رفتار انسان، چشم‌انداز درون اوست   ، نه به این معنا که رفتار معادل آگاهی است، بلکه از آن جهت که تنها «پنجرۀ دسترس‌پذیر» ما به حضور ذهنیت است.

بحث دربارۀ هوشیاری” چه انسانی و چه مصنوعی” به‌طور بنیادین بر استدلال از راه شواهد بیرونی استوار است. ما حتی در مورد نزدیک‌ترین انسان‌ها نیز دسترسی مستقیمی به «کیفیت تجربه» یا درون‌بودگی ذهنی نداریم؛ آنچه می‌بینیم مجموعه‌ای از الگوهای رفتاری، انسجام روایی در گفتار، غنای واکنش‌های عاطفی و ظرفیت بازتاب‌گری شناختی است. تمام ادراک ما از آگاهی دیگری، بر پایه همین نشانه‌های بیرونی بنا می‌شود.

دکتر صادق واعظ زاده

عضو هیات علمی دانشگاه تهران

هوش مصنوعی نه‌فقط اطلاعات، بلکه نتیجه، توصیه و تصمیم تولید می‌کند. مدل‌های یادگیری عمیق امروز در لایه‌هایی از زندگی ما وارد می‌شوند که تصمیم‌هایشان می‌تواند مسیر یک انسان، یک سازمان یا حتی یک جامعه را تغییر دهد. خطا در این حوزه‌ها یک باگ ساده نیست؛ گاهی یک ریسک وجودی در مقیاس فردی یا سیستمی است. از تشخیص زودهنگام سرطان و تحلیل ریسک اعتباری تا انتخاب نیروی انسانی، مدیریت امنیت و هدایت سیستم‌های خودمختار، مدل‌ها در حال تبدیل شدن به «بازیگران فعال» هستند، نه فقط ابزارهای پردازش داده.
به همین دلیل، جامعه علمی و صنعتی به‌دنبال توضیح‌پذیری (Explainability) است؛ چون:
• اعتماد بدون شفافیت پایدار نمی‌ماند.
• مسئولیت‌پذیری زمانی معنا دارد که بدانیم تصمیم از چه منطقی عبور کرده است.
• کاهش سوگیری بدون دیدن رفتار درونی مدل تقریباً ناممکن است.
• سیاست‌گذاری و قانون‌گذاری بدون قابلیت بررسی فرایند تصمیم‌گیری نمی‌تواند منصفانه باشد.
دکتر بابک نجار اعرابی
عضو هیات علمی دانشگاه تهران
#برای_هوش_مصنوعی

در منظومه رو‌به‌شتاب سامانه‌های هوش مصنوعی، کنترل‌پذیری در حضور اهداف پویا نه یک چالش صرفاً مهندسی، بلکه بنیانی‌ترین دغدغه معماری هوشمندی مصنوعی است. هنگامی که اهداف در طول زمان بازتعریف می‌شوند چه ناشی از تغییرات محیطی، بازنگری‌های اخلاقی یا پویایی‌های سازمانی سامانه باید قادر باشد هم‌راستایی رفتاری خود را در کنار پایداری و پیش‌بینی‌پذیری حفظ کند.

در رویکردهای پیشرفته کنترل هوش مصنوعی، تأکید ویژه‌ای بر سلسله‌مراتب هدف تطبیقی وجود دارد؛ ساختاری که در آن اهداف سطح بالا نقش «قیود حاکم» را ایفا می‌کنند، در حالی که لایه‌های میانی و اجرایی می‌توانند بر پایه بازخورد چندمقیاسی، کنترل مدل‌محور، یادگیری تقویتی ایمن و سازوکارهای محدودیت‌گذاری صریح بازتنظیم شوند.

چنین معماری‌ای این امکان را فراهم می‌کند که سامانه، تغییرات هدف را نه به‌صورت اختلال، بلکه به‌عنوان سیگنال معتبر برای بازپیکربندی بهینه تفسیر کند ویژگی‌ای که شرط لازم برای استقرار ایمن و مقیاس‌پذیر هوش مصنوعی در محیط‌های پیچیده و متغیر است.

