۱. 🔐 مسئله اصلی؛ داده فقط اطلاعات نیست

در نگاه ساده، هوش مصنوعی ابزاری است که پرسش را دریافت می‌کند و پاسخ می‌دهد. اما در مسائل حساس، پرسش خود می‌تواند ارزشمند باشد. نوع سؤال، ساختار مسئله، فرضیات پژوهشگر، داده‌های ورودی و حتی مسیر گفت‌وگو ممکن است اطلاعاتی درباره اولویت‌های علمی، اقتصادی یا راهبردی یک مجموعه ایجاد کند.

به همین دلیل، استفاده از مدل خارجی برای امور عادی با استفاده از همان مدل برای مسائل حساس یکسان نیست. در کارهای عمومی، وابستگی ممکن است هزینه قابل‌توجهی ایجاد نکند؛ اما در پژوهش دانشگاهی محرمانه، تحلیل بازارهای راهبردی، سیاست‌گذاری یا موضوعات امنیتی، مسئله به کنترل اطلاعات تبدیل می‌شود.

از سوی دیگر، فریز شدن یا محدود بودن داده‌های حساس می‌تواند یک ملاحظه مهم باشد. اگر بخشی از دانش یک کشور نباید از مرزهای مشخص اطلاعاتی و حقوقی آن خارج شود، استفاده از ابزارهایی که کنترل کامل بر زیرساخت و مدل آنها در اختیار کشور مصرف‌کننده نیست، نیازمند ارزیابی بسیار سخت‌گیرانه خواهد بود.

۱.۱. 🧩 تفاوت ابزار عمومی و زیرساخت راهبردی

ماشین‌حساب خارجی، نرم‌افزار ویرایش متن یا موتور جست‌وجوی عمومی الزاماً همان سطحی از ریسک را ندارد که یک مدل هوش مصنوعی در تحلیل یک مسئله محرمانه دارد. مدل زبانی می‌تواند در فرآیند استدلال، خلاصه‌سازی، مقایسه و تولید فرضیه وارد شود و به همین دلیل، مرز میان «ابزار» و «دستیار تصمیم» در آن بسیار باریک‌تر است.

هرچه نقش مدل در تصمیم‌گیری مهم‌تر شود، پرسش درباره اینکه چه کسی آن مدل را کنترل می‌کند نیز مهم‌تر می‌شود.

۲. 🧠 چرا مدل سازنده لزوماً یک دستیار بی‌طرف نیست؟

مدل هوش مصنوعی از خلأ به وجود نمی‌آید. داده‌های آموزشی، انتخاب معماری، روش پالایش داده، سیاست‌های ایمنی، دستورالعمل‌های رفتاری و فرآیندهای ارزیابی، همگی بر خروجی آن اثر می‌گذارند. این به معنای آن نیست که هر پاسخ مدل الزاماً تبلیغ یا موضع رسمی سازنده است؛ اما به این معناست که هیچ مدل بزرگی را نباید از پیش یک مرجع کاملاً خنثی فرض کرد.

این موضوع درباره مسائل سیاسی، تاریخی، اقتصادی و امنیتی اهمیت بیشتری پیدا می‌کند. دو مدل که بر داده‌ها و سیاست‌های متفاوت ساخته شده‌اند، ممکن است درباره یک مسئله واحد چارچوب‌های متفاوتی برای توضیح علت، پیامد یا راه‌حل ارائه کنند.

۲.۱. ⚖️ سوگیری را باید اندازه‌گیری کرد، نه صرفاً ادعا

ادعای اینکه یک مدل «۹۹ درصد» به نفع سازنده خود سوگیری دارد، بدون آزمون مستقل قابل اثبات نیست. اما از طرف دیگر، نادیده گرفتن احتمال سوگیری نیز منطقی نیست. راه درست، ایجاد مجموعه آزمون‌های مستقل، تکرارپذیر و قابل ممیزی است تا مشخص شود مدل در موضوعات مختلف چه الگوهایی دارد.

بنابراین مسئله اصلی را می‌توان دقیق‌تر بیان کرد: کشوری که مدل را کنترل نمی‌کند، کنترل کاملی نیز بر منشأ پاسخ‌های آن ندارد. این گزاره بسیار مهم‌تر از یک درصد مشخص برای میزان سوگیری است.

