمیت دیجیتالی
حاکمیت دیجیتالی (Digital Sovereignty) به توانایی کشورها در اعمال کنترل بر زیرساختهای دیجیتالی، دادههای شهروندان و سیاستهای فضای سایبری ملی میپردازد. در فضایی که شرکتهای بزرگ فناوری (عمدتاً چینی یا آمریکایی) کنترل بخش عمدهای از دادههای فردی و بومی و ملی و منطقهای و جهانی را در اختیار دارند و حاکمیت دیجیتالی به مساله امنیت ملی تبدیل میشود، ما هنوز فاقد قانون حفاظت داده هستیم!
- مساله ترادیسیِ نهادیِ متأثر از هوش مصنوعی
هوش مصنوعی از آنرو که ماهیتاً فناوری عامالمنفعه و عاممنظوره است، تأثیراتی فراگیر و عمیق بر تمام بخشهای اقتصاد و اجتماع میگذارد، طوری که چرخه بازخورد دیجیتالیاش بسیار سریعتر از فناوریهای عصر صنعت است: هر چه داده بیشتر تولید شود، مدلها قویتر میشوند؛ هر چه مدلها قویتر شوند، کاربردپذیری بالاتر میرود و هر چقدر کاربردپذیری بالاتر رود، دادۀ بیشتری تولید میشود. این چرخه، مزیت رقابتی کشورها و شرکتهایی را که زودتر مجهز به هوش مصنوعی شدهاند، بهصورت مضاعف افزایش میدهد.
از منظر نهادی، هوش مصنوعی سه ترادیسی (یا «ترانفورماسیونِ») بنیادین را ایجاد میکند:
– نخست، «انتقال کانون تولید ارزش» از نیروی کار به داده و الگوریتم؛
– دوم، «تمرکززدایی و در عین حال تمرکزگرایی متناقض» که در آن از یک سو امکان تولید کوچکمقیاس نوآوری فراهم میشود و از سوی دیگر شرکتهای پلتفرمی قدرت انحصاری به دست میآورند؛ و
– سوم، «مهآلود شدن مرزهای میان-نهادی» که در آن تمایز میان دانشگاه، صنعت و دولت در موضوعاتی چون پژوهش، اخلاق، امنیت و حریم خصوصی کمرنگ میشود.
- مساله الزامات ساختاری همکاری در عصر هوش مصنوعی
الف) ایجاد زیرساخت داده ملی
داده به «نفت جدیدِ» اقتصاد دیجیتالی تعبیر شده است، اما برخلاف نفت، داده میتواند بدون از دست رفتن به اشتراک گذاشته شود و ارزش آن در ترکیب با دادههای دیگر به صورت تصاعدی افزایش یابد. همکاری متقابل صنعت، دانشگاه و دولت نیازمند زیرساخت دادهای مشترک است: مخازن داده ملی با استانداردهای باز، چارچوبهای اشتراکگذاری مسئولانه داده و رژیمهای حقوقی روشن در مورد مالکیت، دسترسی و استفاده از دادهها.
بانک جهانی در سال ۲۰۲۱ تخمین زد: کشورهایی که زیرساخت داده ملی قوی ایجاد کردهاند، میتوانند ۱.۵ تا ۲ درصد رشد تولید ناخالص داخلی اضافه را تجربه کنند.
ب) ایجاد نهادهای هماهنگساز میانبخشی
تجربه کشورهای موفق نشان میدهد که ایجاد نهادهای تخصصی هماهنگساز، نظیر «شورای ملی هوش مصنوعی»، «مراکز ملی پژوهش هوش مصنوعی » و «کمیتههای مشترک صنعت-دانشگاه-دولت» از جمله پیشنیازهای اساسی بهرهبرداری از توانایی هوش مصنوعی هستند. اما این نهادها باید سه ویژگی اصلی داشته باشند:
– استقلال عملیاتی رها از فشارهای کوتاهمدت سیاسی،
– مأموریت چندرشتهای روشن، و
– ظرفیت ارزیابی و پاسخگویی مبتنی بر شواهد مستند.
