عنوان: از کمبود چیپ تا مدلهای «انرژیمحور»؛ نکات کلیدی پنل زنجیره تامین هوش مصنوعی در Milken Global Conference
در رویدادی که اوایل این هفته در Milken Global Conference در بورلی هیلز برگزار شد، پنج متخصص از لایههای مختلف زنجیره تامین هوش مصنوعی گرد هم آمدند تا درباره چالشها و راهکارهای پیشروی این صنعت گفتگو کنند. در این پنل که با میزبانی TechCrunch برگزار شد، نمایندگانی از شرکتهای ASML، Google Cloud، Applied Intuition، Perplexity و استارتاپ Logical Intelligence حضور داشتند و موضوعاتی از کمبود چیپ و مراکز داده مداری گرفته تا بازاندیشی در معماریهای بنیادین هوش مصنوعی را بررسی کردند.
محدودیتهای زنجیره تامین؛ مشکل از پایینِ پشته شروع میشود
کریستف فوکه، مدیرعامل ASML — تولیدکننده ماشینهای لیتوگرافی EUV که برای ساخت پیشرفتهترین نیمهرساناها ضروریاند — تأکید کرد که باوجود شتاب تولید چیپ، بازار در کوتاهمدت و میانمدت با «کمبود عرضه» مواجه خواهد بود. معنای ضمنی این حرف برای غولهای ابری (گوگل، مایکروسافت، آمازون، متا) این است که سفارشات سختافزاری لزوماً سریع تأمین نخواهند شد.
فرانسیس دِسوزا، مدیر عملیاتی Google Cloud، ابعاد تقاضا را با آمارهای مالی گوگل نشان داد: رشد سریع درآمد ابری و افزایش چشمگیر backlog (درآمدهای قطعیشده اما تحویلنشده) که فشار بر تامین چیپ و زیرساختها را تشدید میکند.
از سوی دیگر، قصر یونس، مدیرعامل Applied Intuition، مشکل اصلی در حوزه خودروهای خودران و رباتیک فیزیکی را نه کمبود سیلیکون بلکه کمبود «دادههای واقعی» دانست. او تاکید کرد که شبیهسازیهای مصنوعی هر چقدر هم پیشرفته شوند، تا زمانِ طولانی نمیتوانند جایگزین دادههایی شوند که تنها با ارسال ماشینها به دنیای واقعی و مشاهده رفتارشان بهدست میآیند.
مسئله انرژی و ایده «مراکز داده در فضا»
اگر کمبود چیپ، تنگنای کنونی را شکل میدهد، انرژی چالشی است که پشت سر آن میآید. دِسوزا اعلام کرد که گوگل در حال بررسی گزینههای بلندپروازانه مانند ساخت مراکز داده در مدار زمین است تا به منابع انرژی فراوانتر دست یابد. اما حتی در فضا نیز تبادل حرارت دشوار است؛ فقدان همرفت (convection) به معنای وابستگی کامل به تابش برای دفع گرماست که مهندسیِ آن پیچیدگیهای خاص خود را دارد.
او همچنین بر مزیت «هممهندسی» یا co-engineering تاکید کرد: طراحی همزمان سختافزار (مانند TPUهای سفارشی)، نرمافزار و مدلها میتواند کارایی محاسباتی به ازای هر وات را به طور چشمگیری افزایش دهد؛ مزیتی که شرکتهایی با راهکارهای یکپارچه نسبت به خریداران قطعات آماده دارند.
معماری جایگزین: مدلهای انرژیمحور (EBM)
ایو بودنیا، فیزیکدان کوانتوم و بنیانگذار Logical Intelligence، از رویکردی متفاوت دفاع کرد: مدلهای انرژیمحور (Energy-Based Models) که به جای پیشبینی «توکن بعدی» به دنبال فهم قواعد بنیادین دادهها هستند. او استدلال کرد که این نوع مدلها — که به گفته او مدل بزرگترینِ آنها حدود ۲۰۰ میلیون پارامتر دارد و با سرعت بسیار بالاتری عمل میکند — مناسبتر برای حوزههایی است که نیاز به درک قوانین فیزیکی و بهروزرسانی مداوم دانش دارند (مانند طراحی چیپ یا رباتیک).
