«هوش مصنوعی کوچک»؛ راهکار شناسایی داروهای تقلبی در سخت‌افزارهای ارزان

تصور کنید یک اسکن پزشکی ۵ دقیقه زمان می‌برد، چون داده‌ها باید ۱۴ هزار کیلومتر تا یک مرکز داده در آمریکا سفر کنند و بازگردند. این تأخیر در کیپ‌تاون نزدیک بود نمایش تجاری ادبایو آلونجه، بنیان‌گذار RxAll را به شکست بکشاند؛ او در حال معرفی راهکاری برای شناسایی داروهای تقلبی بود که سالانه هزاران نفر را در آفریقا می‌کشد. این بحران اتصالات باعث شد آلونجه از مهندسانش بخواهد مدل هوش مصنوعی را به نسخه‌ای کم‌مصرف و آفلاین تبدیل کنند که قادر باشد کاملاً روی یک گوشی اندرویدی اجرا شود. آن‌ها این راهکار اصلاحی را تنها در دو ساعت پیاده کردند.

این چرخش از فضای ابری به رایانش لبه (Edge Computing) — یعنی پردازش داده‌ها درست در همان جایی که تولید می‌شوند، شبیه به داشتن یک آشپز در خانه به جای سفارش غذا از رستوران دوردست — به RxScanner اجازه می‌دهد در مناطقی بدون پهنای باند، کامپیوتر یا برق پایدار، داروهای تقلبی را شناسایی کند. این دستگاه با استفاده از نور مادون قرمز، یک پروفایل مولکولی از قرص ایجاد می‌کند و سپس مدل هوش مصنوعی این پروفایل را با یک پایگاه داده دارویی مقایسه می‌کند تا دارو را شناسایی کرده یا آن را به عنوان محصول تقلبی گزارش دهد. این سامانه در حال حاضر توسط داروخانه‌ها در بیش از دوازده کشور، از جمله غنا، کنیا، میانمار و وطنی آلونجه یعنی نیجریه، مورد استفاده قرار می‌گیرد.

بیشتر بحث‌های جهانی درباره هوش مصنوعی حول محور مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — مراکز داده عظیم و سرمایه‌گذاری‌های میلیارد دلاری می‌چرخد. اما این زیرساخت‌ها در فقیرترین مناطق جهان تا حد زیادی در دسترس نیستند. همان‌طور که در تحلیل‌های پیشین ما درباره شکاف دیجیتال در مدل‌های بازمتن اشاره کردیم، دسترسی ناعادلانه به سخت‌افزار، مانع بهره‌وری جمعی می‌شود. طبق گزارش بانک جهانی که در نوامبر منتشر شد، تنها ۰.۷ درصد از کاربران اینترنت در فقیرترین کشورهای جهان از ChatGPT استفاده کرده‌اند، در حالی که این رقم در توسعه‌یافته‌ترین کشورهای دنیا به یک‌چهارم (۲۵ درصد) کل کاربران اینترنت می‌رسد.

آجای بانگا، رئیس بانک جهانی، در ژانویه گذشته طی نشست مجمع اقتصادی جهانی در داووس تأکید کرد که در حالی که اکثر مردم درباره جنبه‌های «زاینده» هوش مصنوعی بحث می‌کنند، این فناوری به داده‌های انبوه، برق زیاد و مدیریت تخصصی نیاز دارد؛ ترکیبی که کشورهای بسیار کمی در خارج از دنیای توسعه‌یافته، هند و چین، به آن دسترسی دارند. این شکاف دیجیتال، تقاضای شدیدی برای «هوش مصنوعی کوچک» ایجاد کرده است؛ مدل‌هایی با حداکثر چند میلیارد پارامتر (Parameters) به جای تریلیون‌ها پارامتر که در مدل‌های پیشرو یافت می‌شود. این سامانه‌ها نیازی به محاسبات در مقیاس عظیم (Hyperscale Compute) ندارند؛ در عوض، با تنها چند وات برق که توسط باتری‌ها یا پنل‌های خورشیدی تأمین می‌شود، اجرا می‌گردند. این ویژگی آن‌ها را برای اکثریت جمعیت جهان که توان خرید مدل‌های گران‌قیمت و یارانه‌ای را ندارند، پایدار می‌سازد. به گفته آلونجه، اگر مدلی یارانه‌ای نباشد، اکثر مردم نمی‌توانند هزینه آن را بپردازند؛ بنابراین توسعه‌دهندگان هوش مصنوعی کوچک، در واقع در حال ساخت ابزارهایی برای اکثریت مردم جهان هستند.

