دکتر محمدی: سلام، من مهدی محمدی هستم. در پلتفرم فیوچراو، ما گفتگوهایی درباره آینده و فناوری داریم، به ویژه تأثیرات آن بر اقتصاد کسب و کارهای ایرانی و آینده علم و فناوری ایران. ما مجموعه گفتگوهایی را درباره آینده هوش مصنوعی و تأثیرات آن بر کسب و کارها و اقتصاد آغاز کرده‌ایم. امروز در خدمت دکتر روحانی، عضو هیئت علمی دانشکده مدیریت دانشگاه تهران هستیم. قصد داریم درباره ابعاد هوش مصنوعی، تأثیرات آن و فرصت‌هایی که برای کسب و کارها ایجاد می‌کند، به طور دقیق‌تر صحبت کنیم. همچنین می‌خواهیم بدانیم وقتی درباره هوش مصنوعی صحبت می‌کنیم، دقیقاً به چه معناست، کاربردهای آن چیست؟

آیا آینده متصور برای آن، که گاهی به شکلی منفی یا بدبینانه به آن پرداخته شده، واقعاً تا این حد نگران‌کننده است یا برعکس، پر از فرصت و تسهیل‌کننده فضای زندگی و کسب و کار است؟ سلام سعید جان، خیلی خوش آمدید. می‌خواهم گفتگویمان را با مفهوم هوش مصنوعی آغاز کنیم. به نظر شما، وقتی می‌گوییم هوش مصنوعی، دقیقاً به چه معناست؟ می‌توانیم یک مرور تاریخی هم داشته باشیم که این مفهوم از کجا شروع شده و ابعاد آن چه بوده است. این مفهوم عملاً جدید نیست و ما از دهه 1970-1970 با هوش مصنوعی آشنا هستیم، یعنی حدود 60-70 سال از قدمت هوش مصنوعی می‌گذرد. اما نکته‌ای که وجود دارد این است که در سال‌های اخیر، نوعی از کاربردهای هوش مصنوعی توسعه یافته که تأثیرات آن در زندگی فردی ما بیشتر مشهود شده است. می‌توانید این روند را توصیف کنید که از کجا آمد، برای چه آمد و به کجا خواهد رفت؟

دکتر روحانی: سلام مهدی جان، خدمت شما و بینندگان گرامی این برنامه عرض ادب دارم. نکته خوبی را اشاره فرمودید. قبل از اینکه به آینده بپردازیم، بهتر است به گذشته برگردیم و ببینیم چه اتفاقاتی رخ داده که اکنون به مفهومی به نام هوش مصنوعی رسیده‌ایم که این همه دغدغه و بازخورد برای ما ایجاد کرده است. همانطور که شما فرمودید، در سال 1962، آقای تورینگ برای اولین بار زمانی که مکانیزاسیون را مطرح کرد و گفت محاسبات را می‌تواند ماشین به جای انسان انجام دهد، مفهوم هوش مصنوعی مطرح شد. در حال حاضر، این مفهوم اولیه خنده‌دار به نظر می‌رسد. اگر به آن نگاه آقای تورینگ نگاه کنیم، ماشین حساب در آن زمان یک نوع هوش مصنوعی محسوب می‌شد، یعنی چیزی که ماشین به جای انسان ضرب، جمع و تقسیم می‌کرد. اما مطمئناً در طول این مدت طولانی، ما ماشین حساب را یک دغدغه یا مشکل برای خودمان نمی‌دانیم.

ایده اصلی این بود که کارهایی را که انسان انجام می‌دهد، از عملیات اولیه ریاضی گرفته تا کارهای پیچیده‌تر و حتی احساسی، به ماشین بسپاریم. این ایده به تدریج گسترش پیدا کرد. شاید زمانی که ما برای اولین بار مکانیزاسیون را ایجاد کردیم، ماشین فقط مفهوم صفر و یک را داشت، یعنی روشن یا خاموش. ابتدا لامپ‌های خلأ بودند، سپس تبدیل به ترانزیستورها شدند و بعد به آی‌سی‌هایی که در سی‌پی‌یوها ذخیره می‌شدند. اما همه این‌ها مبنای الکترومغناطیسی داشتند، یعنی وجود جریان یا عدم وجود جریان، یا صفر یا یک در مبنای 2.

این سیستم برای این ایجاد شد که بتوانیم یک حالت را ذخیره کنیم، اما یک حالت در مبنای دو یا صفر بود یا یک. ما اسم آن را گذاشتیم باینری دیجیت، مخفف باینری دیجیت اول شد بیت. برای اینکه بتوانیم انواع مختلف مکانیزاسیون را نشان دهیم، حداقل به تعداد کاراکترهای روی صفحه کلید، که بیش از 100 عدد است، نیاز داشتیم. گفتند تا 256 حالت باید بتوانیم ایجاد کنیم، پس هشت تا از این حالت‌های دوتایی را کنار هم گذاشتند، یعنی هشت بیت را کنار هم قرار دادند و به ترکیب آنها که می‌شد 2 به توان 32، گفتند بایت و این شد مبنای ذخیره‌سازی.

اولین جایی که ما توانستیم با ماشین ارتباط برقرار کنیم این بود که بگوییم همین حرف‌هایی که داریم می‌زنیم را تبدیل کن به کاراکتر، کاراکتر را با یک جدول اسکی به عددی بین صفر تا 256 تبدیل کن و بعد در مبنای 2 در یک رشته 8 تایی ذخیره کن. این اولین جایی بود که انگار به ماشین یاد دادیم مثل ما ذخیره کند. این روند همینطور ادامه پیدا کرد، یعنی این ذخیره‌سازی‌ها بیشتر شد، این قابلیت محاسبات افزایش یافت و پیشرفت کرد.