دکتر بهزاد مشیری

عضو هیات علمی دانشگاه تهران

#برای_هوش_مصنوعی

استراتژی موفق به‌کارگیری مدل‌های زبانی بزرگ (LLM) در کسب‌وکار نیازمند همگرایی بین اهداف تجاری و توانمندی‌های فناورانه است. نخست باید مشخص شود LLM قرار است چه چالشی را حل کند: افزایش بهره‌وری داخلی، بهبود تجربه مشتری، تحلیل داده‌های پیچیده یا تولید محتوا. انتخاب مدل مناسب بر اساس مقیاس، محدودیت‌های داده‌ای و الزامات امنیتی حیاتی است. داده‌های با کیفیت، ستون اصلی موفقیت هستند و فرآیندهای پاک‌سازی، برچسب‌گذاری و به‌روزرسانی مداوم باید به‌صورت سازمان‌یافته مدیریت شوند.

رویکرد تدریجی توصیه می‌شود: آغاز با پروژه‌های پایلوت کوچک، ارزیابی دقیق نتایج و سپس مقیاس‌بندی در سراسر سازمان. ترکیب بینش تجاری، مدیریت داده و مهندسی مدل، کلید ایجاد ارزش پایدار و مزیت رقابتی با LLM در کسب‌وکار است.

محمد امین صادقی

عضو هیات علمی دانشگاه تهران

در مایکروسافت، شعار One Microsoft فقط یک عبارت تبلیغاتی نیست؛ یک طرز فکر و یک فرهنگ سازمانی است. مفهومی که می‌گوید موفقیت پایدار در دنیای پیچیده امروز، نه از جزیره‌ای فکر کردن، بلکه از هم‌راستایی عمیق انسان‌ها، تیم‌ها و فناوری‌ها به‌دست می‌آید.

در چنین فرهنگی، موفقیت فردی بدون موفقیت جمعی معنا ندارد. یادگیری مداوم، شفافیت، اعتماد متقابل و احترام به تنوع فکری، ستون‌های اصلی One Microsoft هستند. این رویکرد به ما یادآوری می‌کند که نوآوری واقعی زمانی رخ می‌دهد که دانش، داده و تجربه آزادانه بین تیم‌ها جریان پیدا کند.One Microsoft، نه فقط یک شعار، بلکه نقشه راه فرهنگ سازمانی برای عصر هوش مصنوعی است.

محمد شکوهی یکتا

استاد علم داده دانشگاه استنفورد

مدیر ارشد اسبق مایکروسافت و اپل

معاون هوش مصنوعی گروه اسنپ

#برای_هوش_مصنوعی

سال‌هاست که ما مغز را نه فقط به‌عنوان یک اندام زیستی، بلکه به‌عنوان یک سیستم زنده در تعامل مداوم با محیط مطالعه می‌کنیم. مغزهای واقعی برای «بودن» طراحی نشده‌اند؛ آن‌ها برای عمل کردن در بدن و زندگی کردن در جهان تکامل یافته‌اند. ادراک، هوش، تصمیم‌گیری و حتی آگاهی، محصول مستقیم این درهم‌تنیدگی عمیق میان مغز، بدن و محیط هستند.

اگر مغز را از محیطش جدا کنیم، آنچه باقی می‌ماند تنها بخشی از ظرفیت بالقوه اوست. اما وقتی یک محیط – حتی یک محیط شبیه‌سازی‌شده – بتواند همان چرخه‌های بازخورد، محدودیت‌ها، عدم قطعیت و پیامدهای واقعی را بازتولید کند، اتفاق مهمی رخ می‌دهد: هوش شروع به ظهور می‌کند.

هوش صرفاً نتیجه محاسبه نیست؛ هوش نتیجه قرار گرفتن در موقعیت است. آگاهی و خودآگاهی نیز از همین مسیر زاده می‌شوند: از تجربه مداوم کنش و واکنش، از خطا، از پیش‌بینی و از اصلاح.

محمدرضا ابوالقاسمی دهاقانی

عضو هیات علمی دانشگاه تهران

#برای_هوش_مصنوعی

در سال‌های اخیر، مدل‌های زبانی بزرگ (LLMs) از چارچوب‌های صرفاً پردازش زبان فراتر رفته و به ابزارهایی عمومی برای «درک، استنتاج و تصمیم‌گیری» تبدیل شده‌اند. یکی از حوزه‌هایی که به‌طور بنیادین می‌تواند از این تحول بهره‌مند شود، شبکه‌های مخابراتی است.

