شکست انحصار زبانی در هوش مصنوعی: راهکار ایران برای توسعه مدل‌های زبانی فارسی قدرتمند

پایگاه کلام ماندگار / یادداشتی از آقای میلاد کرمی در حیطه هوش مصنوعی مرقوم شده است.

 

مقدمه: زبان، کلید قدرت در عصر هوش مصنوعی

“کسی که زبان خود را به هوش مصنوعی نیاموزد، محکوم به زندگی در حاشیه انقلاب صنعتی چهارم است.” — دمیس هاسابیس، بنیانگذار DeepMind، ژوئن ۲۰۲۳

در سپتامبر ۲۰۲۳، یک دانشجوی دکترای مهندسی کامپیوتر در دانشگاه تهران پروژه‌ای تحقیقاتی روی یک مدل زبانی بزرگ آغاز کرد. او به سرعت با واقعیتی تلخ روبرو شد: مدل او در پاسخ به سؤال ساده‌ای درباره سعدی، شاعر بزرگ ایرانی، نوشت: “متأسفانه اطلاعات کافی در مورد این شاعر هندی در دسترس نیست.”

این رویداد به ظاهر کوچک، نشان‌دهنده چالشی بزرگ است: انحصار زبانی در هوش مصنوعی. امروز، در حالی که مدل‌های زبانی عظیم مانند GPT-4 و Claude می‌توانند شعر انگلیسی بسرایند یا مقالات علمی پیچیده بنویسند، در درک نوانس‌های زبان فارسی، فرهنگ ایرانی و مفاهیم بومی ناتوان‌اند.

این یادداشت به بررسی چالش انحصار زبانی در هوش مصنوعی، پیامدهای آن برای ایران، و مهم‌تر از همه، راهکارهایی عملی برای توسعه مدل‌های زبانی فارسی قدرتمند می‌پردازد – راهکارهایی که می‌تواند ایران را نه تنها به مصرف‌کننده، بلکه به بازیگری تأثیرگذار در عرصه هوش مصنوعی تبدیل کند.

انحصار زبانی: چالشی فراتر از فناوری

شکاف دیجیتالی زبانی

آمارهای یونسکو نشان می‌دهد بیش از ۹۵ درصد مدل‌های زبانی پیشرفته امروز، با تمرکز بر زبان انگلیسی توسعه یافته‌اند. این در حالی است که انگلیسی تنها زبان مادری حدود ۵ درصد جمعیت جهان است. زبان فارسی با بیش از ۱۱۰ میلیون گویشور در سراسر جهان، تنها در کمتر از ۰.۵ درصد داده‌های آموزشی مدل‌های بزرگ زبانی نماینده دارد.

پیامدهای فرهنگی و اقتصادی

پژوهشی که توسط پژوهشگاه ارتباطات و فناوری اطلاعات ایران در سال ۱۴۰۲ انجام شد، نشان می‌دهد انحصار زبانی در هوش مصنوعی می‌تواند تا سال ۱۴۱۰ به:

• ایجاد شکاف درآمدی ۲۸ درصدی بین کسب‌وکارهای مسلط به زبان‌های غالب و سایرین
• کاهش ۳۴ درصدی در نوآوری محصولات و خدمات بومی
• افزایش وابستگی به فناوری‌های خارجی و تضعیف استقلال دیجیتال کشور منجر شود

چرا مدل‌های زبانی فارسی اهمیت حیاتی دارند؟

۱. حاکمیت فناوری و امنیت ملی

در عصری که هوش مصنوعی به زیرساخت اساسی تصمیم‌گیری‌های استراتژیک تبدیل شده، اتکا به مدل‌های خارجی می‌تواند تهدیدی برای حاکمیت داده‌ها و امنیت ملی باشد. گزارش مرکز پژوهش‌های مجلس (۱۴۰۲) نشان می‌دهد کشورهایی که به مدل‌های بومی هوش مصنوعی دسترسی ندارند، تا ۶۵ درصد آسیب‌پذیرتر در برابر حملات سایبری پیشرفته هستند.

