مقدمه؛ آنچه در سفرنامه نگفتم
در یادداشت «سفرنامه کازان؛ صد رحمت به چین!» تجربه پنج روز حضور در جمهوری تاتارستان روسیه را روایت کردم؛ سفری که از نظر زیرساخت ارتباطی، امکانات نمایشگاهی و تعاملات بین‌المللی، با انتظارات اولیه ما فاصله زیادی داشت.
اما بخش دیگری از سفر برای من جذاب‌تر بود: مشاهده محصولات فناورانه روسی و گفت‌وگوی مستقیم با توسعه‌دهندگان آنها. از مدل‌های زبانی و GPUهای قدرتمند گرفته تا رباتیک، سامانه‌های خودران، تجهیزات امنیتی و فناوری‌های دارای کاربرد دوگانه، موضوعات متنوعی برای بررسی وجود داشت.
در این سفر همراه دکتر محمدرضا معبودیان، مدیرعامل هومص، حضور داشتم. مسئولیت من به‌عنوان معاون فنی هومص، بررسی ظرفیت‌های فناوری و ارزیابی امکان همکاری فنی با شرکت‌های روسی بود. پیش از سفر نیز از طریق وزارت امور خارجه مکاتباتی برای تسهیل ارتباطات انجام داده بودیم و در کازان، با کمک سرکنسولگری ایران و ارتباطاتی که در نمایشگاه شکل گرفت، جلسات مختلفی برگزار شد.
در این یادداشت نمی‌خواهم وارد جزئیات تجاری مذاکرات یا برنامه‌های سرمایه‌گذاری هومص شوم. هدفم ارائه تصویری از آن چیزی است که در فناوری روسیه مشاهده کردم؛ نقاط قوتی که توجه مرا جلب کرد، ضعف‌هایی که در بعضی محصولات دیدم و فرصت‌هایی که به نظرم برای همکاری فنی میان شرکت‌های ایرانی و روسی وجود دارد.
طبیعتاً مشاهدات یک نمایشگاه و چند جلسه فنی، تصویر کاملی از صنعت هوش مصنوعی روسیه ارائه نمی‌کند؛ اما برای شناسایی جهت‌گیری‌های فناوری و طرح چند پرسش مهم، اطلاعات ارزشمندی در اختیارمان گذاشت.
۱. نمایشگاه کازان؛ فناوری‌هایی که کاربرد عملی داشتند
نمایشگاه Kazan Digital Week 2026 از نظر اندازه و کیفیت برگزاری، چندان چشمگیر نبود؛ اما در میان غرفه‌ها، محصولات فناورانه جالبی دیده می‌شد. بخش قابل توجهی از محصولات به سامانه‌های صنعتی، رباتیک، حمل‌ونقل هوشمند، امنیت، پردازش تصویر و فناوری‌های خودران مربوط بودند. برخلاف بسیاری از نمایشگاه‌هایی که در آنها بیشتر با نمونه‌های مفهومی یا ایده‌های اولیه مواجه می‌شویم، تعدادی از شرکت‌های روسی محصولاتی معرفی می‌کردند که برای مسائل عملیاتی مشخص توسعه یافته بودند.
در حوزه حمل‌ونقل، سامانه‌های خودرو خودران، تجهیزات ناوبری و مدیریت مسیر دیده می‌شد. در بخش رباتیک، محصولاتی برای حمل کالا، عملیات صنعتی و خدمات شهری حضور داشتند. در بخش هوش مصنوعی نیز علاوه بر سکوهای عمومی مبتنی بر LLM، کاربردهایی مانند پایش تصویری، تحلیل داده‌های صنعتی و عامل‌های هوشمند سازمانی ارائه شده بود.
برای مثال، گروه ICL مجموعه‌ای از محصولات مرتبط با زیرساخت فناوری اطلاعات، تحلیل تصویری، امنیت و هوش مصنوعی صنعتی را معرفی کرده بود. مؤسسه NAMI نیز سامانه رانندگی خودکار خود را با اجزایی مانند مکان‌یابی، تحلیل محیط، برنامه‌ریزی حرکت و کنترل خودرو ارائه کرده بود.