استقرار در میدان

هوش مصنوعی کوچک از حالت تئوریک خارج شده و در چندین قاره برای حل مشکلات خاص و محلی به کار گرفته شده است:

• کشاورزی در هند: در مؤسسه فناوری ولور، بالا موروگان و همکارانش سیستمی مبتنی بر پهپاد توسعه دادند که عکس‌های گیاهان بادام‌هندی را می‌گیرد. این سیستم لکه‌های نشان‌دهنده بیماری را کاملاً درون خودِ پهپاد شناسایی می‌کند و نیاز به کامپیوترهای محلی یا سرورهای مرکزی را از بین می‌برد.
• بهداشت در برزیل: پژوهشگران از دستگاه‌های آردوینو (Arduino) برای اجرای الکتروکاردیوگرام (نوار قلب) در بخش‌هایی از برزیل استفاده می‌کنند که دسترسی به تجهیزات پزشکی پیچیده‌تر ندارند. این رویکرد در راستای افزایش دقت تشخیص‌های پزشکی در مناطق محروم است، مشابه آنچه در دستاورد مدل MIRA در تشخیص بیماری‌ها مشاهده شد که حتی پزشکان متخصص را به چالش کشید.
• پایش محیط زیست: مدل‌های تخصصی در اروگوئه عفونیان‌های مورچگان در تاکستان‌ها را شناسایی می‌کنند، در حالی که ابزارهای منطقه‌ای دیگر در چندین کشور، پشه‌های ناقل مالاریا را ردیابی و شناسایی می‌کنند.

مکانیسم‌های کوچک‌سازی هوش مصنوعی

پروفسور مارسلو ژوزه رووای از مؤسسه مهندسی و سیستم‌های اطلاعاتی در دانشگاه فدرال ایتاژوبا، که در پروژه‌های برزیل، اروگوئه و ردیابی پشه‌ها مشارکت داشت، توضیح می‌دهد که هوش مصنوعی کوچک از نظر تکنولوژیک تفاوت بنیادی با مدل‌های بزرگ ندارد، بلکه از طریق سه روش اصلی ایجاد می‌شود:

• هرس کردن (Pruning): این روش شامل حذف پارامترهایی از یک مدل بزرگ است که در انجام یک وظیفه خاص دخالت نداشتند. نتیجه این کار، سیستمی است که در سطح کلی کمتر توانمند است اما برای وظیفه تخصصی مورد نظر، بسیار مؤثر باقی می‌ماند.
• تقطیر (Distillation): در این روش، مدل‌های کوچک آموزش می‌بینند تا از یک مدل بزرگ (که نقش «معلم» را دارد) تقلید کنند تا زمانی که عملکرد آن‌ها به سطح مدل اصلی نزدیک شود.
• کاهش دقت (Precision Reduction): این فرآیند دقت یک مدل بزرگ را کاهش می‌دهد تا برنامه‌ای که برای معماری ۳۲ بیتی طراحی شده است، بتواند روی سخت‌افزارهای ۸ بیتی اجرا شود.

رووای می‌افزاید برای کارهای ساده مثل طبقه‌بندی یا پیش‌بینی الگوها (مانند مورد عفونیان مورچه‌ها)، مدل‌ها اغلب از ابتدا روی یک دستگاه کوچک آموزش می‌بینند و اصلاً از یک مدل بزرگتر مشتق نمی‌شوند.

همگرایی سخت‌افزار و وزن‌های باز

دو روند اصلی در حال تسریع این تحول هستند. اول، سخت‌افزار گوشی‌های هوشمند در حال تکامل است تا در حالی که توانمندی‌های بیشتری دارند، برق کمتری مصرف کنند. در سال ۲۰۲۵، کمی بیش از یک‌سوم از کل گوشی‌های ارسال شده در جهان قادر به اجرای هوش مصنوعی زاینده بودند. طبق گزارش شرکت تحقیقات فناوری Counterpoint، این رقم تا پایان سال جاری به ۴۵ درصد خواهد رسید و تا پایان سال آینده، کمی بیش از نیمی از تمام گوشی‌های هوشمند قادر خواهند بود یک مدل هوش مصنوعی کوچک را اجرا کنند. اکثر این دستگاه‌ها از واحد پردازش عصبی (NPU) استفاده می‌کنند؛ تراشه‌های تخصصی که وظایفی مانند تشخیص چهره یا تنظیم کنتراست و روشنایی عکس را بر عهده دارند.

دوم، انتشار مدل‌های با وزن‌های باز (Open Weights) — یعنی «دستور پخت» مدل علناً منتشر شده و نه فقط غذای آماده — موانع ورود را کم کرده است. رووای مدل‌های Gemma 4 (عرضه شده در آوریل ۲۰۲۵) گوگل دیپ‌مایند و Qwen 3.5 علی‌بابا را مبناهای «فوق‌العاده‌ای» می‌نامد. چون این مدل‌ها وزن‌های باز دارند، کاربران می‌توانند اتصالات بین پارامترها را مطابق با نیازهای خود تنظیم کنند. رووای اشاره می‌کند که این امر بازآموزی مدل را برای داده‌های خاص — مانند اطلاعات صنعت لبنیات — در آن بستر خاص بسیار آسان می‌کند.

