📊 بخش عمومی؛ ایران دقیقاً کجای مسیر هوش مصنوعی قرار دارد؟

برای سنجش فاصله ایران نباید فقط به تعداد پارامترهای یک مدل نگاه کرد. یک مدل زبانی بزرگ حاصل ترکیب چند عنصر است: معماری مدل، حجم و کیفیت داده، سخت‌افزار، الگوریتم آموزش، روش‌های تنظیم و ارزیابی، زیرساخت شبکه و ذخیره‌سازی و در نهایت تیمی که بتواند همه این اجزا را در مقیاس بزرگ مدیریت کند.

🎯 ساخت مدل ایرانی با رقابت جهانی یکی نیست

اگر هدف، ساخت یک مدل فارسی ۷ تا ۳۰ میلیارد پارامتری باشد، ایران از نظر دانش فنی فاصله غیرقابل عبوری ندارد. چنین مدلی می‌تواند برای مکالمه فارسی، جست‌وجوی اسناد، خدمات سازمانی، برنامه‌نویسی، آموزش و کاربردهای تخصصی توسعه پیدا کند.

اما وقتی هدف به مدل‌های بسیار بزرگ می‌رسد، مقیاس مسئله تغییر می‌کند. برای نمونه، متا برای آموزش Llama 3.1 با مدل ۴۰۵ میلیارد پارامتری از بیش از ۱۶ هزار GPU نوع H100 استفاده کرد و این خانواده مدل‌ها روی بیش از ۱۵ تریلیون توکن آموزش داده شدند.

بنابراین فاصله اصلی ایران فقط «دانش ساخت شبکه عصبی» نیست؛ مقیاس اجرای پروژه مسئله اصلی است.

🎯 بخش عمومی؛ سه سطح متفاوت برای ساخت هوش مصنوعی ایرانی

می‌توان مسیر ایران را در سه سطح تصور کرد. سطح نخست، تولید مدل‌های کوچک و متوسط فارسی است. سطح دوم، ایجاد مدل‌های بزرگ چندزبانه و تخصصی است. سطح سوم، حضور در رقابت مدل‌های مرزی و توسعه فناوری‌های پایه‌ای مانند معماری‌های جدید، روش‌های استدلال و مدل‌های چندوجهی است.

• سطح اول: مدل‌های ۷ تا ۳۰ میلیارد پارامتری با تمرکز بر فارسی و کاربردهای داخلی.
• سطح دوم: مدل‌های ۳۰ تا ۲۰۰ میلیارد پارامتری، احتمالاً با معماری Mixture of Experts.
• سطح سوم: مدل‌های بسیار بزرگ و چندوجهی با زیرساخت محاسباتی در مقیاس ملی.

سطح اول برای ایران کاملاً دست‌یافتنی است. سطح دوم نیازمند سرمایه‌گذاری جدی است و سطح سوم بدون ایجاد یک اکوسیستم ملی هوش مصنوعی بسیار دشوار خواهد بود.

🧠 چرا مدل‌های MoE اهمیت دارند؟

یکی از تغییرات مهم در معماری مدل‌های بزرگ، استفاده از Mixture of Experts یا MoE است. در این روش ممکن است تعداد کل پارامترهای مدل بسیار زیاد باشد، اما برای تولید هر توکن فقط بخشی از شبکه فعال شود.

DeepSeek-V3 نمونه مهمی از این رویکرد است. این مدل در مجموع ۶۷۱ میلیارد پارامتر دارد، اما برای هر توکن حدود ۳۷ میلیارد پارامتر فعال می‌کند و با ۱۴.۸ تریلیون توکن آموزش داده شده است.

🏗️ بخش تخصصی؛ گلوگاه واقعی ایران کجاست؟

اگر ایران تصمیم بگیرد یک مدل زبانی بزرگ ملی ایجاد کند، اولین گلوگاه GPU و زیرساخت محاسباتی خواهد بود. آموزش مدل‌های بزرگ به هزاران شتاب‌دهنده پردازشی، شبکه ارتباطی بسیار سریع میان آنها، ذخیره‌سازی عظیم و سیستم‌های خنک‌کننده و برق پایدار نیاز دارد.

⚡ GPU فقط بخشی از مسئله است

تصور اینکه می‌توان چند هزار GPU خرید و بلافاصله یک مدل در سطح جهانی ساخت، اشتباه است. GPUها باید در یک کلاستر به‌هم‌پیوسته فعالیت کنند و ارتباط میان آنها در زمان آموزش اهمیت بسیار زیادی دارد.

در مدل ۴۰۵ میلیارد پارامتری Llama 3.1، متا مجموعاً ۳۹.۳ میلیون ساعت GPU برای خانواده این مدل‌ها گزارش کرده که سهم مدل ۴۰۵B حدود ۳۰.۸۴ میلیون ساعت GPU بوده است.