برداشت اولیه من این بود که در بخش‌هایی از صنعت فناوری روسیه، تقاضای عملیاتی نقش پررنگی در توسعه محصول دارد؛ به‌خصوص در حوزه‌هایی که به صنعت، حمل‌ونقل و امنیت مرتبط‌اند. اما در حوزه هوش مصنوعی مولد، تصویر تا حدودی متفاوت بود.
۲. جلسه با علی شبانوف؛ GLM-5 روی انبوهی از GPU
یکی از مهمترین جلسات فنی سفر، گفت‌وگو با Ali Shabanov (یا همان علی شبان‌پور خودمان)، مدیر فنی یک شرکت روسی ارائه‌دهنده خدمات مدل‌های زبانی بود. جلسه ما برخلاف ملاقات‌های متعارف نمایشگاهی، به گفت‌وگویی مفصل درباره معماری سامانه، انتخاب مدل، سخت‌افزار، بهینه‌سازی استنتاج و امنیت هوش مصنوعی تبدیل شد.
شبانوف توضیح داد که مجموعه آنها حدود ۲۰ هزار مشتری سازمانی دارد و بخش قابل توجهی از مشتریان، سازمان‌های دولتی هستند. خدمات را هم به‌صورت SaaS و هم On-premises ارائه می‌کنند، اما عمده مشتریان از سرویس ابری استفاده می‌کنند. به گفته او، زیرساخت ابری شرکت بر پایه GPUهای قدرتمند NVIDIA B200 و B300 توسعه یافته است. برای نمونه، استقرار On-premises یکی از مشتریان دولتی با حدود ۱۰۰ کاربر را توضیح داد که روی دو سرور، هر یک مجهز به چهار کارت NVIDIA H200، اجرا شده بود.
مدل اصلی مورد استفاده آنها GLM-5 بود؛ مدل بزرگ چینی توسعه‌یافته توسط Z.ai که حدود ۷۴۴ میلیارد پارامتر کل و ۴۰ میلیارد پارامتر فعال دارد. مشخصات آن را در کنار مدل‌های دیگر در جدول مقایسهٔ مدل‌های زبانی آورده‌ام. از نظر امکانات نیز سکوی نسبتاً کاملی ارائه می‌کردند. گفت‌وگو با مدل زبانی، پردازش فایل، OCR، تبدیل صوت به متن و قابلیت‌های محدود Agentic در رابط کاربری وجود داشت.
با چنین مشخصاتی، انتظار داشتم با معماری نسبتاً پیشرفته‌ای برای مدیریت مدل‌ها، توزیع بار و بهینه‌سازی منابع مواجه شوم؛ اما گفت‌وگوی فنی ما تصویر متفاوتی ارائه کرد.
مدل بزرگ برای همه‌چیز؟
یکی از نخستین پرسش‌های من این بود که چرا بخش عمده سرویس‌ها را بر GLM-5 متمرکز کرده‌اند و از ترکیب مدل‌های کوچک‌تر و تخصصی برای کاهش هزینه استنتاج استفاده نمی‌کنند. GLM-5 مدل قدرتمندی است، اما اجرای مدلی با این اندازه منابع قابل توجهی مصرف می‌کند. استفاده از آن برای تمام درخواست‌های سازمانی، از استخراج اطلاعات ساده گرفته تا وظایف پیچیده استدلالی، لزوماً انتخاب بهینه‌ای نیست. در ابتدا شبانوف نسبت به امکان افزایش محسوس بهره‌وری از طریق انتخاب مدل مناسب و اصلاح معماری استنتاج تردید داشت.
برای توضیح موضوع، وبلاگ انگلیسی خودم، جدول‌های تعاملی مدل‌های زبانی و سخت‌افزارهای پردازشی را به او نشان دادم و درباره تجربه ترگمان در پاسخ‌گویی به ۳۰۰ درخواست هم‌زمان با یک RTX 4090 صحبت کردم.
