تصور کنید کشوری بخواهد قدرت یک مدل زبانی جهانی را داشته باشد، اما هرگز اجازه ندهد حتی یک بیت از داده‌های حساس ملی‌اش از مرزهای کشور خارج شود. این همان رویای «هوش مصنوعی حاکمیتی» است که حالا با پروژه Tapestry به واقعیت نزدیک شده است.
اتحاد هوش مصنوعی (AI Alliance) در ۱ سپتامبر ۲۰۲۶ اعلام کرد که نخستین نقطه عطف فنی این پروژه را با موفقیت پشت سر گذاشته است. این دستاورد ثابت می‌کند که ملت‌ها می‌توانند به‌طور مشترک مدل‌های هوش مصنوعی را آموزش دهند، در حالی که داده‌های آن‌ها به‌طور سخت‌گیرانه‌ای محلی باقی می‌ماند. این معماری به شرکا اجازه می‌دهد تا به‌جای اشتراک‌گذاری مجموعه‌داده‌های خام، تنها «به‌روزرسانی‌های وزن مدل» را به اشتراک بگذارند و بدین ترتیب تضمین شود که اطلاعات حساس ملی هرگز از مرزهای کشور مبدأ خارج نمی‌شود.
این سازوکار شبیه به یک کتابخانه جهانی است که در آن هر کشور در نوشتن یک دانشنامه جامع مشارکت می‌کند، اما هیچ‌کس اجازه ندارد اسناد خصوصی و اصلی هر کشور را که برای نوشتن مدخل‌ها استفاده شده است، ببیند. این هسته اصلی هوش مصنوعی حاکمیتی است: دستیابی به قدرت یک مدل جهانی بدون قربانی کردن حریم خصوصی داده‌ها یا امنیت ملی. این پروژه توسط ائتلافی غیرانتفاعی از بیش از ۲۰۰ سازمان هدایت می‌شود و یان لکون (Yann LeCun) به‌عنوان مشاور ارشد علمی آن فعالیت می‌کند.
بستر جهانی و هوش مصنوعی حاکمیتی
پروژه Tapestry در حال ساخت یک کنسرسیوم باز و جهانی است که در آن ملت‌ها و نهادها روی مدل‌های بنیادی (Foundation Models) — مثل یک زیربنای دانش کلی که می‌توان روی آن تخصص‌های مختلف ساخت — همکاری می‌کنند، در حالی که کنترل استقرار مدل‌ها را در دست خود نگه می‌دارند. در این ساختار، هر گره (Node) به‌روزرسانی‌های وزن را به‌صورت محلی محاسبه کرده و فقط وزن‌های حاصل را به اشتراک می‌گذارد. این یعنی هر شریک می‌تواند یک «مشتق حاکمیتی» کاملاً متعلق به خود را از مدل پایه مشترک بسازد.
به گزارش رسمی این پروژه، در هفته مجمع عمومی سازمان ملل در نیویورک در تاریخ ۳۰ سپتامبر ۲۰۲۶، نمایندگان این اتحاد با تو لَم (Tô Lâm)، رئیس‌جمهور ویتنام و وزرای ارشد دولتی دیدار کردند تا این پروژه را با استراتژی ملی هوش مصنوعی ویتنام همسو کنند. هدف، ساخت مدلی است که زبان، فرهنگ، دانش و موارد استفاده خاص ملی ویتنام را عمیقاً درک کند. هوانگ آن توآن (Hoang Anh Tuan)، کنسولgeneral ویتنام در سان‌فرانسیسکو، تأکید کرد که این همکاری، همکاری‌های بین‌المللی را به یک قابلیت ملی پایدار برای مهندسان و نهادهای ویتنامی تبدیل می‌کند.
کریستوفر نگوین، معمار ارشد پروژه Tapestry، اظهار داشت که حمایت رئیس‌جمهور تو لَم بر چشم‌انداز گسترده‌تری تأکید دارد که شامل فعالیت‌های موازی در هند، ژاپن و بوتان نیز می‌شود.