نکته مهم: برخلاف مدلهای بزرگ زبانی که اغلب نیازمند retraining گسترده هستند، EBMها قابلیت بهروزرسانی پیوسته و سریعتر را ارائه میدهند که در محیطهای فیزیکی و پویا حیاتی است.
عاملها (Agents)، کنترل و اعتماد سازمانی
دیمیتری شِولنکو از Perplexity درباره تحول محصول از «جستجو» به «کارگر دیجیتال» صحبت کرد؛ سامانههایی که دیگر صرفاً ابزار نیستند بلکه کارکنانی هستند که کاربر آنها را هدایت میکند. او روی موضوع کنترل و شفافیت تاکید کرد: مدیران سازمانی باید بتوانند دسترسیها را با دقت بالا (خواندن یا خواندن/نوشتن) تعیین کنند و عاملها پیش از انجام تغییرات، برنامه عمل را برای تایید کاربر ارائه دهند. این سطح از «جزئیسازی» مجوزها، به گفته او، پایهای برای بهداشت امنیتی سازمانی است.
حاکمیت، امنیت ملی و «هوش مصنوعی فیزیکی»
قصر یونس یکی از مهمترین ابعاد ژئوپولتیک را مطرح کرد: هوش مصنوعیِ فیزیکی (خودرانها، پهپادهای دفاعی، تجهیزات معدنی) بهدلیل تجسم فیزیکی در مرزهای ملی، مسائل حاکمیتی و امنیتی را ایجاد میکند. برخلاف نرمافزارهای صرفاً دیجیتال، دستگاههای فیزیکی نمیتوانند بهراحتی از نظارت دولتی یا اصول حاکمیتی عبور کنند؛ بسیاری از کشورها خواستار آناند که کنترل سیستمهای فیزیکی در داخل مرزهایشان باشد.
فوکه نیز یادآور شد که در لایههای پایینتر پشته تکنولوژی (مانند لیتوگرافی EUV) محدودیتهایی وجود دارد که پیشرفتهای سطح بالا را محدود میکند؛ برای مثال فقدان دسترسی به فناوریهای ساخت پیشرفته در برخی کشورها، نقطهضعفی ساختاری ایجاد میکند.
افق آینده: آموزش، اشتغال و خلاقیت نسل بعد
در پایان جلسه، پرسشی مطرح شد که دغدغه عمومی را نمایندگی میکرد: آیا پیشرفتهای سریع هوش مصنوعی ظرفیت نسل بعدی برای «تفکر انتقادی» را تضعیف میکند؟ پاسخها خوشبینانه بود: دِسوزا تاکید کرد که ابزارهای قدرتمندتر میتوانند بشر را در حل مسائل بزرگتری مانند بیماریهای عصبی یا پاکسازی گازهای گلخانهای یاری دهند. شِولنکو و یونس هم به تغییر ماهیت کار اشاره کردند؛ برخی مشاغل سطح ورودی ممکن است کمرنگ شوند، اما درعوض فرصتهای نوآورانه و تقاضا برای مهارتهای جدید افزایش خواهد یافت. بهویژه در حوزههایی که نیاز به نیروی انسانی ندارند یا نیروی انسانی کمتری دارند (معدن، حملونقل طولانی)، هوش مصنوعی فیزیکی میتواند خلأهای موجود را پر کند.
جمعبندی
نشست Milken یک نکته روشن را نشان داد: چالشهای هوش مصنوعی امروز فراتر از مدلهای بزرگ و رقابتهای نرمافزاری است. محدودیتهای فیزیکی در تامین چیپ، نیاز به دادههای واقعی برای رباتیک، فشارهای انرژی و حتی ملاحظات حاکمیتی و امنیتی همگی ضرورتِ بازاندیشی در راهبردها را برجسته میکنند. در کنار این محدودیتها، رویکردهای نوینی مانند مدلهای انرژیمحور و طراحی یکپارچه سختافزار-نرمافزار نویددهنده مسیرهای جدیدی برای توسعه پایدار و کارآمد هوش مصنوعی هستند.