این مقایسه به معنای یکسان‌بودن بار پردازشی دو سامانه نیست؛ مسئله اصلی، روش طراحی و استفاده بهینه از منابع بود. در همان گفت‌وگو درباره انتخاب مدل متناسب با درخواست، Batching، مدیریت حافظه و معماری استنتاج بحث کردیم. موضوع برایش جالب شد و گفت‌وگوی مفصلی شکل گرفت.
نکته مهم‌تر اینکه چنین رویکردی را فقط در این شرکت ندیدم. در ملاقات با چند مجموعه دیگر نیز استفاده از مدل‌های بزرگ و زیرساخت‌های پردازشی سنگین، رویکرد غالب در ارائه خدمات هوش مصنوعی مولد بود. به نظر می‌رسد، این وضعیت یک فرصت همکاری فناورانه ایجاد می‌کند. تجربه طراحی معماری‌های چندمدلی و بهینه‌سازی استنتاج، می‌تواند برای مجموعه‌هایی که زیرساخت قدرتمند و مشتریان بالفعل دارند، ارزش اقتصادی قابل توجهی داشته باشد.
رابط کاربری؛ وقتی همه‌چیز شبیه ChatGPT است
موضوع دیگری که در همین جلسه و ملاقات با حداقل چهار شرکت دیگر توجهم را جلب کرد، شباهت بسیار زیاد رابط‌های کاربری بود. تقریباً همه سعی کرده بودند مجموعه‌ای از قابلیت‌های هوش مصنوعی را در محیطی شبیه ChatGPT قرار دهند؛ یک صفحه گفت‌وگو، امکان بارگذاری فایل، چند ابزار جانبی و گاهی قابلیت‌های محدود Agent.
در محصول شبانوف، قابلیت‌های Agentic بیشتر به تعامل با صفحات وب محدود بود. از یکپارچه‌سازی عمیق با فرایندهای سازمانی و اجرای گردش‌کارهای پیچیده خبری نبود. در سایر محصولات نیز وضعیت مشابهی مشاهده کردیم. رابط‌ها از نظر طراحی تجربه کاربری، خشک و کم‌انعطاف بودند و به نظر می‌رسید تمرکز توسعه‌دهندگان بیشتر بر افزودن قابلیت‌های مدل زبانی بوده تا طراحی تجربه‌ای متناسب با مسئله کاربر.
وقتی نمونه‌هایی از طراحی رابط کاربری و محصولات ترگمان و سایر محصولات ایرانی را نشان دادیم، واکنش طرف مقابل جالب بود. برخی از ایده‌های طراحی برایشان تازگی داشت و ظاهراً تا آن زمان توجه چندانی به این مسیر نکرده بودند. این مسئله یادآور تفاوت مهمی در توسعه محصولات هوش مصنوعی است: داشتن مدل قدرتمند و API مناسب، به‌تنهایی محصولی با تجربه کاربری مناسب ایجاد نمی‌کند.
Whisper و امنیت AI؛ دو گفت‌وگوی تأمل‌برانگیز
در بخش تبدیل صوت به متن، شبانوف توضیح داد که از Whisper استفاده می‌کنند. وقتی درباره داده‌های آموزش و میزان تغییرات انجام‌شده روی مدل سؤال کردم، پس از مدتی طفره‌رفتن از پاسخ در نهایت، عدد هزار ساعت صوت را مطرح کرد.
نحوه بیان این عدد برایم جالب بود. به نظر می‌رسید عددی را انتخاب کرده که از نگاه خودش بزرگ و قانع‌کننده است، نه اینکه از روی مشخصات فرایند آموزش یا Fine-tuning پاسخ بدهد. وقتی بحث را دقیق‌تر دنبال کردم، توضیح روشنی درباره نحوه آموزش، نوع داده یا ارزیابی کیفیت ارائه نشد.