هند نیز از طریق BharatGen — یک پشته مدل بنیادی متن‌باز با حمایت دولت — حضور خود را تسریع کرده است. در همان هفته سازمان ملل، بینایا سریکانتا پرادان، کنسولgeneral هند، میزبان رهبرانی از جمله گانش راماکریشنان (مدیر مؤسس BharatGen)، ریتویک بانرجی از دانشگاه استونی بروک و کاوشیک باتا از اتحاد هوش مصنوعی بود. پرادان تأکید کرد که ساخت هوش مصنوعی متناسب با زبان‌ها و فرهنگ‌های هند، عامل حفظ استقلال و عاملیت ملی است.
پروژه BharatGen با موفقیت یکی از نخستین اثبات‌های مفهوم (PoC) این پروژه را اجرا کرد؛ به گونه‌ای که تحت هدایت دکتر مانیش سینگ، معاون یادگیری ماشین، به‌طور مشترک با دانشگاه موناش (Monash University) در سراسر هند و استرالیا آموزش دید. برای تداوم این شتاب، BharatGen یک کارگاه برنامه‌ریزی را در ۱۵ اکتبر ۲۰۲۶ در بمبئی برگزار خواهد کرد. علاوه بر این، بنیاد گیتس، گانش راماکریشنان را به‌دلیل رهبری‌اش در BharatGen به عنوان یکی از قهرمانان Goalkeepers سال ۲۰۲۶ معرفی کرد.
نتایج فنی «نقطه عطف صفر»
پروژه در ۱۰ سپتامبر ۲۰۲۶ یافته‌های «نقطه عطف صفر» خود را منتشر کرد که جزئیات دو اثبات مفهوم اصلی و هشت مشارکت دیگر از فرآیند باز را شرح می‌داد:
- همراستاسازی فرهنگی: تیمی مدل OLMo 2 7B را با استفاده از بخش‌های مجزای مجموعه‌داده CultureInstruct تنظیم کرد. آن‌ها با ادغام دلتاهای فشرده وزن لورا (LoRA) — که مثل اضافه کردن یک لایه یادگیری سریع و سبک روی یک مدل بزرگ است — توانستند همراستاسازی مدل با مواضع فرهنگی ویتنام در نقشه اینگلهارت-ولزل را ۴۵٪ بهبود بخشند و فاصله را از ۲.۴۶ به ۱.۳۵ برسانند. همراستاسازی فرهنگی از طریق GlobalOpinionQA و با استفاده از فاصله جنسن-شانون در هفت دور اندازه‌گیری شد که دور سوم به عنوان بهترین نقطه بازگشت (Checkpoint) شناسایی شد. نمره کلی MMLU از ۶۳.۲٪ به ۶۲.۴٪ تغییر کرد که این تغییر از نظر آماری معنادار گزارش نشد. یک سیستم اعتبارسنجی نشان داد که این تغییرات، رفتار مدل در پاسخ به نظرسنجی‌ها را بیشتر از رفتارهای پاسخ‌های باز تغییر داده است.
- پیش‌آموزش فدرال: با استفاده از چارچوب فدرال Flower، تیمی پیش‌آموزش مستمر مدل OLMo 3 7B را بین سایت‌هایی در سیدنی و ویرجینیا انجام داد که از اوهایو هماهنگ می‌شد. این عملیات ۱۲ میلیارد توکن (Token) — تکه‌های کوچکی از متن که مدل آن‌ها را پردازش می‌کند — را با استفاده از ۸ عدد GPU مدل NVIDIA H100 در هر سایت پردازش کرد و سرعت ۴۴,۴۰۰ توکن در ثانیه را حفظ نمود. نکته کلیدی این بود که داده‌های آموزشی تقسیم‌شده Dolma 3 هرگز سایت‌ها را ترک نکردند، با وجود اینکه تأخیر رفت و برگشت ۱۸۶ میلی‌ثانیه‌ای و پهنای باند تقریباً ۰.۵۳ گیگابیت بر ثانیه در مسیر اوهایو-سیدنی وجود داشت.
