برگ برنده اروپا در رقابت هوش مصنوعی با آمریکا و چین؛ تمرکز بر مدل‌های تخصصی به‌جای مدل‌های غول‌پیکر

مسیر اروپا برای رسیدن به جایگاه رهبری در هوش مصنوعی، از خرج کردن پول بیشتر نسبت به ایالات متحده یا چین برای ساخت مدل‌های پیشرو و غول‌پیکر نمی‌گذرد؛ بلکه در گرو تکیه بر نقاط قوت منحصربه‌فرد این قاره است.

اگر اروپا بدون تمرکز مشخص وارد رقابت هزینه‌های سرسام‌آور هوش مصنوعی شود، وارد بازی اشتباهی شده است که بهای سنگینی روی دستش می‌گذارد. رقابت دیگری هم در جریان است که در آن، میزان بودجه شرکت‌ها یا قدرت خام مدل‌هایشان اهمیت ندارد؛ بلکه ارزش و آورده واقعی استفاده از این مدل‌ها تعیین‌کننده است.

در این میدان، توسعه قدرتمندترین مدل شما را برنده نمی‌کند؛ بلکه ارائه مدل‌های تخصصی که با هزینه‌ای بهینه، دقیقاً متناسب با نیازهای یک وظیفه خاص طراحی شده‌اند، رمز پیروزی خواهد بود. مسیر آینده رقابت هوش مصنوعی به این سمت می‌رود و این دقیقاً همان میدانی است که اروپا باید وارد آن شود؛ بازی‌ای که این قاره ذاتاً برای برنده شدن در آن ساخته شده است.

بیش از دو قرن توسعه صنعتی در اروپا، در کنار سنت‌های دیرینه‌تر در مهندسی دقیق، علوم پایه و مهارت‌های ساخت پیشرفته، مزیتی را به وجود آورده که بازتولید سریع آن تقریباً غیرممکن است: تمرکز فوق‌العاده دانش اختصاصی، داده‌های عملیاتی باکیفیت و تخصص عمیق در حوزه‌های مختلف.

این دارایی‌ها زیربنای لازم را برای ساخت سیستم‌های هوش مصنوعی فراهم می‌کنند که شناخت آن‌ها از یک صنعت، شرکت، فرآیند یا محیط نظارتی خاص، بسیار عمیق‌تر از چیزی است که هوش مصنوعی عمومی به‌تنهایی می‌تواند ارائه دهد. هرچه مدل‌های هوش مصنوعی عمومی برای انجام کارهای روزمره توانمندتر و جایگزین‌پذیرتر شوند، اهمیت این مزایای تخصصی بیشتر خواهد شد، نه کمتر.

شرکت‌ها و نهادهای صنعتی اروپا دهه‌ها داده مهندسی، طرح‌های صنعتی، سوابق تعمیر و نگهداری، دستاوردهای تحقیق و توسعه و دانش عملیاتی را در اختیار دارند که نمی‌توان آن‌ها را صرفاً با افزایش مقیاس پردازش یا تزریق سرمایه بازآفرینی کرد.

اهمیت هوش مصنوعی تخصصی

اینجاست که «هوش مصنوعی تخصصی» (Specialist AI) وارد میدان می‌شود؛ هوشی که حول محور دانش، داده‌ها، گردش‌کارها و محدودیت‌های خاص یک صنعت یا سازمان شکل گرفته و از ترکیب درستی از مدل‌ها و زیرساخت‌ها برای انجام وظایف استفاده می‌کند.

این فرضیه که «بزرگ‌تر همیشه بهتر است»، دیدگاهی منسوخ و به‌شدت پرهزینه است. اگر قرار باشد هر ابزار هوش مصنوعی در داخل یک شرکت، تمام درخواست‌ها را به یک مدل پیشرو و گران‌قیمت ارجاع دهد، در نهایت تمام مسائل کسب‌وکار، چه نیاز باشد و چه نباشد، با همان مدل سنگین حل می‌شوند. بازنویسی یک ایمیل؟ استفاده از مدل پیشرو. خطایابی کد؟ استفاده از مدل پیشرو. خلاصه‌سازی اسناد، نوشتن پیش‌نویس یادداشت‌ها و تحلیل فایل‌های صفحه‌گسترده؟ باز هم استفاده از همان مدل پیشرو.