برای مقایسه، مدل اصلی Whisper با حدود ۶۸۰ هزار ساعت داده صوتی چندزبانه آموزش داده شده است. هزار ساعت داده برای Fine-tuning یک مدل موجود می‌تواند کاملاً معنادار باشد؛ مسئله این نبود که عدد هزار ساعت کوچک است. مسئله این بود که مدیر فنی شرکت نمی‌توانست روشن توضیح دهد این عدد دقیقاً به کدام مرحله از توسعه مدل مربوط می‌شود. برداشت من از این گفت‌وگو این بود که شبانوف در زمینه زیرساخت و ارائه سرویس شناخت بیشتری دارد تا جزئیات توسعه و ارزیابی مدل‌های مورد استفاده.
گفت‌وگوی بعدی ما درباره امنیت هوش مصنوعی حتی جالب‌تر بود. شبانوف تأکید داشت که به دلیل حضور مشتریان دولتی، امنیت برای مجموعه آنها اهمیت بسیار زیادی دارد. از کنترل‌های امنیتی، محدودیت دسترسی و حساسیت سازمان‌های دولتی صحبت می‌کرد. اما وقتی بحث را از امنیت متعارف IT و Guardrailها به امنیت خود سامانه هوش مصنوعی منتقل کردم، مشخص شد شناخت محدودی از این حوزه دارد.
درباره تهدیدهایی مانند Prompt Injection، مسموم‌سازی داده، تغییر رفتار مدل، امنیت RAG، افشای اطلاعات از خروجی، اعتماد به زنجیره تأمین مدل و کنترل اختیار Agentها صحبت کردیم. برای این مسائل، پاسخ فنی مشخصی در معماری معرفی‌شده ندیدم. البته شبانوف عنوان کرد که این مسایل را در دست بررسی دارند و قرار است برای آنها راهکار ارایه دهند اما هنوز هیچ محصول عملیاتی در این حوزه ندارند.
این همان تفاوتی است که در مجموعه یادداشت‌های «اصول و کنترل‌های عملی هوش مصنوعی بدون اعتماد» و «ISO/IEC 27090؛ وقتی امنیت هوش مصنوعی از امنیت سایبری جدا می‌شود» توضیح داده‌ام. امن‌بودن سرور، شبکه و دسترسی کاربران، به معنای امن‌بودن داده، مدل، خروجی و رفتار سامانه هوش مصنوعی نیست. این بخش از گفت‌وگو برای شبانوف تازگی داشت و با علاقه بحث را دنبال می‌کرد.
مجموع این جلسه تصویر جالبی ایجاد کرد: شرکتی با زیرساخت پردازشی قدرتمند، مشتریان سازمانی متعدد، سرویس‌های تجاری فعال، و یکی از برگزیدگان اصلی ITPark و دولت روسیه، اما با فاصله محسوس میان توان عملیاتی و عمق مهندسی در برخی حوزه‌های تخصصی AI. و طبیعتا این حوزه یکی زا مهمترین حوزه‌هایی است که تجربه عملیاتی شرکت‌های ایرانی می تواند مستقیما به صادرات محصول منجر شود.
۳. مدل‌های بزرگ، زیرساخت متمرکز و فرصت معماری غیرمتمرکز
یکی از برداشت‌های مهم از ملاقات با شرکت‌های روسی این بود که بخش قابل توجهی از خدمات هوش مصنوعی مولد بر زیرساخت متمرکز و مدل‌های بزرگ تکیه دارد. حتی شرکت‌هایی که فعالیت اصلی آنها توسعه مدل زبانی نبود، سرویس‌های مبتنی بر LLM راه‌اندازی کرده بودند و به گفته خودشان حجم و تعداد مشتریان مناسبی هم داشتند.
به نظر می‌رسید مسیر غالب این است: تهیه زیرساخت GPU، استقرار یک مدل قدرتمند، ایجاد رابط کاربری و عرضه سرویس سازمانی. این مدل می‌تواند سریع به بازار برسد، اما لزوماً بهینه‌ترین معماری برای همه کاربردها نیست. نکته جالب این بود که در همان شهری چنین سرویس‌هایی معرفی می‌شدند، که ما در بخش‌هایی از آن با مشکلات جدی ارتباط اینترنت همراه مواجه بودیم. این تضاد بسیار مهم است.