دکتر محمدی: بله، درست است. ما در حوزه آمار و علم آمار و در حوزه محاسبات عددی، مفهوم پردازش‌ها را داشتیم. یعنی می‌توانستیم الگوریتم‌هایی بنویسیم که ماشین به جای ما عملیاتی مانند مرتب‌سازی، تقسیم، و رتبه‌بندی را انجام دهد. این‌ها توابع ثابتی را انجام می‌دادند. اما چه اتفاقی افتاد که با وجود این همه الگوریتم و سیستم‌های محاسباتی، جامعه هیچ خبری از هوش مصنوعی نداشت؟ آن اتفاق چه بود؟

دکتر روحانی: اتفاق مهمی که رخ داد، گره خوردن این الگوریتم‌ها و محاسبات با مفهوم پایگاه داده بود. ما از دهه 1980 به بعد، ذخیره‌سازی ساختارمند داده را در سیستم‌هایمان داشتیم. انگار همیشه یک موتوری برای محاسبات داشتیم، یک انجین داشتیم، اما سوخت نداشت.

دکتر محمدی: سؤال اساسی این است که محدوده رشد هوش مصنوعی کجاست و در چه نقطه‌ای این تکنولوژی با محدودیت مواجه می‌شود. برای روشن‌تر شدن موضوع، مثالی می‌زنم. در بسیاری موارد، تکنولوژی‌ها به یک جزء خاص وابسته می‌مانند و رشدشان منوط به آن جزء می‌شود، در حالی که سایر اجزای تکنولوژی پیشرفت کرده‌اند. مانند زمانی که همه آماده سفر هستند و تنها منتظر یکی از اعضای گروه هستند.

گاهی اوقات، ما حتی این عوامل محدودکننده را به درستی شناسایی نمی‌کنیم. مثال معروفی در این زمینه، توسعه لپ‌تاپ است. برای تبدیل کامپیوترهای بزرگ به دستگاه‌های قابل حمل، انواع مختلفی از تکنولوژی‌ها مورد نیاز بود. اما آخرین عنصری که باید اضافه می‌شد، باتری بود. نمونه‌های اولیه لپ‌تاپ‌ها را می‌بینیم که مشکل اصلی‌شان عدم وجود باتری بود و باید به برق متصل می‌شدند. به همین دلیل، تمایل چندانی برای تولید آن‌ها وجود نداشت، زیرا منطقی نبود و همچنان نیاز به اتصال به برق داشتند.

دکتر روحانی: بله، دقیقاً. این سؤال در مورد هوش مصنوعی نیز مطرح است. باید بدانیم که محدودیت اصلی کجاست، جایی که رقابت اصلی شکل می‌گیرد و اگر آن سقف برداشته شود، شاهد رشد انفجاری خواهیم بود.

دکتر محمدی: در پاسخ به این سؤال، دو دیدگاه می‌تواند وجود داشته باشد. یک دیدگاه معتقد است که محدودیت در حوزه سخت‌افزار و پردازنده‌هاست. ظرفیت پایین فعلی نسبت به نیاز موجود باعث شده این اتفاق بیفتد و رشد شرکت‌های تولیدکننده مانند NVIDIA ناشی از همین واقعیت است. این دیدگاه مدافعان حوزه سخت‌افزار است.

از طرف دیگر، مدافعان حوزه نرم‌افزار معتقدند مشکل اصلی در حوزه نرم‌افزار و انبوهی از نیازهایی است که برای ورود به عرصه هوش مصنوعی وجود دارد. به عنوان مثال، در مورد مدل‌های زبانی بزرگ (LLM)، ما از مجموعه‌ای از زیرتکنولوژی‌های مرتبط صحبت می‌کنیم. اینکه کتابخانه‌ها و اصطلاح‌نامه‌ها چگونه باشند، انواع الگوریتم‌هایی که قبلاً روی یک زبان کار شده، استاپ‌وردها، الگوریتم‌های ریشه‌یابی کلمات و غیره.

این یک دوگانه و عدم قطعیت اول است. عدم قطعیت دوم که می‌توان درباره‌اش صحبت کرد این است که آیا اهمیت منابعی که گفتیم وجود دارد – محتوا و کاربران – به اهمیت کلیدی تبدیل می‌شود یا خیر.

دکتر محمدی: این سؤال از این جهت مهم است که اگر فرض کنیم دسترسی به تکنولوژی برای تمام شرکت‌ها کم و بیش یکسان باشد و مزیت در آنجا تعریف نشود، همه نیاز به گروه‌هایی از تولیدکنندگان، توسعه‌دهندگان و محققان دارند. این منابع انسانی کالای کمیابی نیستند و همه می‌توانند با سرمایه‌گذاری بیشتر آن‌ها را جذب کنند.

اگر اهمیت کاربر و داده زیاد باشد، یک بازیگر قدیمی مانند گوگل دست بالا را خواهد داشت، زیرا هیچ کس دیگری نمی‌تواند با آن حجم از داده و دسترسی به کاربر رقابت کند. در این صورت، بازی به سمت بازیگران قدیمی مانند گوگل، متا و مایکروسافت می‌رود که این دو منبع اصلی را به وفور دارند.

اما اگر اهمیت این منابع در مقابل تکنولوژی کاهش یابد، یعنی تکنولوژی به حدی رشد کند که نیاز به حجم زیادی از داده کاهش یابد، شرایط متفاوت خواهد بود. هر چه رشد تکنولوژی ما کاهش یابد، نیاز به داده‌های بیشتر افزایش می‌یابد.