گزارش سازمان همکاری و توسعه در سال ۲۰۲۱ در مورد استراتژیهای ملی هوش مصنوعی نشان داد که بیش از ۶۰ کشور تاکنون چنین استراتژیهایی را تدوین کردهاند، اما کیفیت و اثربخشی اجرا در آنها بهشدت متفاوت است.
ج) بازتعریف مأموریت دانشگاه
در عصر هوش مصنوعی، دانشگاه دیگر صرفاً «تولیدکننده دانش» نیست، بلکه باید به «آزمایشگاهی زنده» برای آزمون فناوریهای نو تبدیل شود. دانشگاههای پیشرو مانند ام.آی.تی، استنفورد، (در آمریکا) و ETH Zurich (در سوئیس) با ایجاد مراکز پژوهشی مشترک با صنعت، برنامههای آموزشی چابک (Agile Curricula) و مشارکت در بحثهای سیاستگذاری، این بازتعریف را عملیاتی کردهاند.
در این بازتعریف، اخلاق هوش مصنوعی باید به هسته مرکزی آموزش عالی و نه ضمیمهای حاشیهای تبدیل شود. بدون اخلاق، دولت و دانشگاه و صنعت که سهل است، کشور هیچ آینده ای ندارد!
د) نوسازی ظرفیتهای دولتی از طریق «فناوری دولت»
دولتها برای ایفای نقش مؤثر در عصر هوش مصنوعی نیازمند «ارتقاء نهادی» هستند. این یعنی:
- تجهیز به مهارتهای تحلیل داده در سطح دیوانسالاری به کمک «فناوری دولت» یا Gov-Tech،
- توسعه «آزمایشگاههای تنظیمگری» موسوم به جعبه-شِنهای تنظیمگری (Regulatory Sandboxes) برای آزمون نوآوریهای هوش مصنوعی در محیط کنترلشده، و
- تشکیل واحدهای تخصصی سیاستگذاری دیجیتالی.
کمیسیون اروپا در سال ۲۰۲۰ برنامۀ اروپای دیجیتالی به کمک «فناوری دولت» را با بودجه ۷.۵ میلیارد یورو برای ارتقای ظرفیت دیجیتالی دولتهای عضو تصویب کرد.
- مساله استفاده از مدلهای همکاری در کشورهای پیشرفته
از نمونههای موفقِ همکاری سه جانبه در کشورهای دیگر نباید کورانه تقلید کرد، بلکه باید از آنها درس گرفت و فهمید چه ویژگی نهادی باعث شده همکاری میان این سه بخش در فلان کشور موفق مؤثر اُفتد؟
- ایالات متحده: مدل پراکندگی خلاق
آمریکا بر یک مدل همکاری «نامتمرکز» تکیه دارد که در آن آژانسهای دفاعی (دارپا)، بنیاد ملی علوم، و صندوقهای خصوصی در کنار هم اکوسیستم نوآوری را هدایت میکنند. وزارت جنگ از طریق دارپا تحقیقات بنیادین را پشتیبانی میکند که بعداً به کاربردهای تجاری تبدیل میشوند، مانند اینترنت یا سیستم موقعیتیاب جهانی.
راهبرد ملی هوش مصنوعی در سال ۲۰۲۳ بر پنج محور تمرکز دارد: پیشتازی در تحقیق، توسعه نیروی کار، حفاظت از زیرساختهای حیاتی، همکاری بینالمللی و ترویج هوش مصنوعی قابل اعتماد. چالش این مدل، گسستگی بین پژوهشهای بنیادین دولتی و تجاریسازی توسط شرکتهای بزرگ فناوری است.
- اتحادیه اروپا: مدل قانونمحور و حقوقبنیان
اتحادیه اروپا رویکردی کاملاً متفاوت برگزیده که بر «حکمرانی مبتنی بر ارزش» استوار است. قانون هوش مصنوعی سال ۲۰۲۴، مقررات عمومیحفاظت از داده و قانون خدمات دیجیتالی سهگانه تنظیمگری اتحادیه اروپا را تشکیل میدهند. برنامه افق اروپا Horizon Europe با بودجه ۹۵.۵ میلیارد یورویی طی ۲۰۲۱-۲۰۲۷ بزرگترین برنامه تأمین مالی تحقیقات جهان است که همکاری میان دانشگاه، صنعت و دولت را در قالب «مشارکتهای اروپایی» نهادینه میکند.