در محیط‌های صنعتی، سامانه‌های رباتیکی، تجهیزات میدانی و حتی بعضی خدمات سازمانی، وابستگی کامل به مرکز داده می‌تواند به نقطه ضعف تبدیل شود. اگر ارتباط شبکه قطع شود، نباید تمام قابلیت‌های سامانه از دست برود.
در گفت‌وگو با شرکت‌های روسی، ظرفیت قابل توجهی برای استفاده از معماری‌های Distributed، Local-first و Offline-capable مشاهده کردم؛ رویکردهایی که در آنها پردازش و تصمیم‌گیری متناسب با نیاز میان گره‌های مختلف توزیع می‌شود. منظورم کنارگذاشتن Edge Computing نیست. Edge می‌تواند یکی از اجزای چنین معماری‌ای باشد. مسئله، عبور از مدل وابستگی کامل به یک مرکز پردازش و طراحی سامانه‌هایی است که بتوانند وظایف اصلی خود را حتی در شرایط اختلال ارتباطی ادامه دهند. مفهوم تاب آوری تازه در این شرایط است که متجلی می‌شود.
برای مثال، در یک کاربرد صنعتی می‌توان پردازش اولیه و تصمیم‌گیری عملیاتی را در محل انجام داد و تحلیل‌های سنگین‌تر را به زیرساخت مرکزی سپرد. در خدمات سازمانی نیز می‌توان از مدل‌های کوچک‌تر برای وظایف مشخص استفاده کرد و تنها درخواست‌های پیچیده را به مدل بزرگ ارجاع داد. این رویکرد برای کشوری مانند روسیه که هم زیرساخت محاسباتی قابل توجه دارد و هم در برخی محیط‌ها با محدودیت ارتباطی مواجه است، می‌تواند جذاب باشد.
یکی از فرصت‌های همکاری فناورانه ایران و روسیه دقیقاً در همین حوزه قرار دارد: صادرات دانش مهندسی معماری و بهینه‌سازی هوش مصنوعی.
۴. امنیت سخت‌افزاری؛ جایی که روس‌ها جدی‌تر بودند
اگر در بخشی از خدمات LLM ضعف‌هایی مشاهده کردم، در حوزه امنیت سخت‌افزاری و سامانه‌های صنعتی تصویر متفاوتی دیدم. در چند غرفه، شرکت‌ها بر استفاده از اجزای سخت‌افزاری بومی و کنترل لایه‌های حساس سامانه تأکید داشتند. برخی از آنها از تراشه‌های اختصاصی امنیتی در کنار پردازنده‌ها و قطعات ساخت چین یا آمریکا استفاده می‌کردند. در گفت‌وگوها نیز مشخص بود که نسبت به وابستگی کامل به قطعات خارجی، حتی محصولات چینی، حساسیت دارند.
این رویکرد برایم جالب بود؛ زیرا نشان می‌داد در بخشی از صنعت فناوری روسیه، امنیت فقط به نرم‌افزار و شبکه محدود نمی‌شود و زنجیره اعتماد در لایه سخت‌افزار نیز مورد توجه است. در یادداشت «امنیت زیرساخت هوش مصنوعی از کرنل و GPU شروع می‌شود» توضیح داده‌ام که اعتماد به یک سامانه محاسباتی باید از لایه‌های زیرساختی آغاز شود و تا مدل و محیط اجرا ادامه پیدا کند. در نمایشگاه نیز نمونه‌هایی از همین نگاه به امنیت سخت‌افزاری را مشاهده کردم.
روسیه در حوزه طراحی پردازنده و تراشه فعالیت دارد. برای نمونه، شرکت Baikal Electronics در سال ۲۰۲۶ نمونه آزمایشی معماری شتاب‌دهنده AI خود را معرفی کرده است. هرچند که چنین فعالیت‌هایی را باید از تولید صنعتی GPUهای پیشرفته جدا دانست.