در لایه سوییچ شبکه، جایی که تصمیم‌های حیاتی درباره مسیریابی، تخصیص منابع، ترافیک و تأخیر گرفته می‌شود، مدل‌های زبانی بزرگ می‌توانند نقش یک مغز تطبیق‌پذیر را ایفا کنند. این مدل‌ها قادرند الگوهای پیچیده‌ی ترافیکی، رفتار کاربران و وضعیت لحظه‌ای شبکه را به‌صورت یکپارچه درک کرده و از این درک برای بهینه‌سازی تصمیم‌ها استفاده کنند.

نکته کلیدی اینجاست که LLMها تنها «پیشنهاددهنده» نیستند؛ بلکه می‌توانند به سمت شبکه‌های خودتنظیم‌گر حرکت کنند. شبکه‌هایی که به‌صورت پیوسته پارامترهای خود؛ از جمله پهنای باند، سیاست‌های سوییچینگ، زمان‌بندی بسته‌ها و تحمل خطا،را بر اساس شرایط واقعی و پیش‌بینی آینده تنظیم می‌کنند.

این رویکرد، گذار از شبکه‌های ایستا به شبکه‌های شناختی و خودآگاه را ممکن می‌سازد؛ شبکه‌هایی که نه‌تنها واکنش‌پذیر، بلکه پیش‌نگر هستند. آینده‌ی مخابرات، ترکیبی از هوش مصنوعی، یادگیری مستمر و زیرساخت‌هایی است که خودشان را بهینه می‌کنند،و مدل‌های زبانی بزرگ، یکی از کلیدی‌ترین اجزای این تحول خواهند بود.

بابک حسین خلج

عضو هیات علمی دانشگاه صنعتی شریف

#برای_هوش_مصنوعی

در زیست‌بوم فعلی نوآوری، ما با یک پارادوکس بنیادین روبرو هستیم: در حالی که مدل‌های هوش مصنوعی تشنه‌ی داده‌های باکیفیت برای نجات جان انسان‌ها و تحول در درمان هستند، بخش بزرگی از این دارایی‌های حیاتی در «سیلوهای اطلاعاتی» سازمان‌ها محبوس مانده‌اند.

حقیقت این است که در عصر هوش مصنوعی، پارادایم سنتی «مالکیت داده» باید جای خود را به « حاکمیت داده » بدهد. مانع اصلی این گذار، سه‌ضلعی پیچیده‌ی حریم خصوصی ، امنیت و انگیزه‌های اقتصادی است. اگرچه نگرانی سازمان‌ها از نشت اطلاعات بیماران مشروع است، اما این سکون و انجماد داده‌ای، بهای سنگینی دارد: کند شدن روند کشف داروهای جدید و تعویق در تحقق پزشکی شخصی‌سازی شده.

نوآوری در سلامت نباید قربانی «ترس از اشتراک‌گذاری» شود؛ بلکه باید با «اشتراک‌گذاری هوشمندانه» و بازتعریف مدل‌های همکاری، قدرت واقعی هوش مصنوعی را در خدمت بشریت آزاد کرد.

دکتر حمید سلطانیان زاده

عضو هیات علمی دانشگاه تهران

#برای_هوش_مصنوعی

در جهانی که هوش مصنوعی می‌تواند رفتار انسان‌ها را پیش‌بینی کند، سؤال اصلی دیگر این نیست که چه چیزی ممکن است؛ بلکه این است که چه چیزی مجاز است؟

الگوریتم‌ها امروز فقط تحلیل‌گر نیستند؛ آن‌ها به‌تدریج به زیرساخت تصمیم‌گیری تبدیل شده‌اند: از استخدام و وام گرفته تا دیده‌شدن صداها و برچسب‌زدن به «ریسک‌ها». در این میان، یکی از بنیادی‌ترین حقوق دموکراتیک—حق اعتراض—در معرض تضعیف خاموش قرار دارد.

مرز بین نظارت مشروع و مداخله نگران‌کننده، نه دقت الگوریتم، بلکه رضایت آگاهانه + حق اعتراض است. اگر مردم ندانند چه داده‌ای، چرا و چگونه استفاده می‌شود، حتی دقیق‌ترین مدل‌ها هم می‌توانند به ابزار سلب آزادی تبدیل شوند.

مشکل اصلی، نامرئی‌بودن قدرت الگوریتمی است. چگونه می‌توان به تصمیمی اعتراض کرد که دیده نمی‌شود، توضیح داده نمی‌شود، یا حتی از وجودش خبر نداریم؟

احمد دولتخواه

 معاون فناوری اطلاعات و ارتباطات فراجا

#برای_هوش_مصنوعی