دکتر محمدی: این پیشرفت‌ها نشان می‌دهد که هوش مصنوعی توانسته است عکس‌های قبلی را تحلیل کند و خسارت‌های صحیح گذشته را ثبت نماید. در حال حاضر، هنگامی که دو خودرو با یکدیگر تصادف می‌کنند، سیستم می‌تواند خودروی آسیب‌دیده را شناسایی کند، حتی مدل آن را تشخیص دهد و مشخص کند که آیا سپر آسیب‌دیده قابل تعمیر است یا باید تعویض شود. این قابلیت می‌تواند کاربردهای بسیار متنوعی در زمینه‌های مختلف داشته باشد. همانطور که شما اشاره کردید، با ورود به حوزه داده‌های غیرساختاریافته و تحلیل آن‌ها، امکانات جدیدی فراهم شده است.

حال، با توجه به مسیری که طی کرده‌ایم و رسیدن به سال‌های اخیر، به ویژه با ظهور هوش مصنوعی مولد و دستیارهای هوشمند مهمی مانند محصولات OpenAI، به نظر شما در پنج سال آینده چه اتفاق مهمی در این زمینه رخ خواهد داد؟ آیا رویدادی مشابه ظهور هوش مصنوعی مولد به وقوع خواهد پیوست یا شاهد توسعه و تکامل تدریجی خواهیم بود؟

دکتر روحانی: قبل از پاسخ به این سؤال، می‌خواهم به نکته‌ای که در ابتدای صحبت‌مان اشاره کردید بپردازم. برخی دیدگاه‌ها نسبت به هوش مصنوعی منفی است و این امر قابل درک است، زیرا با پدیده‌ای ناشناخته روبرو هستیم. به یاد دارم زمانی در مورد تلفن همراه و اینترنت نیز چنین دیدگاهی وجود داشت. اما من معتقدم که آینده هوش مصنوعی به معنای ارتقای کیفیت زندگی بشر است. همواره فناوری به ما کمک کرده است و اگرچه نیاز به مدیریت دارد، اما همیشه کیفیت زندگی انسان را بهبود بخشیده است.

هر فناوری که بررسی کنیم، از جمله در حوزه سلامت و فناوری اطلاعات، باعث افزایش طول عمر بشر شده است. در آینده، هوش مصنوعی ما را از وظایفی که قبلاً زمان و انرژی زیادی صرف آن‌ها می‌کردیم، بی‌نیاز خواهد کرد. من معتقدم هوش مصنوعی حتی طراحان و محققان ما را به سطح بالاتری ارتقا خواهد داد، یعنی ما را به سمت طراحی هوش مصنوعی سوق خواهد داد، نه تکرار کارهای روزمره.

اگر در آینده هوش مصنوعی تکامل پیدا کند و قابل اعتماد شود، می‌توانیم بسیاری از کارها را به آن بسپاریم. به عنوان مثال، می‌تواند تصادفات را کاهش دهد. یک خودروی خودران با نرخ تصادف بسیار پایین، نه تنها از تصادف جلوگیری می‌کند، بلکه دردسرهای پس از تصادف و خسارت‌های بدنی و زیست‌محیطی را نیز کاهش می‌دهد.

درست است که برخی مشاغل از بین خواهند رفت، اما این مشاغل عمدتاً آن‌هایی هستند که ارزش افزوده کمی دارند. در عوض، مشاغل سطح بالا که نیازمند تفکر و خلاقیت هستند، افزایش خواهند یافت.

اما در پاسخ به سؤال شما درباره آینده هوش مصنوعی، می‌خواهم به یک نیاز مهم اشاره کنم که طراحان در حال حاضر به آن فکر می‌کنند، اما کاربران هنوز درگیر آن نشده‌اند. وقتی از یک چت‌بات مبتنی بر هوش مصنوعی مولد سؤالی می‌پرسیم، معمولاً از آن نمی‌پرسیم که “چرا” این پاسخ را داده است. ما معمولاً سؤالات “چه” و “چگونه” می‌پرسیم، اما به ندرت دلیل پاسخ را جویا می‌شویم.

مفهوم “هوش مصنوعی قابل توضیح” یا Explainable AI، که بتواند برای ما استنتاج کند و دلیل پاسخ خود را توضیح دهد، بسیار مهم است. به عنوان مثال، سیستم می‌تواند بگوید: “من با احتمال 90% این پاسخ را می‌دهم، زیرا از بین 100 مورد، 90 مورد این نتیجه را داشته‌اند. اما دو مورد استثنا نیز وجود دارد.” هوش مصنوعی فعلی، به دلیل مبتنی بودن بر احتمالات، معمولاً استثناها را ذکر نمی‌کند.

در آینده، ما سؤالات “چرا” را از هوش مصنوعی خواهیم پرسید و این سیستم باید بتواند استنتاج کند و روش قیاسی یا استنتاجی خود را توضیح دهد. بسیاری از شرکت‌ها در حال کار بر روی این قابلیت هستند، زیرا می‌دانند که وقتی تصمیمات مهم را به هوش مصنوعی می‌سپاریم، علاوه بر نتیجه تصمیم، باید دلیل آن را نیز بدانیم.

دومین رویکرد مهم در آینده، مسئله اعتبار است. تفاوت بین دانش انسانی و دانش مبتنی بر داده در همین اعتبار است. وقتی از یک متخصص سؤالی می‌پرسید، او بر اساس تجربه و حس خود پاسخ می‌دهد و معمولاً نمی‌تواند دقت و احتمال دقیقی ارائه دهد. اما دانشی که حاصل از هوش مصنوعی است، به دلیل مبتنی بودن بر داده‌های فراوان، می‌تواند دقت و قابلیت اطمینان بالایی ارائه دهد که مبنای تصمیم‌گیری‌های مهم خواهد بود.