در بعضی غرفه‌ها و استارتاپ‌های مستقر در ITPark نیز درباره استفاده از پردازنده‌های روسی در سامانه‌های خودران صحبت می‌شد. برای ارزیابی میزان بومی‌بودن یک محصول باید دانست کدام بخش طراحی داخلی دارد، کدام قطعه در روسیه ساخته شده و چه اجزایی از زنجیره تأمین خارجی تأمین می‌شوند. اما نکته اصلی مشاهده‌شده ادعای استقلال کامل سخت‌افزاری نبود. روس‌ها در بعضی سامانه‌های حساس، تلاش می‌کردند کنترل اجزای کلیدی امنیت را در اختیار خود نگه دارند، حتی وقتی از سخت‌افزار خارجی استفاده می‌کردند. این نگاه از منظر طراحی سامانه‌های حساس در ایران نیز ارزش بررسی دارد.
۵. فناوری‌های دوگانه؛ پیوند صنعت، امنیت و دفاع
یکی از ویژگی‌های برجسته مشاهده شده در صحبت با شرکت‌ها و استارتاپ‌ها، حضور فناوری‌هایی بود که مرز میان کاربردهای نظامی و غیرنظامی در آنها بسیار نزدیک شده بود. در بعضی غرفه‌ها، شرکت‌هایی را می‌دیدیم که از فناوری‌های توسعه‌یافته برای کاربردهای امنیتی و دفاعی، محصولاتی برای بازار غیرنظامی ساخته بودند. در موارد دیگر، استارتاپ‌های غیرنظامی به همکاری با مجموعه‌های دفاعی نیز اشاره می‌کردند. حتی تعدادی از شرکت‌های کوچک چندنفره درباره قراردادهای خود با بخش دفاعی صحبت می‌کردند.
از توضیحات آنها چنین برداشت کردم که در روسیه، برای برخی حوزه‌های فناورانه، ارتباط میان شرکت‌های کوچک و تقاضای دفاعی در قالب فرایندهای مشخصی سازمان‌دهی شده است. بعضی شرکت‌ها از سازوکارهای مجوزدهی و محدودیت‌های مرتبط با این فعالیت‌ها نیز صحبت می‌کردند. این موضوع به‌ویژه در حوزه پهپادها و ریزپرنده‌ها آشکار بود. با وجود شرایط جنگی روسیه، محصولات متنوعی در کاربردهای غیرنظامی پهپادها و سامانه‌های بدون سرنشین عرضه شده بود؛ از تحویل رباتیک کالا تا سامانه‌های ناوبری، ایجاد کریدورهای هوایی، پایش محیط و مدیریت ترافیک وسایل پرنده. برخی از این محصولات از فناوری‌های مشابهی با سامانه‌های حساس استفاده می‌کردند، اما کاربردهای غیرنظامی مشخصی برای آنها تعریف شده بود.
در بخش حمل‌ونقل زمینی نیز فناوری‌های خودران حضور داشتند. برای مثال، سامانه NAMI SELF-DRIVING SYSTEM مجموعه‌ای از قابلیت‌های ادراک محیط، مکان‌یابی، برنامه‌ریزی و کنترل حرکت خودرو را معرفی می‌کرد. در سطح شهر نیز انواع خدمات حمل و نقل کالا با استفاده از ربات‌ها و پهپادها مشاهده می‌شد.
در غرفه‌های مرتبط، بر بومی‌سازی نرم‌افزار و استفاده از اجزای سخت‌افزاری روسی نیز تأکید می‌شد. این تجربه نشان داد که توسعه فناوری‌های دوگانه در روسیه صرفاً موضوعی پژوهشی نیست؛ در برخی حوزه‌ها به محصولاتی رسیده که کاربرد غیرنظامی آنها نیز تعریف شده است. از منظر توسعه فناوری، ارتباط میان تقاضای صنعتی، الزامات امنیتی و توان شرکت‌های کوچک، یکی از موضوعات قابل مطالعه در زیست‌بوم روسیه است.