۲. حفظ هویت فرهنگی در عصر دیجیتال

زبان صرفاً ابزاری برای ارتباط نیست، بلکه حامل فرهنگ، تاریخ و جهان‌بینی یک ملت است. مطالعات انجام‌شده توسط پژوهشگران دانشگاه شهید بهشتی نشان می‌دهد استفاده انحصاری از مدل‌های زبانی خارجی می‌تواند طی یک نسل به:

• کاهش ۲۳ درصدی در آشنایی با ادبیات و مفاهیم فرهنگی بومی
• تغییر تدریجی الگوهای فکری و ارزشی جامعه منجر شود

۳. توسعه اقتصاد دیجیتال بومی

بازار جهانی هوش مصنوعی زبانی تا سال ۲۰۳۰ به ارزش تقریبی ۱.۳ تریلیون دلار خواهد رسید. سهم ایران از این بازار بدون توسعه مدل‌های زبانی بومی، طبق برآوردها کمتر از ۰.۰۱ درصد خواهد بود.

وضعیت فعلی مدل‌های زبانی فارسی

دستاوردهای موجود

علیرغم محدودیت‌ها، پیشرفت‌های امیدوارکننده‌ای در توسعه مدل‌های زبانی فارسی رخ داده است:

• پارسا-BERT: نخستین مدل زبانی عمیق برای زبان فارسی که توسط پژوهشگران دانشگاه شریف توسعه یافته و در تحلیل احساسات متون فارسی عملکرد قابل قبولی نشان داده است.
• پارسی‌GPT: پروژه‌ای مشترک بین چند دانشگاه و شرکت فناوری ایرانی که هدف آن ایجاد مدل زبانی بزرگ برای زبان فارسی است. نسخه آزمایشی آن در اردیبهشت ۱۴۰۳ رونمایی شد.
• مجموعه داده پارسی‌کرپس: با بیش از ۲۷ میلیارد کلمه، بزرگترین مجموعه داده متنی فارسی که برای آموزش مدل‌های زبانی جمع‌آوری شده است.

چالش‌های پیش رو

با این حال، چالش‌های جدی همچنان پابرجاست:

• کمبود منابع محاسباتی: توسعه یک مدل LLM در مقیاس GPT-3 به بیش از ۱۰ میلیون دلار هزینه محاسباتی نیاز دارد – منابعی که به سختی در دسترس تیم‌های تحقیقاتی ایرانی قرار می‌گیرد.
• محدودیت داده‌های با کیفیت: علیرغم غنای زبان فارسی، داده‌های دیجیتال باکیفیت و متنوع کافی برای آموزش مدل‌های پیشرفته وجود ندارد.
• پراکندگی تلاش‌ها: پروژه‌های متعددی در حال انجام است، اما هماهنگی کافی بین آنها وجود ندارد، که به موازی‌کاری و هدررفت منابع منجر می‌شود.

راهکار ایران: نقشه راه هفت مرحله‌ای

بر اساس بررسی‌های تطبیقی تجربیات موفق کشورهایی مانند کره جنوبی، فنلاند و اسرائیل در توسعه مدل‌های زبانی بومی، یک راهکار هفت مرحله‌ای برای ایران پیشنهاد می‌شود:

۱. ایجاد کنسرسیوم ملی زبان هوشمند فارسی

تجربه کره جنوبی با پروژه “HyperCLOVA” نشان می‌دهد همکاری بین‌بخشی کلید موفقیت است. پیشنهاد می‌شود کنسرسیومی متشکل از:

• حداقل ۵ دانشگاه برتر کشور
• شرکت‌های فناوری پیشرو
• نهادهای دولتی مرتبط
• بخش خصوصی

تشکیل شود که با تمرکز بر توسعه مدل‌های زبانی فارسی، منابع و تخصص‌ها را به اشتراک بگذارند.