در آینده، ما از هوش مصنوعی انتظار خواهیم داشت که علاوه بر ارائه پاسخ، درجه اطمینان خود را نیز بیان کند. این قابلیت بسیار مهم است، زیرا در حال حاضر، بسیاری از کاربران به طور کامل به پاسخ‌های هوش مصنوعی اعتماد می‌کنند و آن‌ها را بدون بررسی استفاده می‌کنند. اگر سیستم هوش مصنوعی میزان اطمینان خود را اعلام می‌کرد، مثلاً می‌گفت که این پاسخ با 60% اطمینان صحیح است، کاربران رویکرد متفاوتی در استفاده از آن اتخاذ می‌کردند.

بنابراین، من دو روند مهم را در آینده هوش مصنوعی پیش‌بینی می‌کنم: اول، توسعه “هوش مصنوعی قابل توضیح” (Explainable AI) که بتواند دلیل انتخاب و پاسخ خود را توضیح دهد، و دوم، ایجاد اعتماد از طریق ارائه درجه اطمینان پاسخ‌ها.

دکتر محمدی: حال، با توجه به این روندها و ابزارهای موجود در حوزه هوش مصنوعی، به نظر شما کدام ابزارها در حال حاضر این دو ویژگی را بیشتر دارا هستند؟ همچنین، کدام دسته از ابزارهای هوش مصنوعی در آینده نزدیک بیشترین رشد را خواهند داشت؟ آیا ابزارهای پردازش تصویری، صوتی، متنی یا دستیارهای هوشمند بیشتر توسعه خواهند یافت؟

دکتر روحانی: در پاسخ به سؤال شما، باید به چند نکته مهم اشاره کنم. اول اینکه، برخی از پروژه‌های بزرگ هوش مصنوعی، مانند پروژه واتسون شرکت IBM، که شما به آن اشاره کردید، در حال حاضر توسط صنایع مهم و دولت‌ها مورد استفاده قرار می‌گیرند. این پروژه‌ها قابلیت‌های پیشرفته‌ای دارند که ما به عنوان کاربران عادی از آن‌ها مطلع نیستیم.

از سوی دیگر، شرکت‌هایی مانند مایکروسافت، گوگل و OpenAI محصولاتی را برای استفاده عموم ارائه داده‌اند. این محصولات اغلب در قالب چت‌بات‌ها عرضه می‌شوند، زیرا این فرمت با نیاز انسان به همراهی و ارتباط همخوانی دارد. چت‌بات‌ها امکان تعامل محاوره‌ای را فراهم می‌کنند که پیش‌تر در سیستم‌های خبره (Expert Systems) دنبال می‌شد.

علاوه بر این، هوش مصنوعی در حوزه‌های تخصصی مانند سلامت نیز کاربردهای گسترده‌ای پیدا کرده است. به عنوان مثال، امروزه ابزارهایی وجود دارند که با اسکن تصویر بدن، می‌توانند نارسایی‌های اسکلتی را تشخیص داده و حتی تمرینات ورزشی مناسب را پیشنهاد دهند.

در زمینه تولید محتوا نیز پیشرفت‌های قابل توجهی صورت گرفته است. به عنوان مثال، ابزارهایی مانند ChatGPT 4 قادرند خلاصه‌ای از چندین مقاله را تهیه کنند، کاری که قبلاً توسط دانشجویان انجام می‌شد.

به نظر می‌رسد در آینده نزدیک، تمرکز بیشتر بر روی استفاده از این ابزارها برای تولید دانش ثانویه خواهد بود. این به معنای استخراج بینش‌های عمیق‌تر از داده‌های موجود است، به جای صرفاً جمع‌آوری و خلاصه‌سازی اطلاعات.

در مورد آینده ابزارهای هوش مصنوعی، به نظر می‌رسد که ما به سمت تعامل تصویری و صوتی پیش می‌رویم. احتمالاً در آینده، دستیارهای هوش مصنوعی به صورت هولوگرام یا آواتار با ما ارتباط برقرار خواهند کرد، به جای اینکه ما با آن‌ها تایپ کنیم. این روند را در فیلم‌های علمی-تخیلی نیز مشاهده کرده‌ایم، جایی که مفهوم ورود داده متنی از بین می‌رود و انسان‌ها به راحتی و فارغ از محدودیت‌های وب و ورود داده، کارهایشان را انجام می‌دهند. این همان نقطه‌ای است که من معتقدم کیفیت زندگی بشر ارتقا خواهد یافت.

به یاد دارم در سال 2014 یا 2015، در سفری به سوئد، از استودیوی اریکسون بازدید کردم. آنجا پروژه‌های آینده‌نگر اریکسون به نمایش گذاشته شده بود. مدیر آنجا از من پرسید که آیا به نحوه جستجوی فرزندم دقت کرده‌ام. او اشاره کرد که نسل جدید، که ما آن‌ها را نسل Z و نسل آلفا می‌نامیم، دیگر مانند ما جستجوی متن‌محور انجام نمی‌دهند. آن‌ها از جستجوی صوتی و تصویری استفاده می‌کنند.

این تغییر در نحوه تعامل، احتمالاً در افق زمانی بلندمدت‌تر، به توسعه مفهوم متاورس منجر خواهد شد. به احتمال زیاد، در ده سال آینده، هوش مصنوعی در قالب هولوگرام و متاورس ظاهر خواهد شد.