۶. GEOPAGER؛ فناوری موقعیت‌یابی و همکاری در سامانه‌های هوشمند
در جریان سفر، جلسه‌ای نیز با شرکت روسی GEOPAGER داشتیم که از نظر فنی و تجاری اهمیت ویژه‌ای پیدا کرد و منجر به عقد تفاهم‌نامه همکاری و سرمایه‌گذاری شد. این شرکت در حوزه فناوری‌های موقعیت‌یابی، پایش و سامانه‌های مرتبط با وسایل نقلیه بدون سرنشین فعالیت می‌کند. در جلسه، محصولات به صورت عملیاتی به ما معرفی شد و فرصت بررسی بخشی از قابلیت‌های آن فراهم شد. به دلیل حساسیت‌های فنی و تجاری، وارد جزئیات معماری و مشخصات این محصولات نمی‌شوم.
بخشی از فعالیت عمومی GEOPAGER پیش‌تر در منابع رسمی تاتارستان معرفی شده است. برای مثال، وزارت توسعه دیجیتال تاتارستان در مارس ۲۰۲۶ از توسعه سامانه Local Positioning System یا LPS این شرکت خبر داده بود؛ سامانه‌ای مبتنی بر زیرساخت حسگرهای محلی که برای موقعیت‌یابی و پایش فضایی توسعه یافته است. اهمیت این نوع فناوری‌ها در آن است که می‌توانند در کنار روش‌های متعارف موقعیت‌یابی، زیرساخت‌های تخصصی برای سامانه‌های خودران، ناوبری و مدیریت محیط ایجاد کنند.
در مذاکرات، امکان همکاری فنی و توسعه بازار محصولات نیز بررسی شد و در پایان، تفاهم‌نامه همکاری میان هومص و GEOPAGER به امضا رسید. در یادداشت تجاری هومص، اهداف و برنامه‌های اجرایی این تفاهم‌نامه به‌صورت مستقل بررسی خواهند شد.
۷. روسیه؛ قدرت استقرار یا استقلال فناوری؟
یکی از پرسش‌هایی که پس از این ملاقات‌ها برایم مطرح شد، این بود که روسیه در زنجیره فناوری هوش مصنوعی دقیقاً در کدام لایه‌ها توانمندتر است. در نمونه‌هایی که مشاهده کردیم، توان استقرار سامانه‌های سازمانی و صنعتی، استفاده از زیرساخت‌های پردازشی قدرتمند و توسعه محصولات کاربردی کاملاً مشهود بود. اما باید میان توان استقرار، توان طراحی و توان تولید مستقل تفاوت گذاشت. برای مثال، استفاده از مدل چینی GLM-5 روی GPUهای آمریکایی NVIDIA در یک سرویس سازمانی روسی، نشان‌دهنده توان ایجاد و بهره‌برداری از زیرساخت و محصول نهایی است؛ نه توسعه بومی مدل بنیادی یا ساخت GPU. از سوی دیگر، تلاش برای طراحی تراشه‌های امنیتی و پردازنده‌های بومی نیز به معنای بی‌نیازی کامل از زنجیره جهانی نیمه‌رساناها نیست.
به نظر می‌رسد روسیه، در بخش‌هایی از یکپارچه‌سازی سامانه‌ها، امنیت، نرم‌افزارهای صنعتی و کاربردهای عملیاتی هوش مصنوعی توانمندی‌های قابل توجهی داشته باشد؛ درحالی‌که در حوزه شتاب‌دهنده‌های پیشرفته همچنان با مسئله وابستگی به فناوری و زنجیره تأمین خارجی مواجه است.
نکته جالب دیگری نیز در مسیر بازگشت مشاهده کردم. در پرواز مسکو به تهران، بخش بزرگی از مسافران روس بودند و تعداد قابل توجهی از آنها مسیر خود را از تهران به مقاصد دیگر ادامه می‌دادند؛ حتی مقاصدی مانند پکن و شانگهای که به سادگی از خود مسکو به آنها پرواز وجود دارد. این موضوع نشان می‌داد که دست‌کم در تجربه آن پرواز، تهران به یکی از مسیرهای ارتباطی مسافران روس با مقاصد دیگر تبدیل شده است. درباره مسیرهای تأمین سخت‌افزار از چنین مشاهده‌ای نمی‌توان نتیجه مستقیم گرفت، اما پرسش درباره شبکه‌های منطقه‌ای دسترسی روسیه به فناوری و تجهیزات، موضوع مهمی برای بررسی مستقل است.
