هوش مصنوعی کوچک چیست؟ چرا بانک جهانی روی مدل‌های محلی و کم‌هزینه تأکید دارد

هوش مصنوعی کوچک دقیقاً چیست؟

«هوش مصنوعی کوچک» یا Small AI به‌جای تمرکز بر مدل‌های همه‌منظورهٔ بسیار بزرگ، بر ابزارهای کم‌هزینه و متناسب با یک نیاز مشخص تکیه دارد. این ابزارها می‌توانند از مدل‌های سبک و قابل‌اجرا روی دستگاه تا سامانه‌های تخصصی‌ای باشند که از راه پیامک، تماس صوتی یا برنامه‌های ساده به کاربر پاسخ می‌دهند. بنابراین، کوچک‌بودن لزوماً فقط به تعداد پارامترهای مدل اشاره نمی‌کند؛ هزینهٔ دسترسی، نیاز به اینترنت، توان پردازشی و تناسب با زبان و کاربر هم اهمیت دارد.

در گزارش توسعهٔ جهانی بانک جهانی در سال ۲۰۲۶ با عنوان «وعدهٔ هوش مصنوعی»، تأکید اصلی این است که کشورهای با درآمد کم و متوسط می‌توانند به‌جای ساختن مدل‌های عظیم از صفر، ابزارهای موجود را بپذیرند، با داده و زبان محلی سازگار کنند و به‌تدریج توان فنی خود را گسترش دهند.

چرا بانک جهانی روی آن تأکید دارد؟

بسیاری از مناطق با اتصال اینترنت ناپایدار، هزینهٔ بالای داده، کمبود نیروی متخصص یا محدودیت برق روبه‌رو هستند. ابزار هوش مصنوعی‌ای که فقط با اینترنت پرسرعت و اشتراک گران کار می‌کند، برای همهٔ این کاربران راه‌حل عملی نیست. مدل تخصصی یا خدمت سبک می‌تواند نیاز محدودتری را با منابع کمتر برطرف کند؛ البته تنها زمانی که دقت، حریم خصوصی و پشتیبانی زبانی آن به‌اندازهٔ کافی آزموده شده باشد.

در گزارش Guardian در ۱۸ اکتبر ۲۰۲۶، پاسکال دونوهیو، مدیر ارشد دانش بانک جهانی، بر مدل‌هایی تأکید کرده که در محیط محلی، با اتصال ضعیف و به زبان جامعه در دسترس باشند. گزارش به نیاز کشاورزان هندی به دریافت تحلیل خاک به زبان خودشان اشاره می‌کند؛ نمونه‌ای از مسئله‌ای مشخص که ممکن است با ابزار تخصصی حل شود، بی‌آنکه هر کاربر به یک چت‌بات بزرگ و همه‌منظوره نیاز داشته باشد.

بانک جهانی نیز در اطلاعیهٔ ۴ اوت ۲۰۲۶ گفت کشورها می‌توانند از ابزارهای هوش مصنوعی کم‌هزینه برای تقویت خدمات پزشکی، آموزشی، کشاورزی و کسب‌وکار بهره ببرند؛ اما کمبود برق، اینترنت، مهارت و نهادهای کارآمد می‌تواند مانع تحقق این فرصت شود.

کاربردهای عملی و نمونه‌ها

برای مثال، یک ابزار کشاورزی لازم نیست به همهٔ موضوعات دنیا پاسخ دهد. اگر بتواند دادهٔ محلی معتبر را دریافت کند، پرسش کاربر را به زبان مناسب بفهمد و دربارهٔ نشانه‌های رایج محصول راهنمایی قابل‌بررسی ارائه دهد، ممکن است از یک مدل عمومی بزرگ کاربردی‌تر باشد. این مثال، توضیح یک کاربرد احتمالی است و نه ادعای دقت تأییدشده برای محصول مشخص.

محدودیت‌ها و ملاحظات اجرایی

• کیفیت زبان: پشتیبانی اسمی از فارسی یا یک زبان محلی کافی نیست؛ باید فهم لهجه، املای متفاوت و اصطلاحات واقعی کاربران آزموده شود.
• دادهٔ به‌روز: مدل آفلاین ممکن است اطلاعات تازه را نداند. خدمات پزشکی، کشاورزی یا حقوقی به منبع معتبر و تاریخ‌دار نیاز دارند.
• حریم خصوصی: دادهٔ سلامت، زمین، کسب‌وکار یا هویت افراد باید با حداقل‌سازی داده، مجوز روشن و حفاظت مناسب پردازش شود.
• سنجش خطا: پیش از عرضه باید خطاهای مدل، گروه‌هایی که برایشان ضعیف‌تر عمل می‌کند و مسیر ارجاع به متخصص بررسی شود.
• هزینهٔ کل: مدل سبک هم به نگهداری، به‌روزرسانی، پشتیبانی و گاهی اتصال به سرویس‌های بیرونی نیاز دارد؛ «کوچک» خودبه‌خود به معنی رایگان یا بی‌خطربودن نیست.

برای مقایسه با مدل‌های متن‌باز بزرگ‌تر و اجرای محلی، گزارش مرتبط سایوو دربارهٔ مدل Muse Spark Open و اجرای آن روی چند مک را ببینید؛ اندازه و نیاز سخت‌افزاری آن نمونه‌ای متفاوت از ابزارهای سبک و تخصصی است.

پرسش‌های متداول