📜#تحلیل_دانشجویی
✍سیدپارسا یاسینی
ورودی ۱۴۰۴ مهندسی برق

#بخش_اول

چرا در هوش مصنوعی لنگ می‌زنیم؟ واکاوی موانع واقعی توسعه AI در ایران؛ فراتر از کلیشه‌های مالی و سخت‌افزاری
مقدمه و طرح مسئله
این روزها هر جا صحبتی از هوش مصنوعی می‌شود، یک پرسش تکراری و آشنا سر باز می‌کند: چرا با وجود این‌همه رتبه تک‌رقمی در المپیادها و فارغ‌التحصیل‌های دانشگاه‌های برتر که خیلی از آن‌ها در شرکت‌های بزرگ دنیا هدایت پروژه‌های روز هوش مصنوعی را در دست دارند، دست خودمان در داخل خالی است؟
در پاسخ به این پرسش، معمولاً یک تحلیل دم‌دستی و پرطرفدار سریعاً مطرح می‌شود: اینکه همه‌چیز لنگِ پول و سخت‌افزار است! استدلال می‌شود که برای آموزش یک مدل زبانی بومی از صفر در مقیاس 40B پارامتر، نهایتاً به چند ده میلیون دلار یا رقمی در حدود ۱۰ تا ۱۵ هزار میلیارد تومان (۱۰ تا ۱۵ همت) نقدینگی نیاز است؛ رقمی که در مقایسه با فسادهای کلان بانکی، اختلاس‌ها، تبادلات تراستی‌ها یا گردش مالی پروژه‌های عمرانی کشور، در مقیاس کلان شوخی و پول خرد به حساب می‌آید. بنابراین نتیجه می‌گیرند که تنها گره کار، نبود اراده حاکمیتی برای پرداخت این رقم و خرید چند کانتینر چیپ پردازشی است.
روی کاغذ، بخش اول این تحلیل کاملاً درست است؛ حتی با نوسانات ارزی و جهش‌های قیمتی در بازار آزاد، تأمین این ارقام در مقیاس درآمدهای ارزی و نفتی کشور غیرممکن نیست. اما اگر کمبود ریال و دلار مانع اصلی نیست، کجای کار می‌لنگد؟ چرا تزریق همین ارقام در گذشته به پروژه‌های دیگر نتیجه‌ای نداشته و در هوش مصنوعی هم اگر رخ دهد به بن‌بست می‌رسد؟ واقعیت ماجرا این است که در توسعه فناوری‌های لبه، مسئله صرفاً موجودی خزانه نیست؛ بلکه پارادوکس فیزیکی حجم داده، نرخ بالای استهلاک دانشی، انزوای فنی و زیرساختی، و بحران حکمرانی نهادی است.
تخمین مهندسی و واقع‌بینانه هزینه‌ها؛ یک مدل 40B دست‌بالا چقدر تمام می‌شود؟
برای اینکه تصویر روشنی از ابعاد فنی و مالی داشته باشیم، باید محاسبات تئوریک را با واقعیت‌های میدانی و ریسک‌های عملیاتی در ایران تطبیق داد.
محاسبات تئوریک نشان می‌دهد که برای آموزش پایدار یک مدل استاندارد 40B پارامتری در طول چند ماه، حداقل به توانی در حدود ۵۱۲ شتاب‌دهنده پرچم‌دار نیاز است. اما در محیط عملیاتی، هیچ تیمی کلاستر را دقیقاً برابر با حداقل نیاز نمی‌چیند. در یک مقیاس بزرگ، سوختن یک کارت، قطعی کابل یا اشکال در یک نود می‌تواند کل فرآیند آموزش را متوقف کند. بنابراین با احتساب حاشیه امنیت و نودهای جایگزین یا همان Redundancy، به کلاستری با حداقل ۶۴۰ تا ۷۶۸ شتاب‌دهنده پرچم‌دار نظیر NVIDIA H200 یا نسل Blackwell مثل B200 نیاز خواهد بود.
تهیه چنین کلاستری فقط خرید سرور نیست. گلوگاه اصلی در آموزش موازی یا Distributed Training، تأمین سوئیچ‌های گران‌قیمت شبکه با توپولوژی‌های پیچیده‌ای نظیر Fat-Tree بر بستر InfiniBand Quantum-2 و حافظه‌های ذخیره‌سازی فوق‌سریع NVMe است. تهیه این ادوات شبکه اختصاصی به دلیل کنترل‌های صادراتی سخت‌گیرانه، حتی از خود کارت‌های گرافیک هم پرهزینه‌تر و پیچیده‌تر است. در بازار غیررسمی و با احتساب ریسک قاچاق، هزینه‌های تراستی‌ها و واسطه‌ها، راه‌اندازی این بخش سخت‌افزاری دست‌بالا بین ۵۰ تا ۶۰ میلیون دلار هزینه دارد.
علاوه بر این، راه‌اندازی دیتاسنتر با تأمین برق صنعتی مگاواتی پایدار، زیرساخت‌های خنک‌کاری مایع یا همان Liquid Cooling، ژنراتورهای اضطراری، دستمزد تیم ارشد مهندسی سیستم‌های توزیع‌شده و فریم‌ورک‌های مقیاس‌پذیر، بین ۱۵ تا ۲۰ میلیون دلار دیگر بودجه می‌طلبد.
نکته مهم‌تر، انزوای فنی ناشی از تحریم است. کلاسترهای انویدیا در ایران فاقد هرگونه پشتیبانی رسمی سازمانی، گارانتی سخت‌افزاری و دسترسی مستقیم به به‌‌روزرسانی‌های نرم‌افزاری و عیب‌یابی مستقیم هستند؛ موضوعی که ریسک توقف پروژه و تحمیل هزینه‌های پیش‌بینی‌نشده را به‌شدت بالا می‌برد. با در نظر گرفتن این موارد و هزینه‌های جاری سرویس‌دهی روزانه و استنتاج در سال اول، کل پروژه دست‌‌بالا به حدود ۷۰ تا ۸۵ میلیون دلار بودجه نیاز دارد که با نرخ‌های روز ارز در بازار آزاد، معادل رقمی در حدود ۱۸ تا ۲۲ همت خواهد بود.
این رقم در مقایسه با ابعاد اقتصاد کشور و پرونده‌های سنگین فساد، ناممکن نیست؛ اما پرسش کلیدی اینجاست: چرا حتی با صرف این هزینه، ساخت یک مدل پایه از صفر عملاً به بن‌بست می‌رسد؟

🏷 با #پلاک_01 همراه باشید...

🌐 تلگرام | بله