نکته جالب دیگر این است که نسل بعدی، هوش مصنوعی را نه به عنوان یک چیز جدید، بلکه به عنوان یک امر بدیهی می‌پذیرند. همانطور که ما کامپیوتر را امری عادی می‌دانیم، آن‌ها هوش مصنوعی را طبیعی می‌دانند. این نسل با هوش مصنوعی در بازی‌ها و دنیای مجازی تعامل داشته‌اند و آن را غیرعادی نمی‌دانند.

در مورد نگرانی‌های مربوط به تسلط هوش مصنوعی بر انسان، من چنین دیدگاهی ندارم. معتقدم که هیچ مخلوقی از خالق خود قوی‌تر نمی‌شود. بهتر است این مخلوق را به سمت روش‌ها و رویکردهایی هدایت کنیم که آینده ما را حفظ کند و به بهبود زندگی نسل بشر بر روی کره زمین کمک کند.

در رابطه با تأثیرات اقتصادی و تجاری هوش مصنوعی، مؤسسات مشاوره بین‌المللی آمار و ارقام جالبی ارائه داده‌اند. به عنوان مثال، PwC برآوردی 16 تریلیون دلاری از اقتصاد هوش مصنوعی دارد. همچنین، گزارشی از تأثیرات دیجیتالی‌سازی و هوشمندسازی بر صنایع مختلف، ارزشی حدود 100 تریلیون دلاری را در افق زمانی 2030 پیش‌بینی می‌کند.

دکتر محمدی: در مورد سرمایه‌گذاری در حوزه هوش مصنوعی، اگرچه آمریکا همچنان محوریت دارد، اما شاهد تحرکات جدی در شرق آسیا، به ویژه در چین هستیم. با توجه به این گزارش‌های بین‌المللی، به نظر شما این روند چگونه خواهد بود؟ و با توجه به سهم اقتصاد ایران از اقتصاد جهانی که زیر یک درصد است، چقدر پتانسیل داریم که از این فرصت استفاده کنیم؟

دکتر  سعید روحانی: در پاسخ به سؤال شما، باید به دو نکته مهم اشاره کنم. اول اینکه، هر کشوری، به خصوص در حوزه سلامت، مجبور است وارد این عرصه شود. همانطور که در دوران همه‌گیری کووید-19 مشاهده کردیم، هیچ کشوری نمی‌تواند نسبت به سلامت مردم خود بی‌تفاوت باشد.

دوم اینکه، مفاهیم جدیدی مانند سل‌تراپی یا درمان با سلول‌های بنیادی، امروزه به کمک هوش مصنوعی در حال ارائه راه‌حل‌هایی برای درمان سرطان هستند. این پیشرفت‌ها نشان می‌دهد که هوش مصنوعی در حوزه سلامت، یک ضرورت انکارناپذیر است و هر کشوری، از جمله ایران، باید در این زمینه سرمایه‌گذاری کند.

دکتر محمدی: در حوزه سلامت، استفاده از سلول‌های بنیادی که معمولاً از بند ناف گرفته می‌شود، می‌تواند در درمان سرطان بسیار مؤثر باشد. هوش مصنوعی قادر است ژنوم این سلول‌ها را اصلاح کند تا برای درمان سرطان مناسب شوند. البته این روش درمانی گران‌قیمت است، زیرا هم شامل سل‌تراپی (استفاده از سلول‌های بنیادی) و هم به‌کارگیری هوش مصنوعی پیشرفته است.

در حال حاضر، مراکز تحقیقاتی بین‌المللی، به‌ویژه در کانادا، سرمایه‌گذاری عظیمی روی تحقیقات سرطان انجام می‌دهند. پیش‌بینی من این است که در کشور ما نیز، حداقل در حوزه سلامت، این روند پیشرفت خواهد کرد. زیرا این یک نیاز اساسی مردم است. وقتی مردم بدانند که در دنیا درمانی برای سرطان مبتنی بر هوش مصنوعی وجود دارد، از حاکمیت، دولت و بخش خصوصی مطالبه خواهند کرد که به هر قیمتی شده این فناوری را وارد کشور کنند، چرا که مسئله مرگ و زندگی است.

با توجه به وضعیت اقتصادی نسبتاً مناسب ما در خاورمیانه، به‌ویژه اگر کشورهای حوزه خلیج فارس و ایران را در نظر بگیریم، مطمئناً کاربردهای هوش مصنوعی در حوزه سلامت وارد کشور خواهد شد.دکتر روحانی: بله، و علاوه بر حوزه سلامت، به نظر می‌رسد که هوش مصنوعی در بخش مالی و بانکداری نیز رشد قابل توجهی خواهد داشت. کشور ما با جمعیتی بیش از 80 میلیون نفر، حجم بالای واردات و صادرات، و سیستم بانکی نسبتاً پایدار، داده‌های بسیار زیادی در این حوزه دارد.

هوش مصنوعی می‌تواند در شخصی‌سازی خدمات مالی بسیار مؤثر باشد. برای مثال، در حال حاضر، سیستم‌های بانکی ما قادر به ارائه پیشنهادات شخصی‌سازی شده بر اساس وضعیت مالی افراد نیستند. هوش مصنوعی می‌تواند این مشکل را حل کند و خدمات مالی را بر اساس نیازهای فردی هر مشتری ارائه دهد.

