کالبدشکافی استراتژی هوش مصنوعی در ایران

این پنل به راهبری «فرزین فردیس»، عضو هیئت‌رئیسه اتاق بازرگانی تهران و با حضور چهار چهره برجسته علمی و حاکمیتی شکل گرفت: سیدایمان میرعمادی دانشیار دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف، عمادالدین فاطمی‌زاده رئیس دبیرخانه ستاد توسعه فناوری و کاربردی‌سازی هوش مصنوعی معاونت علمی ریاست‌جمهوری، فرهاد نیلی استاد مدعو دانشکده مدیریت و اقتصاد دانشگاه شریف و مجید نیلی احمدآبادی استاد دانشکده مهندسی برق و کامپیوتر دانشگاه تهران. در میانه گفتگو فرداد زند هم‌بنیان‌گذار و مدیرعامل Wisdomise هم به این جمع اضافه شد. این گزارش له آنچه در این جلسه مورد بحث قرار گرفت می‌پردازد.

کالبدشکافی اشتباهات استراتژیک؛ موتور هوش مصنوعی با باک خالی داده‌ها

در پاسخ به نخستین پرسش راهبر پنل درباره بزرگ‌ترین اشتباهات ملی و بنگاهی در سال‌های اخیر، کارشناسان بر ناترازی‌های عمیق میان تب تبلیغاتی و واقعیت‌های ساختاری انگشت گذاشتند. یکی از جدی‌ترین اشتباهات غفلت فراگیر از زیرساخت داده به عنوان پیش‌نیاز حیاتی هوش مصنوعی است. تحلیلگران پنل، بازی هوش مصنوعی را تا اطلاع ثانوی «بازی دیتاست» توصیف کردند؛ حرکت به سمت هوش مصنوعی بدون داشتن داده‌های باکیفیت و ساختاریافته، مانند خرید یک اتومبیل گران‌قیمتِ بدون بنزین است. این حرکت شتاب‌زده و بدون زیرساخت، به سرمایه‌گذاری‌های ناموفق و بازگشت به عقب منجر می‌شود.

تله خطای شناختی مدیران؛ مغالطه «هوشمندسازی ساده» با «تحول بنیادین AI»

همچنین در سطح مدیریتی، فقر شدیدی در درک مفاهیم تحول دیجیتال و هوش مصنوعی وجود دارد. در بدنه دولت و حتی بخش خصوصی، بسیاری از مدیران هنوز تفاوت میان «هوشمندسازی ساده» (Smartification) و «تحول هوش مصنوعی» (AI Transformation) را متوجه نشده‌اند و پروژه‌های ابتدایی خودکارسازی را تحت عنوان هوش مصنوعی ارائه می‌دهند. افزون بر این، هوش مصنوعی به اشتباه منحصر به لایه مدل‌های زبانی تصور می‌شود؛ در حالی که لایه عمیق‌تر آن نیاز به تربیت عاجل مدیرانی دارد که این تفاوت‌ها را فهمیده و بدون احساس تهدید، فناوری را در سازمان خود پذیرا باشند.

پایان انحصار بشر در تولید علم

از منظر حاکمیتی نیز، بزرگ‌ترین اشتباه شوخی گرفتن سرعت خیره‌کننده تغییر پارادایم این فناوری و بزرگ‌نمایی تلقی کردن آن است. تحلیلگران هشدار دادند که امروز تولید علم به طور جدی از انحصار بشر خارج شده و این یک دگرگونی بنیادین و بی‌سابقه تاریخی است. بنگاه‌ها نیز به دلیل عدم درک عمیق این تحول، به دنبال استفاده از فرصت‌های ملموس و فعلی (حتی بدون داده‌های کاملاً تمیز) نمی‌روند؛ موضوعی که بیش از آنکه منشأ سخت‌افزاری داشته باشد، ریشه در فرهنگ مدیریتی و عدم ارتقای سیستم‌های منابع انسانی دارد.