پژوهش‌های شرکت مشاوره فناوری Accenture نشان می‌دهد که از هر سه سازمان، یک مورد بودجه توکن‌های خود را پیش از پایان سال تمام می‌کند، در حالی که کمتر از ۲۰ درصد از این هزینه‌ها به بازگشت مالی قابل اندازه‌گیری منجر می‌شود. راه‌حل چیست؟ قدرتمندترین مدل‌های هوش مصنوعی را فقط برای کارهایی کنار بگذارید که واقعاً به آن نیاز دارند و برای سایر امور، از مدل‌های کوچک‌تر و تخصصی‌تر بهره بگیرید. هم‌چنین تحلیل‌ها روی بیش از ۹,۰۰۰ وظیفه کاری نشان می‌دهد که حدود ۹۰ درصد آن‌ها اصلاً نیازی به قابلیت‌های مدل‌های پیشرو ندارند.

البته این فرصت، بسیار فراتر از کنترل هزینه‌ها است. مسئله مهم فقط قیمت هر توکن نیست؛ بلکه این است که دانش استراتژیک کجا ذخیره می‌شود، چه کسی آن را کنترل می‌کند، کدام مدل‌ها به آن دسترسی دارند، تحت چه قوانین قضایی فعالیت می‌کند و شرکت‌ها چقدر به یک تامین‌کننده خارجی واحد وابسته می‌شوند.

استقلال استراتژیک بلندمدت، به‌جای وابستگی به مدل‌های پیشرو متعلق به یک منطقه جغرافیایی خاص، راهبرد صنعتی بسیار مقاوم‌تر و پایدارتری به‌شمار می‌رود.

حساسیت داده‌ها، مقررات و ویژگی‌های عملیاتی

این موضوع به‌ویژه در بخش‌هایی مانند صنایع دفاعی، مالی، مراقبت‌های بهداشتی و بخش دولتی که در آن‌ها حساسیت داده‌ها، قوانین نظارتی و جزئیات عملیاتی اهمیت بالایی دارند، بسیار حیاتی است. این صنایع همیشه به پیشرفته‌ترین مدل‌های عمومی نیاز ندارند. آن‌ها اغلب نیازمند سیستم‌های قابل اعتماد، قابل حسابرسی و تخصصی هستند که حوزه کاری آن‌ها را به‌خوبی درک کنند. در چنین شرایطی، مدل‌های محلی و درون‌سازمانی نه‌تنها کافی هستند، بلکه گزینه ارجح محسوب می‌شوند.

در حال حاضر اداره ثبت اختراعات اروپا روزانه ۴۰۰,۰۰۰ صفحه سند را با استفاده از یک مدل هدفمند یک میلیارد پارامتری و با نرخ خطای زیر یک درصد پردازش می‌کند. این یک دستاورد درجه دو یا جایزه دلگرمی نیست؛ بلکه نقشه راهی دقیق برای شیوه‌ای است که صنایع اروپایی باید در پیش بگیرند.

بنابراین شرکت‌ها باید دیدگاه خود را فراتر از یک مدل واحد یا یک تامین‌کننده خاص گسترش دهند؛ یعنی استفاده از مدل‌های پیشرو برای پیچیده‌ترین وظایف، و بهره‌گیری از مدل‌های تخصصی، بومی یا درون‌سازمانی برای بارهای کاری تکرارپذیر، خاصِ یک حوزه و حساس.

اروپا به چکش بزرگ‌تر نیاز ندارد، بلکه نیازمند جعبه‌ابزار بهتری است. اروپا باید تلاش برای تبدیل شدن به سیلیکون‌ولی را متوقف کند. مزیت واقعی این قاره در آن است که دانش صنعتی خود را که سیلیکون‌ولی قادر به کپی کردنش نیست، به هوش مصنوعی‌ای تبدیل کند که جهان به‌سادگی نمی‌تواند مشابهش را بسازد.