ما قبلاً نمونه‌هایی از کاربرد هوش مصنوعی در سیستم‌های مالی را دیده‌ایم. به عنوان مثال، در دوران همه‌گیری کووید-19 و رونق بازار بورس، سیستم‌های هوش مصنوعی برای احراز هویت و تطبیق تصویر، صوت و عکس کارت ملی در سامانه سجام به کار گرفته شدند.

در سطح جهانی نیز، یکی از اولین کاربردهای گسترده هوش مصنوعی در سیستم‌های مالی، دستیارهای هوشمند بورس بوده است. این سیستم‌ها به تصمیم‌گیری برای خرید و فروش سهام کمک می‌کنند. جالب است بدانید که در برخی کشورها مانند برزیل، حدود 70 درصد از سهامداران از این ربات‌های هوشمند استفاده می‌کنند.

این استفاده از هوش مصنوعی در تصمیم‌گیری‌های مالی بسیار جالب است. مردم به این سیستم‌ها اعتماد می‌کنند، درست مانند اعتمادی که به سیستم‌های ناوبری مانند Waze یا Google Maps دارند. حتی اگر مسیری را بارها رفته باشیم، باز هم برای اطمینان از این اپلیکیشن‌ها استفاده می‌کنیم.

این نشان می‌دهد که انسان‌ها به دنبال تأیید تصمیمات خود هستند و یکی از کارکردهای مهم هوش مصنوعی، همین تأیید تصمیمات انسان است. وقتی هوش مصنوعی تصمیم ما را تأیید می‌کند، حس خوبی پیدا می‌کنیم.

در کشور ما نیز، همانطور که اشاره کردید، در حوزه‌های بیمه و بورس، کارهای تحلیلی خوبی با استفاده از هوش مصنوعی انجام شده است. این سیستم‌ها در پیش‌بینی قیمت‌ها و ارزیابی ریسک سرمایه‌گذاری‌ها کمک شایانی می‌کنند. البته باید توجه داشت که این فناوری‌ها باید در سطوح بالاتر نیز به کار گرفته شوند و صرفاً به لایه‌های کارشناسی محدود نشوند.

در حالی که ما توانسته‌ایم هوش مصنوعی را در لایه‌های کارشناسی به خوبی به کار بگیریم، هنوز در نفوذ به لایه‌های بالاتر مدیریتی و مدیران ارشد با چالش‌هایی مواجه هستیم. در بسیاری موارد، استفاده از هوش مصنوعی در این سطوح صرفاً جنبه تزئینی دارد. به عنوان مثال، ممکن است داشبوردهایی ایجاد شود، اما تصمیم‌گیری‌ها بر اساس آن‌ها صورت نمی‌گیرد. شاهد این مدعا، تعداد زیاد جلسات، شوراها و کمیته‌هایی است که همچنان برگزار می‌شوند. این نشان می‌دهد که ما هنوز تصمیم‌گیری داده‌محور یا مبتنی بر تحلیل هوش مصنوعی را به طور کامل نپذیرفته‌ایم.

دکتر محمدی: با توجه به تجربیات شما در زمینه هوش مصنوعی، به ویژه در حوزه پردازش تصویر، می‌خواستم بدانم در حال حاضر، مهم‌ترین حوزه‌هایی که در ایران تقاضای استفاده از هوش مصنوعی، به خصوص در زمینه پردازش تصویر دارند، کدام‌ها هستند؟

دکتر روحانی:ءبه عنوان مثال، ما در حوزه دندانپزشکی با یک نیاز مشخص مواجه بودیم. دندانپزشکان برای تشخیص پوسیدگی یا مشکلات دندانی از عکس‌های OPG استفاده می‌کنند. در گذشته، این فرآیند به صورت چشمی و با تکیه بر تجربه دندانپزشک انجام می‌شد که گاهی منجر به تشخیص‌های نادرست و درمان‌های غیرضروری می‌شد.

ما با استفاده از بیش از 10 هزار عکس OPG که به دقت برچسب‌گذاری شده بودند، یک سیستم هوش مصنوعی برای دندانپزشکان طراحی کردیم. این سیستم قادر است نوع و میزان پوسیدگی را تشخیص دهد و حجم کار لازم برای هر دندان را پیشنهاد دهد. این نه تنها به تشخیص دقیق‌تر کمک می‌کند، بلکه از انجام کارهای غیرضروری برای بیمار نیز جلوگیری می‌کند.

علاوه بر این، این سیستم برای شرکت‌های بیمه نیز مفید است. با مقایسه عکس‌های قبل و بعد از درمان، سیستم می‌تواند صحت انجام کار و هزینه‌های مربوطه را ارزیابی کند. این امر هم به شرکت‌های بیمه در ارزیابی خسارت کمک می‌کند و هم به بیمار اطمینان می‌دهد که درمان مناسب را دریافت کرده است.

در واقع، طبق گزارش‌های سالانه سایت‌های تخصصی در مورد وضعیت هوش مصنوعی در دنیا، از 100 استارتاپ برتر در زمینه هوش مصنوعی، حدود 12 تا 13 مورد در حوزه سلامت فعالیت می‌کنند. این شرکت‌ها روی بهبود کیفیت تصاویر پزشکی و تشخیص بیماری‌ها کار می‌کنند.

ما در دوران همه‌گیری کووید-19 نیز از هوش مصنوعی برای تحلیل عکس‌های رادیوگرافی قفسه سینه استفاده کردیم. این سیستم می‌توانست میزان عفونت، تخریب ریه و حتی تشخیص کرونا را از روی تصاویر انجام دهد.

نکته مهمی که باید به آن توجه کرد، کیفیت داده‌هاست. در هر جایی که داده داشته باشیم، الگوریتم‌ها می‌توانند به ما کمک کنند، اما کیفیت داده‌ها بسیار مهم است. به عنوان مثال، در مورد تصاویر OPG دندانپزشکی، برچسب‌گذاری دقیق توسط متخصصان بسیار حیاتی است.