۳. 🎓 چرا دانشگاه و پژوهش حساس نباید کاملاً به مدل خارجی وابسته شود؟

در پژوهش علمی، هوش مصنوعی می‌تواند ابزار قدرتمندی برای جست‌وجوی ایده، مقایسه نظریه‌ها، خلاصه‌سازی، تحلیل داده و کمک به نگارش باشد. اما در حوزه‌های حساس، استفاده بدون کنترل می‌تواند وابستگی علمی ایجاد کند. اگر پژوهشگر به تدریج به یک مدل خارجی برای تولید فرضیه و تحلیل نتایج وابسته شود، بخشی از ظرفیت فکری فرآیند پژوهش به بیرون از ساختار علمی کشور منتقل می‌شود.

این وابستگی زمانی خطرناک‌تر است که پژوهشگر تصور کند خروجی مدل «دانش» است. خروجی مدل در واقع یک نتیجه محاسباتی بر اساس داده، آموزش و دستورالعمل‌های آن سیستم است و باید مانند هر ابزار پژوهشی دیگری مورد ارزیابی و راستی‌آزمایی قرار گیرد.

۳.۱. 🔬 مدل داخلی فقط برای حفظ محرمانگی نیست

داشتن مدل داخلی یک مزیت دیگر نیز دارد: امکان آموزش آن با داده‌های بومی. زبان، اصطلاحات تخصصی، ساختار حقوقی، تاریخ، اقتصاد، صنعت و نیازهای اجتماعی هر کشور الزاماً با داده‌های عمومی جهانی یکسان نیست.

مدلی که برای جامعه خود آموزش و ارزیابی شده باشد، می‌تواند بهتر با مسائل همان جامعه سازگار شود. بنابراین هدف از مدل ملی نباید صرفاً جلوگیری از خروج اطلاعات باشد؛ بلکه باید تبدیل داده و دانش داخلی به ظرفیت محاسباتی داخلی نیز باشد.

۴. 📊 تحلیل بازار؛ جایی که وابستگی می‌تواند به تصمیم اقتصادی تبدیل شود

بازار نیز حوزه‌ای است که استفاده بی‌محابا از مدل خارجی می‌تواند مسئله‌ساز شود. تحلیل روند مصرف، رفتار مشتری، فرصت‌های سرمایه‌گذاری، زنجیره تأمین و سناریوهای اقتصادی، همگی می‌توانند بخشی از اطلاعات راهبردی یک شرکت یا کشور باشند.

حتی اگر فرض کنیم مدل قصد یا توان اثرگذاری مستقیم بر بازار را ندارد، وابستگی به یک منبع تحلیل خارجی همچنان یک ریسک ساختاری ایجاد می‌کند. چرا باید یک کشور برای تحلیل اقتصاد خودش، به مدلی وابسته باشد که اولویت‌ها، داده‌ها و زیرساخت آن در خارج از کنترل همان کشور قرار دارد؟

البته راه‌حل لزوماً حذف تمام مدل‌های خارجی نیست. برای موضوعات عمومی می‌توان از ابزارهای بین‌المللی استفاده کرد؛ اما برای تحلیل‌های حساس اقتصادی، وجود یک لایه تحلیل داخلی و قابل ممیزی می‌تواند استقلال تصمیم‌گیری را افزایش دهد.

۵. 🛡️ حوزه نظامی و راهبردی؛ جایی که وابستگی معنای دیگری پیدا می‌کند

در حوزه نظامی، مسئله حساس‌تر است. مدل هوش مصنوعی می‌تواند در تحلیل اطلاعات، شبیه‌سازی، پژوهش و پشتیبانی تصمیم مورد استفاده قرار گیرد. در چنین محیطی، وابستگی به یک مدل خارجی فقط مسئله کیفیت پاسخ نیست؛ مسئله اعتماد، محرمانگی، تداوم سرویس و کنترل زیرساخت نیز مطرح است.

اگر یک کشور برای بخشی از تحلیل‌های راهبردی خود به یک سامانه خارجی وابسته باشد، باید بتواند به چند سؤال پاسخ دهد: آیا دسترسی در شرایط بحرانی ادامه خواهد داشت؟ آیا نسخه مدل ثابت می‌ماند؟ آیا امکان ممیزی وجود دارد؟ چه کسی می‌تواند سیاست‌های استفاده از مدل را تغییر دهد؟ و اگر ارائه‌دهنده تصمیم به قطع دسترسی بگیرد، جایگزین داخلی چیست؟

این پرسش‌ها نشان می‌دهد که حاکمیت هوش مصنوعی فقط به مالکیت یک مدل محدود نمی‌شود. کنترل داده، زیرساخت محاسباتی، مدل، نسخه نرم‌افزار، فرآیند استقرار و نیروی انسانی همگی بخشی از زنجیره استقلال هستند.

۶. 🏗️ هر کشور باید مدل خودش را داشته باشد؛ اما «مدل ملی» دقیقاً یعنی چه؟

داشتن مدل ملی الزاماً به معنای ساختن گران‌ترین مدل جهان از صفر نیست. برای بسیاری از کشورها، چنین هدفی ممکن است از نظر هزینه و زیرساخت واقع‌بینانه نباشد. یک معماری ملی می‌تواند شامل مدل‌های بومی، مدل‌های متن‌باز قابل کنترل، داده‌های داخلی، زیرساخت محاسباتی داخلی و سامانه‌های ارزیابی و امنیتی مستقل باشد.

اصل مهم، قابلیت کنترل و تداوم است. کشوری که بتواند مدل را در زیرساخت تحت کنترل خود اجرا کند، داده‌های حساس را داخل مرزهای موردنظر نگه دارد و در صورت قطع دسترسی خارجی همچنان توانایی ارائه خدمات حیاتی را داشته باشد، از وابستگی کمتری برخوردار خواهد بود.

۶.۱. 🌐 استقلال کامل یا وابستگی مدیریت‌شده؟

استقلال کامل در همه لایه‌های هوش مصنوعی برای بسیاری از کشورها بسیار پرهزینه است. صنعت هوش مصنوعی به تراشه، انرژی، مراکز داده، نیروی متخصص، نرم‌افزار و زنجیره تأمین جهانی وابسته است. بنابراین هدف واقع‌بینانه‌تر می‌تواند ایجاد استقلال در لایه‌های حیاتی باشد، نه قطع کامل ارتباط با جهان.

به بیان دیگر، یک کشور می‌تواند از مدل‌های خارجی برای کارهای کم‌حساسیت استفاده کند، اما برای حوزه‌های حیاتی، مسیر داخلی و مستقل داشته باشد. این رویکرد هم هزینه را کنترل می‌کند و هم نقاط وابستگی خطرناک را کاهش می‌دهد.

۷. 📌 جمع‌بندی؛ مصرف‌کننده هوش مصنوعی نباش، صاحب ظرفیت هوش مصنوعی باش

مسئله اصلی این نیست که مدل‌های خارجی خوب هستند یا بد. مسئله این است که یک کشور تا چه اندازه می‌تواند تصمیم بگیرد کدام مدل را استفاده کند، داده‌هایش را کجا نگه دارد، مدل چگونه ارزیابی شود و در صورت قطع دسترسی چه جایگزینی داشته باشد.

برای امور عمومی، استفاده از بهترین ابزارهای موجود در جهان می‌تواند کاملاً منطقی باشد. اما در پژوهش‌های حساس علمی و دانشگاهی، تحلیل‌های راهبردی، داده‌های اقتصادی مهم و کاربردهای امنیتی، اتکا به سامانه‌ای که کنترل کامل آن خارج از کشور است، باید یک ریسک حاکمیتی تلقی شود و نه صرفاً یک انتخاب نرم‌افزاری.

مدل ملی نیز قرار نیست کشور را از همکاری جهانی جدا کند. هدف آن ایجاد یک کف توانمندی است؛ کف توانمندی‌ای که اجازه دهد کشور در صورت تغییر سیاست شرکت‌ها، تحریم، قطع دسترسی، تغییر مدل یا اختلافات ژئوپلیتیک، ناگهان از کار نیفتد. تجربه سیاست‌گذاری جدید در حوزه «حاکمیت هوش مصنوعی» نیز نشان می‌دهد که کنترل بر داده، زیرساخت و مدل به‌طور فزاینده‌ای به موضوعی راهبردی تبدیل شده است.

در نهایت، کشوری که فقط مصرف‌کننده مدل‌های دیگران باشد، حتی اگر به بهترین مدل‌های جهان دسترسی داشته باشد، لزوماً صاحب قدرت هوش مصنوعی نیست. قدرت واقعی زمانی شکل می‌گیرد که جامعه بتواند داده تولید کند، مدل بسازد یا کنترل کند، زیرساخت داشته باشد، خروجی را ممیزی کند و در شرایط بحران بدون اجازه گرفتن از دیگری به کار خود ادامه دهد. این تفاوت میان «استفاده از هوش مصنوعی» و «داشتن ظرفیت هوش مصنوعی» است.