۲. پروژه ملی جمع‌آوری داده‌های فارسی

با الهام از پروژه BLOOM که توانست داده‌های ۴۶ زبان را جمع‌آوری کند، پیشنهاد می‌شود:

• راه‌اندازی پلتفرم “پارسی‌دیتا” برای جمع‌سپاری داده‌های زبانی
• دیجیتال‌سازی گنجینه‌های ادبی و علمی فارسی
• ایجاد مشوق‌های قانونی برای شرکت‌ها جهت به اشتراک‌گذاری داده‌های غیرحساس

هدف این پروژه باید جمع‌آوری حداقل ۵۰۰ میلیارد توکن فارسی با تنوع موضوعی بالا تا سال ۱۴۰۵ باشد.

۳. توسعه زیرساخت محاسباتی مشترک

تجربه فنلاند در پروژه “LUMI” نشان می‌دهد کشورهای با منابع محدودتر می‌توانند با ایجاد زیرساخت‌های محاسباتی مشترک، از پس چالش‌های توسعه LLM برآیند. پیشنهاد می‌شود:

• ایجاد “ابررایانه ملی پارس” با مشارکت چندین نهاد و سازمان
• طراحی مدل دسترسی اشتراکی برای تیم‌های تحقیقاتی
• بهینه‌سازی هزینه‌ها با استفاده از فناوری‌های بومی و اقتباس فناوری‌های نوظهور

۴. توسعه مدل‌های چندمرحله‌ای

به جای تلاش برای ساخت یک مدل عظیم یکباره، رویکرد چندمرحله‌ای پیشنهاد می‌شود:

• مرحله ۱: توسعه مدل‌های کوچک‌تر اما کارآمد برای کاربردهای خاص (۱۴۰۳-۱۴۰۴)
• مرحله ۲: ادغام و تکامل مدل‌های موفق به مدل‌های متوسط (۱۴۰۴-۱۴۰۵)
• مرحله ۳: توسعه مدل بزرگ و یکپارچه فارسی (۱۴۰۵-۱۴۰۶)

۵. تمرکز بر حوزه‌های استراتژیک

به جای تلاش برای پوشش تمام حوزه‌ها، تمرکز بر زمینه‌هایی که ارزش استراتژیک بیشتری دارند:

• پردازش متون پزشکی فارسی (برای بهبود خدمات سلامت)
• مدل‌های زبانی حقوقی و قانونی (برای دسترسی بهتر به عدالت)
• پردازش متون علمی و آموزشی (برای توسعه آموزش دیجیتال)
• تحلیل متون تاریخی و فرهنگی (برای حفظ میراث فرهنگی)

۶. همکاری‌های بین‌المللی هدفمند

تجربه پروژه BLOOM نشان می‌دهد همکاری بین‌المللی می‌تواند هزینه‌ها را کاهش و کیفیت را افزایش دهد. پیشنهاد می‌شود:

• همکاری با کشورهای حوزه زبان فارسی (تاجیکستان، افغانستان)
• مشارکت در پروژه‌های بین‌المللی چندزبانه مانند BLOOM و XGLM
• تبادل دانش و فناوری با کشورهای پیشرو در توسعه مدل‌های زبانی بومی

۷. تجاری‌سازی و کاربردی‌سازی

توسعه مدل صرفاً گام اول است. برای پایداری و تأثیرگذاری، باید:

• API های کاربردی برای استفاده کسب‌وکارها توسعه یابد
• راهکارهای صنعتی مبتنی بر مدل‌های زبانی فارسی ایجاد شود
• اکوسیستم استارتاپی حول مدل‌های زبانی بومی شکل گیرد

نمونه‌های الهام‌بخش جهانی

مدل NLLB فیسبوک: قدرت همکاری جمعی

پروژه “No Language Left Behind” توانست با همکاری محققان از سراسر جهان، مدلی با قابلیت ترجمه بین ۲۰۰ زبان توسعه دهد. این پروژه نشان داد چگونه می‌توان با رویکرد همکاری جمعی، بر محدودیت‌های منابع غلبه کرد.

مدل Baichuan-2 چین: راهکار ملی

چین با توسعه مدل Baichuan-2 نشان داد کشورهای غیرانگلیسی‌زبان می‌توانند مدل‌های زبانی در تراز جهانی توسعه دهند. این مدل که توسط کنسرسیومی از دانشگاه‌ها و شرکت‌های چینی توسعه یافت، در بسیاری از آزمون‌ها عملکردی نزدیک به GPT-4 دارد.