آماده‌سازی داده، که ما به آن “دیتا پریپریشن” می‌گوییم، حدود 70 درصد از یک پروژه هوش مصنوعی را تشکیل می‌دهد. الگوریتم‌ها معمولاً با تنظیمات جزئی کار می‌کنند، اما آماده‌سازی داده بسیار مهم است.

ما باید پلتفرم‌های ذخیره‌سازی داده و افزایش کیفیت داده را جدی بگیریم، چه برای پروژه‌های ملی و چه برای پروژه‌های شرکتی. متأسفانه، ما به اندازه‌ای که به حفظ پول‌مان اهمیت می‌دهیم، به حفظ و نگهداری داده‌هایمان توجه نمی‌کنیم.

دکتر محمدی: حوزه دیگری که به تخصص ما نزدیک است، هوش تجاری یا Business Intelligence است. سیستم‌های هوش تجاری از دهه 1990 و اوایل سال 2000 رشد کردند و عمدتاً بر تحلیل داده‌های کسب و کار متمرکز بودند. اما در سال‌های اخیر، هوش مصنوعی تأثیرات عمیقی بر این حوزه گذاشته است. به نظر می‌رسد که صنعت هوش تجاری در حال تغییرات اساسی است. نظر شما در مورد این تغییرات چیست؟

دکتر روحانی: بله، این موضوع بسیار مهمی است، به ویژه برای دانشکده ما که با کسب و کار مرتبط است. امروزه ما به سیستم‌های هوش تجاری قدیمی، “هوش تجاری سنتی” می‌گوییم. چرا؟ زیرا آن سیستم‌ها صرفاً بر داده‌های داخلی سازمان متکی بودند. اما امروزه، گفته می‌شود که 70 درصد تصمیمات مدیران به داده‌های خارج از سازمان وابسته است.

با ظهور مفاهیم کلان داده (Big Data) و داده‌های باز (Open Data)، سیستم هوش تجاری که صرفاً داده‌های مالی داخلی شرکت را تحلیل می‌کند، دیگر کارآیی کافی ندارد.

سیستم‌های هوش تجاری سنتی برای تصمیمات سطح پایین مناسب بودند، اما امروزه شاهد تغییرات قابل توجهی هستیم. به عنوان مثال، در بازار بورس، مدیران برای تحلیل شرکت‌های رقیب از سامانه کدال استفاده می‌کنند که یک منبع داده باز است و توسط سازمان بورس ایجاد شده است. این نشان می‌دهد که نیاز ما به داده‌های خارجی بیش از داده‌های داخلی شده است. داده‌های داخلی بیشتر در اتوماسیون سیستم‌ها کاربرد دارند، در حالی که تصمیم‌گیری‌های ما به داده‌های خارجی وابسته شده است.

از دیرباز، مدیران ارشد برای کسب اطلاعات خارجی به منابعی مانند تلویزیون، روزنامه و شرکت در جلسات متکی بودند. در گذشته، هوش تجاری را به عنوان یک اصطلاح چتری برای تبدیل داده به دانش می‌دیدیم، اما این داده‌ها عمدتاً محدود به ساختارهای داخلی سازمان، مانند سیستم‌های حسابداری، بودند. ما به این نوع تحلیل، تحلیل توصیفی می‌گوییم.

اما امروزه، برای انجام تحلیل‌های پیچیده‌تر مانند تحلیل عاملی، نیاز به ترکیب داده‌های داخلی با داده‌های خارجی، مثل قیمت‌های بازار جهانی، داریم. حتی برای درک علت کاهش فروش یک محصول مانند بستنی، ممکن است به داده‌های آب و هوایی نیاز داشته باشیم.

ما به این نتیجه رسیده‌ایم که هوش تجاری که در گذشته صرفاً بر داده‌های داخلی متمرکز بود، امروزه باید مبتنی بر کلان داده و داده‌های باز باشد و از سرویس‌های باز استفاده کند. ما شاهد ظهور مفهوم “تحلیل داده به عنوان سرویس” هستیم، جایی که شرکت‌ها داده‌های باز را تحلیل کرده و می‌فروشند.

این نشان می‌دهد که در آینده، شرکت‌ها علاوه بر هوش تجاری داخلی، به خرید سرویس‌های تحلیل داده از منابع خارجی نیاز خواهند داشت. این امر به سازمان‌ها کمک می‌کند تا روابط علّی بین محیط داخلی و خارجی را بهتر درک کنند.

دکتر محمدی: با توجه به نقش ما در دانشگاه و رسالتی که در امیدآفرینی داریم، می‌خواهم سؤال مهمی مطرح کنم: به نظر شما، مردم و به ویژه جوانان در این عصر دیجیتال و هوشمند مبتنی بر هوش مصنوعی، چه مهارت‌هایی را باید فرا بگیرند؟ چگونه می‌توانند خود را برای نسل جدید آماده کنند؟ با توجه به دیدگاه خوش‌بینانه‌ای که داشتید مبنی بر اینکه هوش مصنوعی لزوماً مشاغل را از بین نمی‌برد، بلکه ممکن است مشاغل با ارزش افزوده پایین را حذف کند و بیشتر به افزایش بهره‌وری کمک کند، چه توصیه‌هایی دارید؟

دکتر روحانی: کاملاً با شما موافقم که نسل آینده قطعاً از هوش مصنوعی در زندگی روزمره خود بهره خواهد برد. حتی اگر ما نتوانیم از تمام مزایای آن استفاده کنیم، مطمئنم که زندگی آنها بهتر از ما خواهد بود، همانطور که زندگی ما از نسل قبل بهتر بوده است.