جمع‌بندی؛ کازان، نقطه اتصال فناوری، صنعت و سرمایه
آنچه از سفر کازان برایم باقی ماند، تصویری از یک زیست‌بوم فناورانه با توانمندی‌ها و ضعف‌های متفاوت بود. روس‌ها در برخی حوزه‌ها، به‌ویژه فناوری‌های صنعتی، امنیتی و سامانه‌های خودران، محصولات عملیاتی قابل توجهی داشتند و در حوزه هوش مصنوعی مولد نیز زیرساخت‌های پردازشی قدرتمند و بازار سازمانی فعالی ایجاد کرده بودند. در مقابل، در زمینه‌هایی مانند بهینه‌سازی استنتاج، معماری غیرمتمرکز، تجربه کاربری و امنیت اختصاصی AI، فرصت‌های مشخصی برای همکاری و انتقال دانش فنی مشاهده کردم.
اما اهمیت کازان به شرکت‌های فناورانه آن محدود نمی‌شود. حضور IT Park و Innopolis در کنار ساختارهای سرمایه‌گذاری تاتارستان، امکان اتصال شرکت‌های فناوری به بازار و صنعت را فراهم کرده است. از یک طرف، Russian Venture Forum 2027 که در ۸ و ۹ آوریل برگزار می‌شود، فرصتی برای معرفی شرکت‌های ایرانی به سرمایه‌گذاران و شرکای فناورانه است؛ از طرف دیگر، آژانس توسعه سرمایه‌گذاری تاتارستان بر پروژه‌های صنعتی، احداث کارخانه، ساخت‌وساز و کشاورزی تمرکز دارد؛ حوزه‌هایی که خود می‌توانند بازار بزرگی برای کاربردهای عملی هوش مصنوعی ایرانی باشند.
از این منظر، کازان را می‌توان یکی از پایگاه‌های بالقوه توسعه فناوری در روسیه و نقطه شروعی برای ورود به بازار کشورهای CIS دانست؛ با چشم‌اندازی بلندمدت‌تر برای همکاری در بازارهای BRICS. مزیت این مسیر، امکان پیوند سرمایه‌گذاری فناورانه با تقاضای واقعی صنایع است؛ همان حلقه‌ای که در بسیاری از برنامه‌های توسعه هوش مصنوعی کمتر به آن توجه می‌شود.
گام بعدی تبدیل ارتباطات ایجادشده به چند همکاری فنی قابل آزمون است؛ از بهینه‌سازی زیرساخت‌های استنتاج و تقویت امنیت AI تا عرضه راهکارهای هوشمند ایرانی در پروژه‌های صنعتی و کشاورزی تاتارستان. چنین همکاری‌هایی می‌توانند علاوه بر صادرات محصول، زمینه صادرات دانش مهندسی و مشارکت در توسعه فناوری را نیز فراهم کنند.
اگر بتوانیم توان مهندسی و محصولات ایرانی را به زیرساخت پردازشی، سرمایه و تقاضای صنعتی روسیه متصل کنیم، کازان دیگر صرفاً مقصد یک سفر نمایشگاهی نخواهد بود؛ می‌تواند به نقطه شروع همکاری‌های پایدار فناورانه ایران در بازار اوراسیا تبدیل شود.
در یادداشت مکمل این نوشته، با عنوان «از چهار استارتاپ تا پنجاه شرکت؛ تجربه‌ای برای بازاندیشی در صادرات فناوری ایران»، از زاویه توسعه بازار و ظرفیت‌سازی صنفی به دستاوردهای سفر کازان پرداخته‌ام؛ از تجربه معرفی توانمندی‌های شرکت‌های ایرانی تا فرصت‌های سرمایه‌گذاری مشترک و پیشنهادهایی برای گسترش حضور صنعت هوش مصنوعی کشور در بازارهای بین‌المللی.