- چین: مدل دولتمحور هماهنگ شده
چین با «برنامه توسعه هوش مصنوعی نسل بعدی» (۲۰۱۷) هدف خود را رهبری جهانی درحوزۀ هوش مصنوعی تا ۲۰۳۰ اعلام کرد.
مدل همکاریهای سه جانبه در چین بر هماهنگی عمودی میان دولت مرکزی، شرکتهای فناوری ملی (بایدو، علیبابا، تنسنت)، و دانشگاههای برتر استوار است.
چین در سال ۲۰۲۳ چارچوب تنظیمگری اختصاصی برای مدلهای زبانی بزرگ را تدوین کرد. نقطه قوت این مدل، سرعت اجرا است؛ [نقطه ضعف آن (از منظر غیرچینیها) نگرانی در مورد حریم خصوصی کاربران، نظارت الگوریتمیو تمرکز قدرت است.]
- کره جنوبی که شبیه مدل فنلاند است: کوچک اما چابک
کره جنوبی با ادغام سیاستهای صنعتی، سرمایهگذاری در آموزش دیجیتال و پشتیبانی از شرکتهای متوسط فناور، الگوی قابل توجهی از همکاری هماهنگ ارائه داده است. فنلاند با برنامه «اِلِمانهای هوش مصنوعی» که تاکنون به بیش از یک میلیون نفر در اروپا آموزش هوش مصنوعی داده، نشان میدهد که سرمایه انسانی دموکراتیزهشده میتواند مزیت رقابتی پایدار ایجاد کند.
- چالشهای کشورهای در حال توسعه
الف) مساله شکاف قانونگذاری و دیوانسالاری ناکارآمد
در بسیاری از کشورهای در حال توسعه، نهادهای حقوقی و قانونگذاری برای پاسخ به سرعت تحولات فناوری هوش مصنوعی مجهز نیستند. این شکاف حقوقی/قانونی چند وجه دارد: نبود قوانین جامع حفاظت از داده، فقدان تعریف روشن حقوق مالکیت فکری دیجیتالی و ضعف نظام مسئولیت در برابر سیستمهای الگوریتمی. گزارش صندوق بینالمللی پول در سال ۲۰۲۴ نشان داد که حتی اگر کشورهای در حال توسعه دسترسی به هوش مصنوعی داشته باشند، ضعف محیط نهادی مانع بهرهبرداری مؤثر از آن میشود.
دیوانسالاری ناکارآمد بُعد دیگری از این چالش است. فرایندهای تصویب مجوز، صدور گواهینامههای تخصصی و تأمین مالی تحقیق وتوسعه در بسیاری از این کشورها چنان کند است که استارتاپهای فناوری ترجیح میدهند به اکوسیستمهای کشورهای دیگر مهاجرت کنند. این دیوانسالاریِ کُند نهتنها خودش مانع است، بلکه با ناکارآمدی، تقاضا برای ترادیسی دیجیتالی را از سوی نخبگان فناور میکُشد.
ب) مساله ضعف زیرساخت داده
اقتصاد دیجیتالی مبتنی بر هوش مصنوعی نیازمند زیرساختهای دادهای است که شامل پوشش اینترنت پرسرعت، مراکز داده ملی، استانداردهای مشترک تبادل داده و فرهنگ سازمانی داده محور میشود، آن هم بدون تبعیض و بدون قطع گلوگاههای بینالمللی اینترنت.
اتحادیه بینالمللی مخابرات در سال ۲۰۲۳ اعلام کرد که ۳۷ درصد از جمعیت جهان، عمدتاً در آفریقا و آسیای جنوبی، هنوز به اینترنت دسترسی ندارند. این شکاف اتصالپذیری (Connectivity Gap) به «فاصلۀ هوش مصنوعی» (AI Divide) ترجمه میشود که توزیع منافع هوش مصنوعی را به شدت نامتوازن میکند.
د) مساله مهاجرت نخبگان و شکاف منابع انسانی
بر اساس گزارش «مهاجرت مهارت» از طرف بانک جهانی در سال ۲۰۲۲ برخی کشورهای در حال توسعه بیش از ۴۰ درصد از فارغالتحصیلان دوره دکتری خود در حوزههای علم، فناوری، مهندسی و ریاضیات را به کشورهای پیشرفته از دست میدهند. در حوزه هوش مصنوعی، این نرخ بهمراتب بالاتر است زیرا شرکتهای فناوری بزرگ بستههای حقوقیای ارائه میدهند که دولتهای در حال توسعه قادر به رقابت با آنها نیستند. شاخص هوش مصنوعی استنفورد برای سال ۲۰۲۴ نشان میدهد که بخش قابل توجهی از متخصصان برجسته در حوزۀ هوش مصنوعی شاغل در آمریکا متولد کشورهای در حال توسعه هستند.
این مساله در کنار نرخ پایین «بازگشت نخبگان» یک چرخه معیوب ایجاد میکند: دانشگاههای ضعیف، سرمایه انسانی پرورش میدهند که میرود؛ رفتن نخبگان، دانشگاهها و صنعت را ضعیفتر میکند؛ و ضعف محیط صنعتی-دانشگاهی، انگیزه بازگشت را از میان میبرد.
ه) مساله وابستگی به پلتفرمهای خارجی و تهدید حاکمیت دیجیتالی
وابستگی فزاینده به پلتفرمهای دیجیتالی خارجی، از رایانش ابری گرفته تا شبکههای اجتماعی و سیستمهای پرداخت دیجیتالی، حاکمیت دیجیتالی کشورهای در حال توسعه را تهدید میکند. زمانیکه زیرساختهای حیاتی یک کشور روی سرورهای شرکتهای خارجی اجرا میشوند، آسیبپذیریهای امنیتی، ریسکهای اقتصادی و محدودیتهای سیاسی جدی ایجاد میشود. این وابستگی در عصر هوش مصنوعی با اتکا به رابطهای برنامه کاربردیِ (API) مدلهای زبانی بزرگ مانند جی پی تی یا جمنای عمیقتر شده است.
- جمعبندی و نتیجهگیری
اگر دولت، دانشگاه و صنعت در عمل «یک» بازیگر است، مساله اصلی دیگر نه نکات بالا و نه «همکاری سه جانبه» است؛ مساله اصلی «کارآمدی ساختار واحد» است. این ساختار واحد در جمهوری اسلامی، ناکارآمد است؛ نظام ارزیابی مبتنی بر نتیجه ندارد؛ استقلال دانشگاه در انتخاب موضوع پژوهش مخدوش است؛ رقابت واقعی میان بنگاهها رؤیا ست؛ تأمین مالی پژوهش بر اساس حل مساله، کترهای است؛ و پاسخگویی مدیران به خروجیهای قابل اندازهگیری، نادر!
پرسش مهم در این شرایط، دیگر این نیست که چگونه دولت، دانشگاه و صنعت را به هم متصل کنیم؟ بلکه این است که چگونه کاری کنیم که هر کدام نقش متمایز، اختیار واقعی و مسئولیت قابل سنجش داشته باشند؟
در آمریکا و چین، موفقیت همکاری سهجانبه بیش از آنکه محصول «همایش و کنگره» باشد، محصول ساختارهای انگیزشی، بودجهای و مدیریتی است که افراد و سازمانها را وادار میکند مسالهای واقعی را حل کنند. اگر آن ساختارها وجود نداشته باشند، تقلید از ظواهر الگوهای موفق به ناکارامدی مضاعف میانجامد.
اکنون مدتهاست که یونسوار در شکم نهنگ «بیگ-تِک» به سر میبریم و هنوز راه خروج مقدس را نمیشناسیم، شایسته است هرچه زودتر دگرگون شویم و آگاهتر بیرون آییم!