یکی از مهمترین نیازهای این حوزه، قطعاً شناخت و استفاده مناسب از این ابزارهاست. همانطور که امروزه برای انجام بسیاری از امور روزمره، مانند خرید بلیط یا دریافت یارانه، ناگزیر به استفاده از فناوری اطلاعات هستیم، در آینده نیز برای زندگی بهتر و تعامل مؤثر با هوش مصنوعی، نیاز به درک و استفاده صحیح از این فناوری خواهیم داشت.

پیشنهاد من به نسل جدید این است که با مفهوم هوش مصنوعی آشنا شوند و از آن استفاده کنند. هوش مصنوعی که امروز در دسترس ماست، تنها آغاز راه است و سرمایه‌گذاری‌های اصلی هنوز در راه است.

نکته مهم دیگر، حفظ روحیه یادگیری مادام‌العمر است. ما نیاز داریم که همواره آماده یادگیری و تجربه کردن باشیم. مهارت‌های زبان انگلیسی، مطالعه در مورد شرکت‌های پیشرو، و افزایش سواد دیجیتال همگی به ما کمک می‌کنند تا بهتر از این فناوری‌ها استفاده کنیم.

امروزه در مدارس ما آموزش برنامه‌نویسی ارائه می‌شود، نه لزوماً برای اینکه همه برنامه‌نویس شوند، بلکه برای آشنایی با منطق پشت صحنه این فناوری‌ها. این درک و فهم به افراد کمک می‌کند تا بتوانند بهتر از هوش مصنوعی و فناوری‌های مرتبط استفاده کنند.

دکتر محمدی: بله، کاملاً درست است. آموختن زبان برنامه‌نویسی لزوماً به معنای تبدیل شدن به یک برنامه‌نویس نیست، بلکه به ما کمک می‌کند تا درک بهتری از دنیای پیرامون این برنامه‌ها و نحوه شکل‌گیری آنها داشته باشیم.

اگر بخواهیم جمع‌بندی کنیم، با توجه به توضیحاتی که شما ارائه دادید، می‌توانیم تصویری نسبتاً خوش‌بینانه از تأثیرات هوش مصنوعی ترسیم کنیم. این تأثیرات را می‌توان از دو منظر بررسی کرد: اول، افزایش بهره‌وری در کارهایی که انجام می‌دهیم، و دوم، ابزارهایی که می‌توانند زندگی ما را به طور قابل توجهی تسهیل کنند و زمان آزاد بیشتری در اختیار ما قرار دهند تا به علایق شخصی و سرگرمی‌هایمان بپردازیم.

همانطور که در طول تاریخ شاهد بوده‌ایم، این روند ادامه خواهد یافت. در حال حاضر، در اکثر کشورهای جهان، ما دو و نیم روز تعطیلی در هفته داریم. با پیشرفت هوش مصنوعی، ممکن است این مدت به سه و نیم روز افزایش یابد، به طوری که تقریباً نیمی از هفته را مردم در استراحت به سر ببرند. بنابراین، ظهور هوش مصنوعی احتمالاً فرصتی بسیار ارزشمند برای ما خواهد بود تا بتوانیم بهره‌وری و شیوه زندگی خود را نسبت به گذشته ساده‌تر و مؤثرتر کنیم.

از شما بسیار سپاسگزارم که با من همراهی کردید. امیدوارم که بتوانیم در آینده نیز گفتگوهای مشابهی داشته باشیم.

دکتر روحانی: من هم از دعوت شما و این گفتگوی عمیق درباره جنبه‌های مختلف هوش مصنوعی بسیار سپاسگزارم. به عنوان نکته پایانی، می‌خواهم به عنوان یک معلم تأکید کنم که بشر همواره با خرد جمعی بهترین‌ها را انتخاب می‌کند. در طول میلیون‌ها سال، انسان به سمتی حرکت کرده است که منفعت کل جوامع را در بر داشته باشد. بنابراین، هر فناوری جدیدی که ظهور می‌کند، در درازمدت به نفع ما خواهد بود.

ما تنها باید روحیه‌ای انعطاف‌پذیر و یادگیرنده داشته باشیم و مقاومت خود را در برابر تغییر کاهش دهیم، زیرا این تغییرات اغلب مثبت هستند و ارزش ریسک کردن را دارند. من حتی از سیاستمداران دعوت می‌کنم که با افزایش مطالعه و آگاهی خود، وارد این عرصه شوند. همانند بسیاری از کشورهای آسیای شرقی، ما نیز می‌توانیم محیطی مناسب برای توسعه فناوری‌ها و به کارگیری آنها در راستای اهداف ملی و انسانی خود ایجاد کنیم.

دکتر محمدی: بسیار عالی، متشکرم. به نظر من، در دنیای آینده، افرادی توانمند و رقابت‌پذیر خواهند بود که بیش از آنکه به فکر یادگیری موضوعات خاص باشند، می‌دانند چگونه یاد بگیرند. این یادگیری مادام‌العمر بسیار مهم است، و به همین دلیل است که ما باید به طور مستمر آماده یادگیری باشیم.

بیش از آنکه به دنبال کسب مدرک یا تخصص خاصی باشیم، باید در مسیر یادگیری قرار بگیریم. اگر این رویکرد را داشته باشیم، مسائل دیگر خود به خود حل خواهند شد. بسیار ممنونم، واقعاً عالی بود. خسته نباشید.