حتی ابتدایی‌ترین سخت‌افزارها نیز اکنون توانمند شده‌اند. رووای اخیراً Arduino UNO Q را معرفی کرد؛ دستگاهی ۵۰ دلاری با تراشه کوالکام که تنها با ۳ وات برق، یک مدل زبانی را اجرا می‌کند تا داده‌های جمع‌آوری‌شده از حسگرها را برای شناسایی تالاب‌های کوچک محل پرورش پشه‌ها تحلیل کند.

تحلیل پایداری

این تغییر نشان می‌دهد آینده هوش مصنوعی شاید نه یک مغز متمرکز عظیم، بلکه میلیون‌ها مدل دقیق باشد که در «لبه» مستقر شده و مشکلات خاص را در بسترهای خاص حل می‌کنند. برای کاربر، این به معنای قابلیت اطمینان در نبود پهنای باند است و برای ارائه‌دهنده، به معنای رهایی از هزینه‌های ناپایدار استنتاج (Inference) — یعنی لحظه تولید جواب توسط مدل، شبیه به خودِ آشپزی به جای آموزش آشپز — در فضای ابری است.

با این حال، هوش مصنوعی کوچک جایگزین کامل مدل‌های بزرگ نیست. رووای تأکید می‌کند که ما برای ساخت این نسخه‌های تقطیری، همچنان به بینش‌های معماری، پردازش داده‌ها و نتایج مدل‌های غول‌آسا نیاز داریم؛ او می‌گوید: «ما برای ساخت این مدل‌های کوچک‌تر، به مدل‌های بزرگ نیاز داریم». علاوه بر این، هوش مصنوعی کوچک نمی‌تواند نابرابری دیجیتال زیربنایی را کاملاً پاک کند. آلونجه هشدار می‌دهد که اجرای مدل کوچک، چالش ایجاد یک اکوسیستم گسترده‌تر شامل برق پایدار، زنجیره‌های تأمین فعال و سیستم‌های آموزشی برای پرورش استعدادهای AI را حل نمی‌کند. در این میان، سرعت پذیرش این فناوری در میان نسل‌های جدیدeبسیار بالاست؛ به طوری که گزارش یونیسف از استفاده ۲۰ میلیون کودک از AI نشان می‌دهد که پذیرش ابزارها بسیار سریع‌تر از تدوین قوانین ایمنی پیش می‌رود.

حتی یک گوشی آفلاین نیز در نهایت به شارژ باتری و همگام‌سازی دوره‌ای برای به‌روزرسانی امضاهای دارویی و تحلیل‌ها نیاز دارد. همان‌طور که آلونجه هشدار می‌دهد: «آن باتری گوشی قرار نیست برای همیشه دوام بیاورد».

در نهایت، موفقیت این جریان به اراده سیاسی و زیرساخت‌ها وابسته است. بانک جهانی در حال حاضر از طریق اعطای کمک‌های مالی، تأمین سرمایه، منتورینگ و مشاوره فنی، هوش مصنوعی کوچک را ترویج می‌کند. این اقدامات شامل حمایت از یک برنامه دولتی در رواندا برای کمک به خانوارهای کم‌درآمد جهت دستیابی به دستگاه‌های قادر به اجرای AI است. با این حال، مقیاس‌پذیری بلندمدت مستلزم آن است که بازیگران سیاسی به اندازه کافی خردمند باشند تا در زیرساخت‌های بنیادین برای حمایت از این ابزارها سرمایه‌گذاری کنند.

در سال‌های پیش رو، شاهد تلاقی روزافزون گوشی‌های اقتصادی مجهز به NPU و کتابخانه‌های مدل‌های زبانی کوچک (SLM) با وزن‌های باز خواهیم بود؛ چرا که این دو عامل تعیین می‌کنند چه کسانی در دهه آینده واقعاً به هوش مصنوعی دسترسی خواهند داشت.

گام بعدی شما

• بررسی کتابخانه‌های مدل‌های زبانی کوچک (SLM) برای استقرارهای محلی.
• رصد پیشرفت‌های NPU در گوشی‌های میان‌رده برای کاهش هزینه‌های عملیاتی.
• مطالعه مستندات مدل Gemma 4 برای بازآموزی در domین‌های تخصصی.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره تراشه‌های Blackwell و آینده مراکز داده مراجعه کنید.