Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش خبری
پرامپت‌ نویسی
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
خطرات هوش مصنوعی
دیتاست
مدل‌های بنیادی
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
پیاده‌سازی هوش مصنوعی
گزارش
مصاحبه
هوش مصنوعی در عمل
 بن‌بست هوش مصنوعی بومی در روزهای قطعی اینترنت؛ سخت‌افزار ملی، وعده‌ای که محقق نشد

بن‌بست هوش مصنوعی بومی در روزهای قطعی اینترنت؛ سخت‌افزار ملی، وعده‌ای که محقق نشد

زمان مطالعه: 2 دقیقه

«قادر صادقی»، مدیرعامل رایچت، به نکته‌ای حیاتی اشاره کرد که فراتر از قطعی مستقیم سرورهاست. بسیاری از شرکت‌های بزرگ ایرانی، ابزار رایچت را نه به صورت مستقیم، بلکه از طریق سرویس Google Tag Manager فراخوانی می‌کردند. با مسدود شدن دسترسی به سرویس‌های گوگل، عملاً ارتباط کسب‌وکارها با این پلتفرم قطع شد، حتی اگر زیرساخت‌های خودِ رایچت در داخل کشور پایدار می‌ماند.

جست‌وجوی بی‌حاصل در میان ۶۰ شرکت زیرساختی

بزرگترین چالش زمانی رخ داد که رایچت تصمیم گرفت مدل زبانی بهینه‌سازی شده خود را در داخل کشور میزبانی (Host) کند. صادقی در این باره می‌گوید: «ما با حدود ۶۰ شرکت فعال در حوزه هاستینگ و زیرساخت مذاکره کردیم؛ اما هیچ‌کدام قادر نبودند حتی یک GPU یا یک مدل زبانی بزرگِ هاست‌شده در داخل ایران ارائه دهند تا ما بتوانیم هوش مصنوعی خود را روی آن سوار کنیم.»

این در حالی است که در سال‌های اخیر، همواره ادعاهایی مبنی بر سرمایه‌گذاری‌های چندهزار میلیارد تومانی دولت در زیرساخت‌های هوش مصنوعی مطرح شده است. اما در زمان بحران، مشخص شد که این سرمایه‌گذاری‌ها دست‌کم در لایه عملیاتی و برای حمایت از استارتاپ‌ها، خروجی ملموسی نداشته است.

عقب‌گرد اجباری: از مدل‌های ۷۰ میلیاردی به مدل‌های ضعیف ۳۰ میلیاردی

به دلیل نبود سخت‌افزار مناسب (پردازنده‌های گرافیکی قدرتمند)، تیم فنی رایچت مجبور شد از مدل‌های زبانی بسیار کوچکتر (مانند Qwen3 با ۳۰ میلیارد پارامتر) استفاده کند. این عقب‌گرد تکنولوژیک به معنای کاهش دقت، محدودیت در تعداد کاربران همزمان و افزایش شدید تاخیر در پاسخگویی (Latency) است؛ امری که عملاً کارایی هوش مصنوعی را در سطح تجاری زیر سوال می‌برد.

راهکار بومی‌سازی RAG و شکست در لایه اجرا

رایچت حتی با توسعه سیستم RAG داخلی (سیستمی که داده‌ها را پیش از ارسال به مدل پردازش می‌کند)، سعی کرد وابستگی خود را به اینترنت جهانی به حداقل برساند. اما حقیقت این است که هوش مصنوعی نرم‌افزاری است که بر دوش سخت‌افزار سوار می‌شود. وقتی زیرساخت کشور توان میزبانی از مدل‌های زبانی را ندارد، بومی‌سازی نرم‌افزاری تنها یک تلاش ناتمام باقی خواهد ماند.

مدیرعامل رایچت در پایان تاکید کرد که انتظار می‌رفت پس از صرف بودجه‌های کلان در حوزه زیرساخت، وزارت ارتباطات فضایی را مهیا کرده باشد که استارتاپ‌ها در زمان قطعی اینترنت، حداقل بتوانند سرویس‌های حیاتی خود را به سرورهای داخلی منتقل کنند؛ انتظاری که فعلاً پاسخی برای آن وجود ندارد.

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها

در جریان مهم‌ترین اتفاقات AI بمانید

هر هفته، خلاصه‌ای از اخبار، تحلیل‌ها و رویدادهای هوش مصنوعی را در ایمیل‌تان دریافت کنید.

[wpforms id="48325"]