سردرگمی ایران در زنجیره ارزش جهانی

در نهایت، فقدان استراتژی موقعیت‌یابی در زنجیره ارزش جهانی هوش مصنوعی به عنوان یک خطای بزرگ حاکمیتی مطرح شد. ایران بدون تعریف دقیق مرزهای بازی خود و با وجود محدودیت‌های شدید مالی و بحران‌های زیرساختی در حوزه‌های حیاتی آب و انرژی، سعی دارد در تمامی ابعاد این مسابقه شرکت کند؛ بدون آنکه بداند با منابع محدودش باید دقیقاً در کدام بخش زنجیره ارزش سرمایه‌گذاری کند.

با جود توضیحات پنلیست‌ها به نظر می‌رسد موقعیت‌یابی ایران در این زنجیره نباید تنها بر اساس سودآوری کوتاه‌مدت یا محدودیت منابع انجام شود. باید روشن شود کدام ظرفیت‌ها برای استقلال فناورانه، امنیت داده و قدرت چانه‌زنی کشور حیاتی‌اند و نمی‌توان آن‌ها را به‌طور کامل به بیرون واگذار کرد. نقش ایران فقط انتخاب یک بازار سودآور نیست؛ انتخاب جایگاهی است که کشور را در نظم جدید فناوری، اقتصادی و امنیتی جهان به بازیگری قابل اتکا و غیرقابل حذف تبدیل کند.

دوگانه تصمیم‌گیری و واقعیت‌های آماری

در بخش دوم نشست، جریان گفت‌وگو با طرح هم‌زمان دو پرسش محوری از سوی فرزین فردیس ادامه یافت؛ او از یک سو کارشناسان را در موقعیت فرضی تصمیم‌گیری در رأس هرم سیاست‌گذاری قرار داد تا سه اقدام عاجل خود را در صورت عضویت در شورای عالی هوش مصنوعی اعلام کنند و از سوی دیگر با استناد به داده‌های گزارش شاخص هوش مصنوعی 1404، خواستار واکاوی بخش‌های نگران‌کننده و نویدبخش این آمارها در مقایسه با روندهای جهانی شد. به دلیل پیوند ناگسستنی میان «واقعیت‌های آماری» و «الزامات تصمیم‌گیری»، پاسخ صاحب‌نظران به این دو پرسش در هم تنیده شد؛ روایتی منسجم که نشان داد هرگونه تصمیم‌گیری حاکمیتی، مستقیماً از دل درک واقع‌بینانه همین داده‌ها و شکاف‌ها می‌گذرد.

در تحلیل بخش‌های نگران‌کننده گزارش، کارشناسان پیش از هر چیز بر شکاف عمیق و پرشتاب کشور با جهان در تمامی متغیرها (به جز کمیت مقالات علمی) و به‌ویژه در حجم سرمایه‌گذاری دست گذاشتند. هوش مصنوعی به عنوان سریع‌ترین قطار تاریخ فناوری توصیف شد که به دلیل سوار شدن بر شانه زیرساخت‌های متراکم گذشته، سرعت سرسام‌آوری دارد و کوچک‌ترین تعلل در اتصال به آن، فاصله‌ای جبران‌ناپذیر را رقم خواهد زد.

در کنار این عقب‌ماندگی، تقلیل هوش مصنوعی به کاربردهای لوکس و سطحی به جای تمرکز بر کاربردهایی که بهره‌وری صنایع و تولید ناخالص داخلی (GDP) را تکان دهند، به شدت مورد نقد قرار گرفت. از سوی دیگر، فقر شدید دیتاست‌های پالایش‌شده زبان فارسی (در حد ۷۲ یا ۷۳ دیتاست محدود) نشان داد که آموزش مدل‌های زبانی پایه در داخل با بن‌بست داده‌ای روبه‌روست و هم‌زمان، دگرگونی بنیادین در لایه امنیت سایبری و تغییر کامل قواعد هک و دفاع، تهدیدی جدی علیه اقتصاد دیجیتال به شمار می‌رود.

بااین‌حال، این شکاف آماری نباید صرفاً به‌عنوان عقب‌ماندگی ایران از یک مسابقه جهانیِ بی‌طرف خوانده شود. زنجیره هوش مصنوعی در جهانی شکل می‌گیرد که دسترسی به تراشه، پردازش، داده، سرمایه و بازار تحت تأثیر تحریم، رقابت قدرت‌ها و ملاحظات امنیتی قرار دارد. بنابراین پرسش ایران فقط این نیست که چگونه سریع‌تر به این قطار برسد؛ بلکه باید روشن کند در شرایط محدودیت، کدام ظرفیت‌ها را باید به‌صورت مستقل و کدام بخش‌ها را از طریق همکاری خارجی توسعه دهد.

معمای بازگشت سرمایه (ROI) در هوش مصنوعی سازمانی

در لایه ساختار بنگاه‌ها نیز غفلت گزارش از مدل کسب‌وکار هوش مصنوعی سازمانی (Enterprise AI) به عنوان یک نقطه مبهم شناسایی شد؛ این فناوری به دلیل هزینه‌های اولیه و سنگین (Upfront)، در ابتدا کسری بودجه (Deficit) ایجاد می‌کند و رسیدن به نقطه سربه‌سر (Break-even) در آن طولانی است، امری که بحران جریان نقدینگی (Cash Flow) شرکت‌ها را تشدید می‌کند. الگوهای رایج مدیریتی نظیر تأسیس شتاب‌زده واحدهای مستقل کسب‌وکار (SBU) یا شرکت‌های اقماری که با استخدام‌های پرهزینه در نهایت به تولید چت‌بات‌های زیان‌ده ختم می‌شوند، ناکارآمد ارزیابی شدند.

در همین راستا، نظام سنتی قرارداد با متخصصان هوش مصنوعی و پرداخت دستمزدهایی تا ۷۰ درصد بالاتر از میانگین سازمان که موجب تنش داخلی می‌شود، به چالش کشیده شد و لزوم جایگزینی آن با مدل‌های بازی‌وارسازی‌شده (Gamification) شامل مهلت سه‌ماهه برای تولید محصول اولیه قابل‌عرضه (MVP) و سپس الزام به بستن معامله واقعی و تجاری (Deal) در بازار مورد تأکید قرار گرفت.

خروج از وب و نفوذ به جهان فیزیکی؛ مزیت مدل‌های تخصصی در صنایع حیاتی

در نقطه مقابل، پنل به فرصت‌های نویدبخشی اشاره کرد که در دل همین ناترازی‌ها نهفته است. داده‌ها نشان داد الگوی ادغام و تملک (M&A) بهترین مسیر برای ورود استارتاپ‌ها به بازار و جذب در شرکت‌های بزرگ است. مهم‌تر از آن، وجود بخش‌های بحران‌زده‌ای چون سلامت (با گردش مالی ۱۲ تا ۲۰ میلیارد دلار)، آموزش، انرژی و حمل‌ونقل که دولت در آن‌ها به دلیل فقر منابع از تأمین استاندارد، کیفیت و عدالت بازمانده، بزرگ‌ترین زمین بازی برای ارزش‌آفرینی بخش خصوصی است.

سوالی که در این بخش در ذهن مخاطب شکل می‌گرفت این بود که آیا می‌توان از دولت انتظار داشت زیرساخت و امنیت داده را سامان دهد، اما هم‌زمان صرفاً کنار برود و میدان را به بخش خصوصی واگذار کند؟ بخش خصوصی برای نوآوری و اجرا ضروری است، اما دولتِ فاقد منابع و ظرفیت اعمال سیاست، حتی توان تنظیم‌گری مؤثر و حمایت از همان بخش خصوصی را نیز از دست خواهد داد. کوچک‌سازی دولت به جای بازتعریف نقش و چگونگی مداخله آن، نه تنها به ناتوانی در چابک‌سازی، بلکه به تضعیف ظرفیت توسعه‌ای کشور منجر می‌شود.

علاوه بر این، تعریف Use-Caseهای دقیق با خطای بسیار پایین (مانند حل مسائل تطبیق و ریسک بانکی با خطای زیر ۵ درصد) و عبور از فضای وب به سمت «اعمال عمل فیزیکی در محیط» از طریق مدل‌های تخصصی با ابعاد متوسط (Middle-size Specialized Models) در صنایعی چون دارو، واکسن و روانکارهای صنعتی، مزیت‌های پایداری خلق می‌کند که ارزش داده‌های آزمایشگاهی آن‌ها به‌مراتب فراتر از داده‌های متنی است.

مانیفست سه مرحله‌ای برای حکمرانی

بر پایه این تحلیل آماری و با اتکا به نظریه انتشار فناوری‌های عام‌منظوره (GPT Diffusion Theory)، کارشناسان سه اقدام عاجل را برای تغییر ریل هرم سیاست‌گذاری کشور استخراج کردند:

• نخستین اقدام؛ اولویت‌سنجی واقع‌گرایانه و حل مسائل روزمره دستگاه‌ها: حاکمیت باید بلندپروازی‌های بی‌سرانجام را متوقف کرده و با یک ماتریس موازنه‌گر میان دو عامل تصمیم‌گیری کند: شناسایی بخش‌هایی که طبق بودجه سنواتی به‌شدت «تشنه بودجه» هستند و ارزیابی میزان «آمادگی و اجازه ورود فناوری» به آن ساختارها؛ نقطه‌ای که مداخله در آن مستقیماً به ارتقای شفافیت و رفاه عمومی ختم می‌شود.
• دومین اقدام؛ تغییر زمین بازی و گشودن بن‌بست‌های دولتی به روی بخش خصوصی: بازارهای تشنه تحول در سلامت، آموزش و انرژی باید در قالب مدل‌های نوین حکمرانی و توافق‌نامه‌های سطح خدمات (SLA) به روی بازیگران خصوصی باز شوند تا موتور اقتصاد هوش مصنوعی روشن شده و مازاد منابع بخش خصوصی از بازارهای رانت‌محور به سمت بهره‌وری هدایت شود.
• سومین اقدام؛ توقف رؤیای «مدل‌سازی پایه» و پذیرش استراتژی «انتشار هوشمند»: سیاست‌گذار عالی باید بپذیرد که کشور در تله درآمد متوسط (Middle-Income Trap) قرار دارد و توان تبدیل شدن به سازنده مدل پایه (Model Maker) را ندارد. بنابراین باید با فروتنی، نقش یک «پذیرنده و تطبیق‌دهنده هوشمند» (Model Taker) را ایفا کند و تمرکز خود را بر پر کردن خلأهای دانشی، ساخت انباری از کاربردهای صنعتی موفق (Use-Cases) متصل به درآمد واقعی و گذار به اقتصاد مبتنی بر بهره‌وری (Productivity) قرار دهد.

البته به نظر می‌رسد که در بیان شرکت‌کنندگان پنل پذیرنده هوشمند نباید با مصرف‌کننده وابسته اشتباه گرفته شود. راهبرد واقع‌گرایانه می‌تواند «مدل پایه ملی در مقیاس محدود و مأموریت‌محور» باشد؛ نه رقابت پرهزینه با بزرگ‌ترین شرکت‌های جهان و نه تسلیم کامل به مصرف محصولات دیگران.

