تصور کنید تیمی از دانشمندان نابغه در یک دانشگاه کوچک ایالتی قصد دارند ساختار یک پروتئین جدید را مدلسازی کنند، اما به دلیل نبود هزاران واحد پردازش گرافیکی (GPU)، ایدههایشان در حد یک پیشنویس باقی میماند و هرگز به اجرا در نمیآید. حالا این بنبست در حال شکسته شدن است؛ چراکه قدرت محاسباتی دیگر قرار نیست فقط در جیب ثروتمندترین مؤسسات دنیا باشد.
بنیاد ملی علوم آمریکا (NSF) در تاریخ ۴ آگوست ۲۰۲۶ اعلام کرد که ۱۰۰ میلیون دلار برای ایجاد مراکز زیرساختی هوش مصنوعی در سطح ایالتی و منطقهای هزینه میکند. هدف این ابتکار، هدف قرار دادن شکاف مداومی است که میان پژوهشگرانی که پیشران اکتشافات علمی هستند و خوشههای محاسباتی که در حال حاضر سرمایهها در آنها متمرکز شده است، وجود دارد.
برای اکثر پژوهشگران دانشگاهی، مانع اصلی دیگر نبود استعداد یا تخصص نیست، بلکه هزینه سرسامآور سختافزار است. این مراکز منطقهای درست مثل یک «شبکه برق شهری» یا یک ابزار مشترک عمل میکنند تا این گلوگاه را از بین ببرند و دسترسی عادلانه را فراهم کنند. این رویکرد تکمیلی است بر تلاشهای گستردهتر برای تسهیل دسترسی به سختافزار که راهکارهای تأمین مالی چرخهای انویدیا برای شکستن گلوگاههای پردازشی بخشی از آن است. همانطور که در تحلیلهای قبلی ما درباره امنیت مدلهای بازمتن اشاره کردیم، دسترسی گسترده به زیرساخت، همزمان فرصتهای نوآوری و ریسکهای امنیتی جدیدی را ایجاد میکند.
چارچوب برنامه
بر اساس مستندات NSF، این برنامه تا ۱۰ کنسرسیوم منطقهای را تأمین مالی میکند. این کنسرسیومها محاسبات (Compute) — که در واقع همان فضای پردازشی مورد نیاز برای اجرای مدلهاست — و دادهها و تخصصها را برای پژوهشگران، دانشجویان و مدرسانی که در حال حاضر خارج از مرزهای پیشرو در علمِ هوش مصنوعی قرار دارند، تجمیع میکنند.
به نقل از اطلاعیه NSF، این مراکز بر پایه مدل «مشارکت هزینه بخش خصوصی-دولتی» اداره میشوند: دولتهای محلی، دانشگاهها و سازمانهای خیریه سختافزارهای محاسباتی واقعی را تأمین میکنند، در حالی که NSF هزینه «بافتهای پیونددهنده» مانند آموزش نیروی کار، حمایت از اساتید و هماهنگی کلی کنسرسیومها را میپردازد. طبق این ساختار، در هر ایالت یا منطقه تنها یک جایزه اعطایی در نظر گرفته شده است.
برایان استون، که وظایف مدیر NSF را بر عهده دارد، اظهار داشت که هوش مصنوعی در حال تغییر بنیادین روشهای پژوهشی کشور و شیوه مقابله با چالشهای پیچیده است. او خاطرنشان کرد که این تلاش، جوامع محلی را توانمند میکند تا علمِ مبتنی بر هوش مصنوعی را پیش ببرند و نسل بعدی پیشرفتهای علمی را هدایت کنند.
پشتیبانی بخش خصوصی
چندین بازیگر کلیدی صنعت متعهد شدهاند که منابع خود را برای حمایت از این مراکز به کار بگیرند:
- NVIDIA: ارائه منابع آموزشی، توانمندسازی مدرسان، محتوای یادگیری کاربردی، راهنماییهای فنی و پلتفرمهای شرکا.
- AMD، Intel و Dell Technologies: به عنوان شرکای حامی در این طرح حضور دارند و آماده پشتیبانی هستند.
- Hangar و صندوق نوآوری Secunda: به عنوان پشتیبانهای تکمیلی در این پروژه مشارکت میکنند.
این سطح از تعهدات مالی و لجستیکی انویدیا، در کنار نقش جدید این شرکت به عنوان ضامن مالی در پروژههای عظیم دیتاسنتری، نشاندهنده تغییر استراتژیک این غول سختافزاری از یک فروشنده صرف به یک تسهیلگر زیرساختی است.
الگوهای اثباتشده و مقیاس
این مدل از یک قرارداد در سال ۲۰۲۰ میان NVIDIA، کریس مالاکوفسکی (بنیانگذار انویدیا) و دانشگاه فلوریدا (UF) الگوبرداری شده است. انویدیا با تبدیل UF به نخستین «دانشگاه هوش مصنوعی» واقعی آمریکا، دسترسی به محاسبات را به تمام دانشگاههای دولتی ایالت فلوریدا گسترش داد. در نتیجه، UF از سال ۲۰۱۷ تاکنون بیش از ۵۱۱ میلیون دلار جایزه پژوهشی در حوزه هوش مصنوعی جذب کرده، تعداد اساتید متمرکز بر این حوزه در دانشگاه را به بیش از ۳۰۰ نفر رسانده و هوش مصنوعی را در تمامی ۱۶ دانشکده خود نهادینه کرده است.