این اعداد نشان می‌دهند که رقابت واقعی، رقابت بر سر «تعداد GPU» نیست؛ بلکه رقابت بر سر توان محاسباتی پایدار و قابل مدیریت است.

🔐 تحریم و دسترسی به سخت‌افزار

برای ایران مسئله دسترسی به شتاب‌دهنده‌های پیشرفته اهمیت بیشتری دارد. محدودیت‌های صادرات فناوری هوش مصنوعی، دسترسی برخی کشورها از جمله ایران به تراشه‌ها و زیرساخت‌های پیشرفته را تحت تأثیر قرار داده است.

در نتیجه، ایران برای رسیدن به استقلال واقعی نمی‌تواند فقط روی خرید سخت‌افزار خارجی حساب کند. مسیر بلندمدت شامل بهینه‌سازی نرم‌افزاری، استفاده مؤثرتر از سخت‌افزارهای موجود، توسعه شتاب‌دهنده‌های داخلی و ایجاد معماری‌هایی است که با منابع محدود نیز کارایی بالایی داشته باشند.

📚 داده؛ سرمایه‌ای که کمتر دیده می‌شود

مدل بزرگ بدون داده باکیفیت ساخته نمی‌شود. برای یک مدل ایرانی، داده فارسی اهمیت ویژه‌ای دارد؛ اما مسئله فقط جمع‌آوری میلیاردها صفحه متن نیست. داده باید پاک‌سازی، طبقه‌بندی، حذف داده‌های تکراری و بی‌کیفیت و از نظر حقوقی و امنیتی بررسی شود.

مدلی که روی حجم زیادی از متن ضعیف فارسی آموزش ببیند الزاماً مدل فارسی خوبی نخواهد بود. در مقابل، یک دیتاست کوچک‌تر اما دقیق، متنوع و تخصصی می‌تواند برای آموزش تکمیلی ارزش بسیار بیشتری داشته باشد.

💰 بخش تخصصی؛ ایران با چه سرمایه‌ای می‌تواند به مدل ۷۰ یا ۲۰۰ میلیارد پارامتری برسد؟

برای برآورد هزینه باید میان آموزش از صفر و توسعه مدل موجود تفاوت گذاشت. آموزش از صفر بسیار پرهزینه‌تر است، در حالی که استفاده از مدل‌های متن‌باز و انجام آموزش تکمیلی می‌تواند هزینه و زمان را به‌شدت کاهش دهد.

به‌صورت راهبردی می‌توان سه سناریو تعریف کرد: یک پروژه حدود ۱۰۰ میلیون دلاری برای ایجاد یک مدل و زیرساخت جدی در مقیاس ملی کوچک تا متوسط؛ پروژه حدود ۵۰۰ میلیون دلاری برای ایجاد یک کلاستر بزرگ، تیم پژوهشی گسترده و چند نسل مدل؛ و پروژه یک میلیارد دلاری یا بیشتر برای ورود جدی به رقابت زیرساختی و مدل‌های مرزی.

• ۱۰۰ میلیون دلار: مدل قدرتمند فارسی، کلاستر محاسباتی متوسط و تمرکز بر کاربردهای ملی.
• ۵۰۰ میلیون دلار: مدل‌های بزرگ‌تر، چندوجهی، تیم تحقیقاتی گسترده و زیرساخت پایدارتر.
• ۱ میلیارد دلار به بالا: امکان ایجاد یک برنامه چندساله ملی برای رقابت در بخش‌هایی از مرز فناوری.

این اعداد برآورد راهبردی هستند و قیمت واقعی GPU، هزینه برق، زیرساخت، دسترسی به سخت‌افزار و مدل انتخابی می‌تواند آنها را تغییر دهد. ضمن اینکه هزینه آموزش فقط بخشی از هزینه کل پروژه است و توسعه نرم‌افزار، داده، نیروی انسانی و استقرار مدل نیز بودجه قابل توجهی می‌خواهد.

💡 چرا ایران نباید الزاماً از صفر شروع کند؟

یک مسیر منطقی‌تر این است که ایران از مدل‌های متن‌باز قدرتمند به‌عنوان نقطه شروع استفاده کند و سپس مدل را برای زبان فارسی، دانش تخصصی و نیازهای داخلی آموزش دهد. حتی سازوکارهایی مانند تقطیر دانش، کوانتایز کردن و آموزش تکمیلی می‌توانند هزینه استقرار مدل‌های بزرگ را کاهش دهند.

این همان جایی است که تجربه مدل‌هایی مانند DeepSeek اهمیت پیدا می‌کند: کارایی محاسباتی می‌تواند بخشی از فاصله سخت‌افزاری را جبران کند.