در کنار نکات قابل‌تأمل نخبگان این پنل، تعمیق در نسبت میان وظایف دولت و نقش بخش خصوصی، یک پرسش اساسی را پیش روی بحث قرار می‌دهد:

مزیت‌سازی منطقه‌ای؛ میان محدودیت‌های واقعی و امکان‌های راهبردی

در ادامه و با ورود به بخش پرسش‌های مخاطبان، یکی از حاضران پرسیده بود که آیا می‌توان از هوش مصنوعی به عنوان ابزاری برای غلبه بر محدودیت‌های منطقه‌ای و توسعه صادرات محصولات و خدمات با ارزش‌افزوده مهندسی استفاده کرد و برای سایر کشورها مزیت خلق دانش به وجود آورد؟

پاسخ دکتر فرهای به این فرضیه صریح و کوتاه بود: «خیر، گره‌ها و چالش‌های ساختاری کشور بسیار عمیق‌تر و بزرگ‌تر از آن است که در شرایط کنونی بتوان به چنین مزیت‌سازی‌هایی در سطح منطقه امید بست.»

این پاسخ، از نظر واقع‌بینی نسبت به محدودیت‌های ساختاری کشور قابل فهم است؛ اما خطر آن وجود دارد که «ناتوانی فعلی» با «فقدان امکان راهبردی» یکی گرفته شود. ایران برای خلق مزیت منطقه‌ای الزاماً به رقابت در همه لایه‌های فناوری یا جذب سرمایه‌گذاری عظیم نیاز ندارد؛ طبق سخنان قبلی در همین پنل نخست باید نقش‌های ممکن خود را در زنجیره تأمین و ارزش هوش مصنوعی شناسایی کند و سپس با ترکیبی از ظرفیت‌های داخلی، تمرکز بر حوزه‌های تخصصی و همکاری فناورانه با قدرت‌های بزرگ که در برخی منافع راهبردی با ایران هم‌پوشانی دارند، جایگاه‌هایی محدود اما مؤثر بسازد. مسئله اصلی، امکان یا امتناع مطلق نیست؛ بلکه انتخاب حوزه‌هایی است که با ظرفیت‌های موجود، الزامات ژئوپلیتیکی و نیازهای امنیتی کشور سازگار باشند.

ماراتن زیرساخت و انرژی در منطقه؛ چرا ایران به مقیاس پردازشی امارات و عربستان نیاز ندارد؟

در ادامه، راهبر پنل به استراتژی کشورهای منطقه مانند عربستان و امارات در تمرکز بر تأمین برق و زیرساخت‌های پردازشی اشاره کرد و با طرح چالش ناترازی‌های داخلی در حوزه انرژی (گاز، برق و بنزین)، پرسید چرا زیرساخت و انرژی تا این حد برای کشورهای منطقه کلیدی شده و نسبت ایران با این مزیت‌ها چیست؟

پاسخ ارائه‌شده بر تفکیک دو لایه «آموزش» و «کاربرد» هوش مصنوعی متمرکز بود؛ به این معنا که زیرساخت پردازشی مورد نیاز برای مرحله استفاده و استنتاج (Inference) ده‌ها برابر کوچک‌تر و کم‌هزینه‌تر از مرحله آموزش مدل‌های پایه (Training) است. بنابراین اگر اولویت کشور، توسعه و آموزش مدل‌های خاص در حوزه‌های تخصصی برای تولید محصولات جدید باشد، اصولاً نیازی به مقیاس‌های پردازشی مشابه کشورهای منطقه نخواهد بود. علاوه بر این، تصریح شد که مزارع پردازشی عظیم در کشورهای همسایه اساساً برای مصرف محلی ساخته نمی‌شوند، بلکه با هدف جذب، استقرار و سرمایه‌گذاری مشترک با غول‌های فناوری بین‌المللی ایجاد شده‌اند؛ افقی که به دلیل شرایط موجود، فعلاً در ایران در دسترس نیست.

گذار از توهم «مالکیت سنتی» به «حق دسترسی ضابطه‌مند» به داده‌های ملی

سوال مخاطب دیگری این بود که با ارجاع به جداول آماری گزارش که حاکی از چولگی شدید دیتاست‌های مرتبط با ایران به سمت داده‌های متنی بود، راهکار تولید و نشر سایر گونه‌های داده‌ای چیست؟

در پاسخ به این پرسش، ریشه اصلی مشکل در عدم شکل‌گیری «ارزش تجاری و مالی داده» در کشور عنوان شد؛ به این معنا که تا زمانی که بازار خرید و فروش شفاف، ارزش‌گذاری و حتی ابزارهای بیمه‌ای برای داده تعریف نشود، این چالش حل نخواهد شد. وضع موجود در سامانه‌های داده‌باز دولتی نیز به شدت نقد شد؛ چرا که این پلتفرم‌ها عمدتاً انباشتی از فایل‌های بی‌کیفیت نظیر PDF و اکسل‌های پراکنده‌اند، در حالی که داده‌های پالایش‌شده و استانداردی که یک متخصص هوش مصنوعی بتواند با رعایت اصول محرمانگی از آن‌ها استفاده کند، بسیار محدود است و باید سازوکاری فراهم شود تا تولیدکننده بتواند داده خود را به بهای منصفانه واگذار کند.

از منظر تحلیل اقتصادی نیز تفکیک مهمی پیرامون ماهیت داده مطرح گردید: در علم اقتصاد، داده یک «کالای غیررقابتی» (Non-rival) محسوب می‌شود؛ به این معنی که بهره‌برداری یک فرد، مانع دسترسی هم‌زمان دیگران به آن پایگاه داده نخواهد شد. بنابراین، اصرار بر فرهنگ مالکیت سنتی (Ownership) روی داده نادرست است و باید به سمت استقرار سازوکار «حق دسترسی ضابطه‌مند» (Entitlement) بر پایه توافق‌نامه‌های سطح خدمات و ثبت گزارش‌های دسترسی (Log) حرکت کرد. با استناد به قانون انتشار و دسترسی آزاد به اطلاعات (مصوب ۱۳۹۷)، دسترسی به داده‌های عمومی یک «حق قانونی» برای همگان است و این ممانعت از ارائه داده توسط نهادهای دولتی است که نیازمند توجیه و دلیل قانونی است، نه درخواست دسترسی به آن.

منطق تجاری داده‌های خصوصی و اولویت‌های راهبردی در داده‌های عمومی

در امتداد بحث داده‌ها، فردیس پرسش دیگری از سوی مخاطبان را مطرح کرد مبنی بر اینکه اگر قرار باشد دو دسته از داده‌های دولتی با هدف تحریک اقتصاد بخش مربوطه آزاد شوند، اولویت با کدام پایگاه‌ها خواهد بود؟

طرح این پرسش، بحث را بلافاصله به سمت ارزش داده‌های بخش خصوصی کشاند؛ جایی که در ابتدا به عنوان یک فرضیه مطرح شد که اگر شرکت‌های بزرگ اقتصاد دیجیتال مانند اسنپ و دیجی‌کالا داده‌های انباشته خود را به اشتراک بگذارند، تحول و جهش بزرگی در کسب‌وکارهای وابسته رخ خواهد داد. اما این دیدگاه با یک استدلال صریح اقتصادی به چالش کشیده شد: چرا پلتفرمی که سرمایه‌گذاری سنگینی برای خلق و تجمیع داده انجام داده باید آن را رایگان واگذار کند؟ منطق تجاری حکم می‌کند که دسترسی به داده باید بر بستر وب‌سرویس‌ها (API-based) و با دریافت حق اشتراک (Subscription Fee) باشد؛ به این ترتیب که در ابتدا داده‌ها ناشناس‌سازی شده و با نرخ‌های ترجیحی عرضه شوند و پس از تثبیت تقاضا، با قیمت‌گذاری واقعی تجاری‌سازی گردند.

در ادامه، توجه کارشناسان به دو فرصت قطعی برای بهره‌برداری از داده‌های عمومی جلب شد: نخست، «اقتصاد سالمندی» (Silver Economy)؛ شاخص‌های جمعیتی نشان می‌دهد سن میانه در ایران به بالای ۳۴ سال رسیده و کشور با شتاب به سمت سالخوردگی در حرکت است که این روند در افق ۱۴۱۰ به نقطه اوج می‌رسد. این تغییر جمعیتی، یک بازار تضمینی و بدون ریسک برای سرمایه‌گذاری هوش مصنوعی در حوزه‌های B2C و B2B ایجاد می‌کند. از آنجا که دیتابیس متمرکزی برای سالمندی وجود ندارد، مأموریت اصلی دانشمندان داده پیوند زدن داده‌های ثبت احوال، بودجه خانوار و وزارت بهداشت است تا پیش از بحران ورشکستگی صندوق‌های بازنشستگی خدماتِ پیش‌فروش‌شده، پایش سلامت و بیماری‌های مزمن (نظیر آلزایمر و پارکینسون)، مراقبت، آموزش و سبک زندگی به جامعه میانسال و سالمند ارائه شود.

دومین اولویت، آزادسازی داده‌های مالیاتی، گمرکی و سلامت ارزیابی شد؛ شفاف‌سازی این داده‌ها به‌تنهایی در صنعتی مانند بیمه می‌تواند سالانه تا ۵۰۰ میلیون دلار از زیان‌ها و هزینه‌ها بکاهد.

در این میان باید خاطرنشان کرد که ورود بخش خصوصی به حوزه‌های بحران‌زده‌ای مانند سلامت و آموزش می‌تواند کیفیت و بهره‌وری را افزایش دهد، اما این حوزه‌ها صرفاً بازارهای تشنه خدمات نیستند؛ آن‌ها با عدالت، دسترسی عمومی و امنیت اجتماعی پیوند دارند. اگر دولت تنها نقش گشاینده بازار را ایفا کند، خطر آن وجود دارد که بخش خصوصی به سمت گروه‌های پردرآمد و مناطق سودآور حرکت کند و شکاف دسترسی افزایش یابد.

تغییر ریل سیاست‌گذاری در ستاد هوش مصنوعی؛ مشروط شدن حمایت‌ها به وجود بهره‌بردار صنعتی

در ادامه طرح پرسش‌های حضار، یکی از مخاطبان درباره مهم‌ترین برنامه‌ها و اقدامات جاری در ستاد توسعه فناوری‌های هوش مصنوعی سوال کرد. در پاسخ به این پرسش، نماینده ستاد بر تغییر رویکرد نهادی از حمایت‌های صرفاً پژوهشی به سمت پروژه‌های کاربردی تأکید کرد. وی با اشاره به فراخوان‌های مشترک میان معاونت علمی، وزارت علوم و دستگاه‌های اجرایی توضیح داد که استراتژی جدید ستاد، مشروط کردن اعطای حمایت‌های کامل مالی به وجود یک «بهره‌بردار واقعی صنعتی» برای طرح‌هاست تا خروجی پروژه‌ها از ابتدا متصل به نیاز بازار باشد. همچنین اعلام شد که در حال حاضر فراخوان‌هایی با همین الگو در حوزه‌های حمل‌ونقل، خدمات بانکی، صنایع دریایی و فضا در دست اجرا قرار دارد که سنجش اثرگذاری ملموس آن‌ها نیازمند تکمیل چرخه اجرای این طرح‌ها در آینده نزدیک است.

افق آینده اقتصاد دیجیتال؛ از زایش نئوبانک‌ها تا ظهور یونیکورن‌های زنجیره تأمین

در ایستگاه پایانی پنل، فرزین فردیس چشم‌انداز آینده را با نگاهی به گذشته صورت‌بندی کرد؛ او یادآور شد که در موج نخست اقتصاد دیجیتال، ایران به عنوان یک دنباله‌رو و انطباق‌دهنده موفق (Fast Follower) توانست با بومی‌سازی هوشمندانه مدل‌هایی چون آمازون و اوبر، کسب‌وکارهایی مانند دیجی‌کالا، اسنپ، کافه‌بازار و دیوار را شکل دهد. با این پیشینه، پرسش پایانی این بود که در عصر هوش مصنوعی، موفق‌ترین شرکت‌ها، استارتاپ‌ها و یونیکورن‌های آینده کشور در کدام حوزه‌ها متولد خواهند شد؟

پاسخ کارشناسان بر سه حوزه تحول‌آفرین متمرکز شد: نخستین کانون رشد، بخش‌های سلامت، آموزش و انرژی معرفی شدند؛ بخش‌هایی که تحت تأثیر تحولات رگولاتوری قرار دارند. در حوزه سلامت، تدوین مدل اپراتوری و رگولاتوری توسط وزارت بهداشت و تکلیف قانونی برنامه هفتم توسعه برای ورود اپراتورهای سلامت بخش خصوصی، زمینه را برای جهش فناوری فراهم می‌کند. در کنار آن، تمایل به حذف بروکراسی اداری در آموزش و توسعه حوزه‌هایی مانند طراحی محاسباتی دارو و مواد (Drug & Material Design)، پلیمرها و پلاستیک‌های نوین و بازیافت در چارچوب اقتصاد چرخشی، از مهم‌ترین اولویت‌های خلق ارزش به شمار می‌روند.

دومین محور موفقیت، یکپارچه‌سازی هوش مصنوعی در سراسر زنجیره تأمین صنایع مادر تعریف شد. استارتاپ‌های آینده به جای تمرکز بر کاربردهای نقطه‌ای و جزیره‌ای، باید کل فرآیند را هدف بگیرند؛ به عنوان نمونه در صنایع پتروشیمی یا داروسازی، هوش مصنوعی باید از مرحله استخراج ماده اولیه تا تولید محصول نهایی و توزیع را به شکل سراسری و متصل پوشش دهد.

سومین بستر جهش، صنعت فین‌تک و رفع موانع ساختاری نئوبانک‌ها بود. با اشاره به اینکه کشور در موج اول فین‌تک به دلیل معذوریت‌های نهادی نتوانست یونیکورنی خلق کند، فرصت کنونی به عنوان زمان طلایی این بخش ارزیابی شد. در این راستا، نقد صریحی به نگاه سنتی بانک مرکزی وارد شد که نئوبانک را صرفاً یک «شعبه دیجیتال» تعریف کرده است. نئوبانک شعبه نیست، بلکه ساختاری با مقیاس‌پذیری بسیار بالا (Scalable) و رها از محدودیت‌های فیزیکی است که هسته اصلی آن تنها دفتر کل است. پذیرش درست این مفهوم از سوی رگولاتور، زمینه را برای استقرار هوش مصنوعی در اعتبارسنجی، لندتک، مدیریت ریسک و بیمه هوشمند فراهم می‌سازد و می‌تواند بستر زایش ده‌ها شرکت فین‌تک مقیاس‌پذیر را در کشور شکل دهد.

در دقایق پایانی نشست و نیز در پاسخ به ابهام مطرح‌شده پیرامون مأموریت «اپراتورهای داده»، تشریح شد که سند حکمرانی داده، چارچوب این نهادها را تبیین کرده و چالش اصلی در لایه اجرا، تبدیل این تعاریف به سازوکارهایی عملیاتی است تا داده‌های خام دولتی به دارایی‌های باکیفیت و قابل بهره‌برداری تجاری برای بخش خصوصی تبدیل شوند.

امید است ایران به‌جای انتظار برای بازگشت جهان به شرایط گذشته، با تکیه بر دولتی توانمند، سیاست صنعتی هوشمند، همکاری گزینشی با شرکای دارای منافع مشترک و ظرفیت نوآور بخش خصوصی، جایگاهی مستقل و اثرگذار در زنجیره ارزش هوش مصنوعی بیابد؛ جایگاهی که هم به بهره‌وری و رفاه عمومی کمک کند و هم پشتوانه‌ای برای امنیت و قدرت چانه‌زنی کشور باشد.