این مراکز همچنین با طرح پیشراند منبع ملی پژوهش هوش مصنوعی (NAIRR) که تحت هدایت NSF است، ادغام خواهند شد. طبق گزارشها، طرح NAIRR در طول دو سال از بیش از ۷۰۰ پروژه پژوهشی حمایت کرده است که طیف گستردهای از موضوعات، از مدیریت شیوع بیماریهای عفونی تا پیشبینی ساختار پروتئینها را شامل میشود.
نقش انویدیا در NAIRR شامل ارائه منابع ابری بود که به تیمهای پژوهشی دسترسی اختصاصی به حداقل چهار گره DGX برای مدت زمان حداقل یک ماه میداد. برای نمونه، تیمی از دانشگاه میشیگان با استفاده از یک خوشه ۴۰ واحدی DGX از طریق NAIRR، که با ۲۰۰ هزار ساعت پردازش در ابررایانه Polaris در آزمایشگاه آرگون (Argonne) تکمیل شده بود، موفق شدند مدلهای بنیادی مولکولی MIST را آموزش دهند.
همسویی راهبردی
این برنامه با «مأموریت جنسیس» (Genesis Mission) — تلاش ملی برای هوش مصنوعی در علم که در نوامبر ۲۰۲۵ با دستور اجرایی کاخ سفید تأسیس شد — همسو است. همچنین پاسخی است به گزارش «علم: عصر طلایی جدید» در جولای ۲۰۲۶ توسط مایکل کراتسیوس، مدیر دفتر سیاستهای علمی و فناوری کاخ سفید.
کراتسیوس در این گزارش بر لزوم گسترش زیرساختهای تحقیق و توسعه (R&D) در سطح جهانی تأکید کرد. یادداشت اولویتهای R&D سال مالی ۲۰۲۸ دولت آمریکا نیز سرمایهگذاری در هوش مصنوعی برای علم را به عنوان یک مأموریت ملی تعریف کرده است. او خاطرنشان کرد که تجمیع منابع توسط شرکای منطقهای، مقیاسی از محاسبات را آزاد میکند که هیچ برنامه فدرال یا ذینفع واحدی به تنهایی قادر به دستیابی به آن نیست.
تحلیل: تمرکززدایی از قدرت
این تغییر رویکرد، رقابت هوش مصنوعی را از یک نبرد «برنده-همه-چیز-را-میبرد» بین چند آزمایشگاه غولپیکر، به یک استراتژی منطقهای توزیعشده تبدیل میکند. NSF با تأمین مالی لایه هماهنگی به جای خرید صرفاً تراشهها، ذینفعان منطقهای را مجبور میکند تا خود را درگیر کرده و سهمی در ریسک و سرمایهگذاری داشته باشند.
نکته حیاتی، انعطافپذیری معماری این طرح است؛ اجازه دادن به استقرارهای محلی (on-premises)، ابری یا ترکیبی (hybrid) به این معناست که مناطقها میتوانند منابع را بر اساس اولویتهای اقتصادی محلی خود طراحی کنند. NSF هزینه متخصصان زیرساخت هوش مصنوعی با تخصص فنی را میپردازد تا به پژوهشگران در بهکارگیری محاسبات کمک کنند، در حالی که شرکا عملیات اجرایی را مدیریت میکنند.
اثر درجه دوم این تصمیم، تزریق گسترده استعدادهای «آماده برای AI» از طریق ابتکار TechAccess: AI-Ready America است. انویدیا قصد دارد برنامههای تکرارپذیر و باز را ارائه دهد، از جمله مدارک پشتهای (stackable credentials) و گواهینامههای کوتاهمدت در زمینههایی چون:
- هوش مصنوعی فیزیکی و اتوماسیون
- بهداشت و درمان، انرژی و کشاورزی
- تولید صنعتی و امنیت سایبری
- محاسبات کوانتومی
گام بعدی شما
- متقاضیان احتمالی باید برای رقابت در اولین گروه ۱۰ مرکز منطقهای، مستندات درخواست NSF 26-513 را بررسی کنند.
- دنبال کنید کدام ایالتها موفق میشوند منابع خود را برای ایجاد یک «انحصار محاسباتی منطقهای» با موفقیت ترکیب کنند.
- اگر در محیطهای دانشگاهی هستید، فرصتهای همکاری با NAIRR را برای دسترسی به گرههای DGX رصد کنید.
این تنها بخشی از استراتژی توزیع سختافزار است؛ اثر موجگونه این تصمیم بر اکوسیستم مدلهای بازمتن را در گزارش بعدی بررسی خواهیم کرد.
گفتگو