این موفقیت فنی، بحث را از معماری تئوریک به فناوری عملی منتقل می‌کند. با استفاده از یادگیری فدرال (Federated Learning)، این اتحاد این فرض را به چالش می‌کشد که برای ساخت یک مدل در مقیاس پیشرو، حتماً به یک «دریاچه داده» متمرکز نیاز است. این رویکرد با راهکارهای پیشرفته‌ای برای محیط‌های حساس همسو است، مشابه آنچه در اجرای هوش مصنوعی در محیط‌های ایزوله یا Air-Gapped برای تضمین امنیت حداکثری داده‌ها دیده می‌شود. همچنین این نقطه عطف منجر به تولید نسخه ۰.۱ الزامات استراتژی مدیریت و حاکمیت داده‌های پروژه شد.
برای رهبران کسب‌وکار و سیاست‌گذاران، این یعنی «شکاف هوش مصنوعی» در حال کاهش است. کشورهای کوچک‌تر دیگر مجبور نیستند بین وابستگی به APIهای شرکت‌های بزرگ فناوری آمریکایی یا تلاش برای ساخت مدل‌های عظیم از صفر با داده‌های محدود، یکی را انتخاب کنند. آن‌ها اکنون می‌توانند منابع خود را با متحدانشان ترکیب کنند تا مدل‌هایی با عملکرد بالا و متناسب با فرهنگ خود بسازند.
این رویکرد عملاً قدرت مدل‌های بنیادی را غیرمتمرکز می‌کند و اجازه می‌دهد کشورهای مختلف، مدل‌های پایه مشترک را به دارایی‌های ملی تبدیل کنند (مشتقات حاکمیتی). این امر وابستگی به ارائه‌دهندگان ابری مستقر در ایالات متحده را در لایه هوش مصنوعی هسته‌ای کاهش می‌دهد.
نقشه راه ۲۰۲۶–۲۰۲۷
مشارکت‌کنندگان پروژه اخیراً مقاله‌ای با عنوان «حاکمیت از طریق وابستگی متقابل: عاملیت معرفتی، اقدام هوشمند و هوش مصنوعی فدرال» را در نخستین کارگاه هوش مصنوعی حاکمیتی برای اکوسیستم‌های هوش مصنوعی مشارکتی و کثرت‌گرا در واشینگتن ارائه کردند. آنتونی آنونزیاتا، هم‌بنیان‌گذار و رئیس هیئت مدیره اتحاد هوش مصنوعی، تأکید کرد که پروژه اکنون از مرحله معماری به فناوری عملی رسیده است.
نقطه عطف اول از سپتامبر تا نوامبر ۲۰۲۶ اجرا می‌شود و بر آموزش کنسرسیوم، همراستاسازی فرهنگی و حاکمیت داده‌ها تمرکز دارد. شرکای جدیدی مانند OpenMined, Common Crawl و GSMA به این فاز پیوسته‌اند. اهداف نقشه راه منتشر شده عبارتند از:
- فاز ۱: نخستین نسخه پلتفرم آموزش کنسرسیوم (در حال اجرا).
- پایان ۲۰۲۶: هدف برای تولید اولین مدل پایه.
- نیمه اول ۲۰۲۷: استقرار اولیه.
- تابستان ۲۰۲۷ و بعد از آن: تلاش برای رسیدن به مقیاس مدل‌های پیشرو (Frontier-scale).
انتقال بین این فازها به نقاط اثبات فنی، تعهدات شرکا، در دسترس بودن توان پردازشی، آمادگی داده‌ها و آستانه‌های بودجه بستگی دارد. نتایج کارگاه بمبئی در اکتبر را دنبال کنید تا ببینید آیا کشورهای دیگر جنوب جهانی برای به چالش کشیدن هژمونی فعلی هوش مصنوعی به این کنسرسیوم می‌پیوندند یا خیر.
گام بعدی شما
- اگر توسعه‌دهنده مدل‌های زبانی هستید، چارچوب Flower را برای پیاده‌سازی یادگیری فدرال در پروژه‌های کوچک بررسی کنید.
- نتایج کارگاه بمبئی در اکتبر را دنبال کنید تا ببینید کدام کشورهای جنوب جهانی به این ائتلاف می‌پیوندند.
- مستندات مدل‌های OLMo را مطالعه کنید تا با ساختار مدل‌های بازمتن که برای این پروژه بهینه شده‌اند آشنا شوید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو