مدل‌های زبانی بزرگ و چت‌بات‌ها مهم‌اند، اما همه هوش مصنوعی نیستند. شهرت و دسترس‌پذیری ابزارهایی مانند ChatGPT باعث شده است سیاست‌گذار، مدیر و حتی بخشی از جامعه فنی، ظرفیت هوش مصنوعی را در تولید متن و تصویر خلاصه کنند. این یادداشت از همین خطای دید آغاز می‌شود و توضیح می‌دهد که چرا برای کشوری با صنایع فرسوده، بحران آب، ناترازی انرژی و محدودیت سرمایه، تمرکز یک‌جانبه بر مدل‌های زبانی شبیه تجویز جراحی زیبایی برای بیماری است که هنوز درمان اصلی خود را آغاز نکرده است.

در متن، توانایی‌های واقعی مدل‌های زبانی در تولید محتوا، ترجمه، کدنویسی و استدلال متنی انکار نمی‌شود؛ مسئله، تبدیل آن‌ها به پاسخ پیش‌فرض برای هر نیاز است. هزینه بالای زیرساخت، مصرف انرژی، وابستگی به پردازنده‌های تحریم‌پذیر و ناتوانی ذاتی این مدل‌ها در تحلیل مستقیم بسیاری از داده‌های حسگری و عددی، نشان می‌دهد که همیشه بهترین یا اقتصادی‌ترین انتخاب نیستند. در برابر آن‌ها، طیف بزرگی از روش‌های توصیفی، بلادرنگ، تشخیصی، پیش‌بینانه و تجویزی قرار دارد که می‌تواند با مدل‌های کوچک‌تر و زیرساختی سبک‌تر، یک خرابی را پیش از توقف خط تولید تشخیص دهد، نشتی آب را پیدا کند، مصرف انرژی را بهینه سازد یا برای آبیاری و لجستیک تصمیم عملیاتی پیشنهاد کند.

نمونه‌های صنعتی، کشاورزی و زیرساختی مطرح‌شده در مقاله نشان می‌دهند که ارزش هوش مصنوعی الزاماً با تعداد پارامترهای مدل یا بزرگی مزرعه GPU سنجیده نمی‌شود؛ گاهی چند حسگر ارزان، داده قابل اتکا و یک مدل تخصصی، اثر اقتصادی بسیار بیشتری از یک چت‌بات پرهزینه دارند. نتیجه یادداشت مخالفت با مدل‌های زبانی نیست، بلکه دعوت به بازگرداندن تعادل به سرمایه‌گذاری و سیاست‌گذاری است: توسعه LLM باید در کنار هوش مصنوعی صنعتی، بینایی ماشین، نگهداری پیش‌بینانه، بهینه‌سازی و حکمرانی داده قرار گیرد. اگر مسئله‌های واقعی کشور نقطه شروع باشند، فناوری از یک نمایش جذاب به ابزار افزایش بهره‌وری و حفظ منابع تبدیل می‌شود.

مطالعه نسخه کامل در پیوست ↗