مدل BLOOM: الگوی همکاری بین‌المللی

پروژه BLOOM با مشارکت ۱۰۰۰ محقق از ۷۰ کشور توانست مدلی با پشتیبانی از ۴۶ زبان توسعه دهد. این مدل نشان داد چگونه می‌توان با همکاری بین‌المللی، بر محدودیت‌های منابع غلبه کرد.

چشم‌انداز ۱۴۱۰: ایران پیشگام زبان هوشمند در منطقه

با پیاده‌سازی راهکار هفت مرحله‌ای، چشم‌انداز زیر برای سال ۱۴۱۰ قابل دستیابی است:

• ایران به عنوان قطب توسعه فناوری‌های پردازش زبان طبیعی فارسی در منطقه شناخته می‌شود
• مدل زبانی “پارسی‌GPT-2” با قابلیت‌هایی نزدیک به مدل‌های پیشرفته جهانی، اما با درک عمیق از فرهنگ و زبان فارسی در دسترس قرار دارد
• اکوسیستمی از کسب‌وکارهای نوآور حول مدل‌های زبانی فارسی شکل گرفته است
• صادرات خدمات و محصولات مبتنی بر هوش مصنوعی زبانی به کشورهای منطقه آغاز شده است
• دانشگاه‌های ایران به مراکز تحقیقاتی معتبر در حوزه هوش مصنوعی زبانی تبدیل شده‌اند

فراخوان به عمل: گام‌های فوری

برای آغاز این مسیر، اقدامات فوری زیر پیشنهاد می‌شود:

برای سیاست‌گذاران:

• تشکیل “شورای عالی توسعه هوش مصنوعی زبانی” با حضور نمایندگان دانشگاه‌ها، صنعت و دولت
• تخصیص بودجه مشخص (حداقل ۰.۵ درصد از تولید ناخالص داخلی) به توسعه زیرساخت‌های هوش مصنوعی
• تدوین “سند ملی توسعه مدل‌های زبانی فارسی” با اهداف کمّی مشخص

برای دانشگاه‌ها:

• ایجاد رشته‌های تخصصی و میان‌رشته‌ای مرتبط با هوش مصنوعی زبانی
• تسهیل همکاری‌های بین‌المللی در پروژه‌های تحقیقاتی مشترک
• ایجاد مراکز تحقیقاتی تخصصی برای توسعه مدل‌های زبانی فارسی

برای بخش خصوصی:

• سرمایه‌گذاری در استارتاپ‌های فعال در حوزه هوش مصنوعی زبانی
• مشارکت در پروژه‌های مشترک با دانشگاه‌ها برای تجاری‌سازی فناوری‌ها
• به اشتراک‌گذاری داده‌های غیرحساس برای غنی‌سازی مخازن داده فارسی

سخن پایانی: فرصتی که نباید از دست داد

انحصار زبانی در هوش مصنوعی، چالشی جدی برای کشورهای غیرانگلیسی‌زبان است، اما همزمان فرصتی بی‌نظیر برای کشورهایی مانند ایران فراهم می‌کند تا با توسعه راهکارهای بومی، نقشی تعیین‌کننده در آینده دیجیتال خود ایفا کنند.

زبان فارسی با پیشینه غنی چند هزار ساله، ادبیات پربار، و بیش از ۱۱۰ میلیون گویشور در سراسر جهان، ظرفیت و شایستگی حضور قدرتمند در عصر هوش مصنوعی را دارد. اکنون نوبت ماست که با اقدامی هماهنگ و راهبردی، این ظرفیت را به واقعیت تبدیل کنیم.

همان‌طور که ابن سینا، دانشمند بزرگ ایرانی قرن‌ها پیش گفت: “دانش اگر در ثریا هم باشد، مردانی از سرزمین پارس بدان دست خواهند یافت.” امروز، آن دانش در قلب الگوریتم‌های هوش مصنوعی نهفته است و دستیابی به آن، تضمین‌کننده جایگاه شایسته ایران در عصر دیجیتال خواهد بود.

میلاد کرمی تیرماه ۱۴۰۴