🔬 بخش دکتری؛ فاصله ایران با مدل‌های مرزی را چگونه باید اندازه گرفت؟

از دید پژوهشی، پاسخ به سؤال «ایران چقدر فاصله دارد؟» با یک عدد ساده ممکن نیست. باید مجموعه‌ای از شاخص‌ها مانند FLOPs آموزشی، تعداد توکن، کیفیت داده، مقیاس مدل، راندمان محاسبات، کیفیت استدلال، عملکرد در زبان فارسی، توانایی کدنویسی، قابلیت چندوجهی و هزینه استنتاج بررسی شود.

📐 مسئله مقیاس در آموزش مدل

مدل‌های مرزی امروز نشان می‌دهند که مقیاس همچنان اهمیت دارد، اما رابطه میان اندازه مدل و کیفیت دیگر خطی نیست. معماری‌های MoE، داده مصنوعی، یادگیری تقویتی و روش‌های بهینه‌سازی باعث شده‌اند مدل‌هایی با منابع محدودتر نیز بتوانند عملکرد بسیار بالایی داشته باشند.

از این منظر، هدف منطقی برای ایران الزاماً ساخت مدلی با بیشترین تعداد پارامتر نیست. هدف باید ساخت مدلی با بیشترین عملکرد به ازای هر واحد محاسبه باشد.

🧬 مسیر پیشنهادی برای یک مدل ملی

1. ایجاد دیتاست ملی باکیفیت و استاندارد برای زبان فارسی.
2. راه‌اندازی کلاستر محاسباتی اختصاصی و پایدار.
3. شروع با مدل‌های متن‌باز ۷۰B و انجام آموزش تخصصی.
4. توسعه مدل MoE در مقیاس بزرگ‌تر.
5. ایجاد داده مصنوعی و سامانه‌های ارزیابی مستقل.
6. افزودن توانایی استدلال، کدنویسی و استفاده از ابزارها.
7. توسعه مدل‌های چندوجهی متن، تصویر، صوت و ویدئو.

چنین مسیری از نظر علمی منطقی‌تر از تلاش برای ساخت یک مدل عظیم از صفر است. همچنین می‌تواند یک مزیت مهم ایجاد کند: مدل ایرانی الزاماً نباید بهترین مدل جهان باشد؛ باید بهترین مدل برای مسائل ایران و بخش‌هایی از بازار منطقه باشد.

🧩 مزیت راهبردی مدل فارسی

مدلی که در زبان فارسی، اسناد ایرانی، اصطلاحات حقوقی، مهندسی، پزشکی، اقتصاد و فرهنگ منطقه عملکرد ممتاز داشته باشد، حتی اگر در برخی آزمون‌های عمومی از مدل‌های آمریکایی ضعیف‌تر باشد، می‌تواند از نظر اقتصادی و حاکمیتی ارزش بسیار بالایی داشته باشد.

🚀 نتیجه‌گیری؛ ایران چند سال تا یک مدل قدرتمند فاصله دارد؟

اگر منظور از مدل هوش مصنوعی ایرانی، یک LLM قدرتمند فارسی و قابل استفاده در سازمان‌ها باشد، ایران از نظر فنی فاصله چندانی ندارد و با یک پروژه متمرکز چندساله می‌تواند به آن برسد. اما اگر هدف ساخت مدلی هم‌سطح بهترین مدل‌های مرزی جهان باشد، مسئله به ایجاد یک صنعت کامل هوش مصنوعی نیاز دارد.

تجربه Llama 3.1 و DeepSeek نشان می‌دهد که رقابت فقط به پول بیشتر وابسته نیست؛ معماری، بهینه‌سازی، داده و بهره‌وری محاسباتی نیز می‌توانند معادله را تغییر دهند. با این حال، مقیاس پروژه‌های پیشرو همچنان بسیار بزرگ است.

بنابراین برآورد واقع‌بینانه این است که ایران می‌تواند در یک افق ۳ تا ۵ ساله یک مدل بومی بسیار قدرتمند و رقابتی در سطح منطقه ایجاد کند، مشروط به اینکه سرمایه‌گذاری، GPU، داده و نیروی انسانی در یک برنامه منسجم کنار هم قرار گیرند. رسیدن به مرز جهانی اما احتمالاً به یک برنامه بلندمدت‌تر، سرمایه‌گذاری بسیار بزرگ‌تر و حضور مستمر در پژوهش‌های پایه نیاز دارد.

مسئله اصلی برای ایران دیگر این نیست که «آیا می‌توان هوش مصنوعی ساخت؟»؛ سؤال مهم‌تر این است که آیا می‌توان زنجیره کامل قدرت محاسباتی، داده، مدل، پژوهش و نیروی انسانی را در داخل کشور ایجاد کرد. پاسخ به این سؤال، فاصله واقعی ایران با یک قدرت هوش مصنوعی را مشخص خواهد کرد.