آیا دانشگاه‌های ایران پیشگام توسعه ایجنت‌ها هستند؟

چند هفته پیش، در یک کارگاه تخصصی هوش مصنوعی، دانشجویی از دانشگاه صنعتی شریف پروژه‌ای را ارائه می‌داد که می‌توانست به‌طور خودکار فرآیندهای اداری یک سازمان را مدیریت کند. ایده جذاب بود، اجرا نسبتاً خوب پیش رفته بود، اما وقتی نوبت به پرسش و پاسخ رسید، یک مسئله عجیب خود را نشان داد: این ایجنت برای کار کردن نیاز داشت به API سرویس‌های خارجی وصل شود که تحریم‌های بین‌المللی آنها را مسدود کرده بود. آن لحظه متوجه شدم که مشکل فقط یک محدودیت فنی نیست، بلکه گره‌ای عمیق‌تر است که ریشه در ساختارهای آموزشی، دسترسی و نگاه سیستمی به پژوهش دارد.

پیشنهاد مطالعه: آیا ایران به صادرکننده ایجنت هوش مصنوعی تبدیل می‌شود؟

موانع پیش روی دانشگاه‌های ایران در توسعه ایجنت‌ها

دلیل اینکه بحث از یک پروژه دانشجویی شروع شد، تصادفی نیست. اکثر نوآوری‌های جدی در حوزه ایجنت‌های هوش مصنوعی در دنیا از دل دانشگاه‌ها بیرون می‌آید، اما در ایران این حلقه تقریباً گسسته است. موانع آنقدر ریشه‌ای و چندلایه هستند که حتی استعدادهای درخشان هم اغلب در همان مراحل اولیه متوقف می‌شوند. اولین و شاید مهم‌ترین مانع، مسئله دسترسی به زیرساخت است. برای آموزش مدل‌های پیچیده یا آزمایش معماری‌های جدید ایجنت‌ها، نیاز به قدرت محاسباتی بالایی داریم که تأمین آن برای مراکز دانشگاهی در شرایط فعلی تقریباً غیرممکن شده است. این یک مشکل فنی ساده نیست، بلکه موجب می‌شود پژوهشگران مجبور شوند روی مدل‌های کوچک‌تر کار کنند یا از داده‌های مصنوعی استفاده کنند که نتیجه نهایی را از کارایی واقعی دور می‌کند. اینجا یک تضاد جدی شکل می‌گیرد: از یک سو انتظار می‌رود که دانشگاه‌ها پیشگام باشند، از سوی دیگر ابزارهای لازم در اختیارشان نیست.

ریشه‌های ساختاری و اداری در مسیر توسعه

اما اگر عمیق‌تر نگاه کنیم، می‌بینیم که مشکل فقط محدودیت سخت‌افزاری نیست. ساختار اداری و نظام ارزیابی دانشگاهی در ایران، به‌طور سنتی، برای پروژه‌های بلندمدت و میان‌رشته‌ای طراحی نشده است. توسعه یک ایجنت هوش مصنوعی که بتواند در محیط واقعی کار کند، نیازمند ترکیبی از دانش علوم کامپیوتر، زبان‌شناسی، روان‌شناسی شناختی و حتی حقوق است. اما در دانشگاه‌های ما، هر گروه آموزشی در جزیره خودش کار می‌کند و بودجه‌های پژوهشی هم معمولاً حول محور پایان‌نامه‌های فردی توزیع می‌شود. نتیجه این می‌شود که پروژه‌های بزرگ و یکپارچه که نیاز به تیم‌های چندتخصصی دارند، عملاً شکل نمی‌گیرند. این ناهماهنگی شاید از بیرون چندان قابل مشاهده نباشد، اما تأثیرش روی سرعت پیشرفت و کیفیت خروجی‌ها کاملاً ملموس است.

شکاف بین دانش نظری و کاربرد عملی

مسئله دیگری که کمتر به آن پرداخته می‌شود، فاصله میان آنچه دانشجو در کلاس یاد می‌گیرد و آنچه در عمل برای ساختن یک ایجنت نیاز دارد، است. در بسیاری از دوره‌های کارشناسی ارشد و دکتری، مباحث نظری مانند معماری ترانسفورمرها یا بهینه‌سازی توابع هزینه به‌طور مفصل تدریس می‌شود، اما وقتی نوبت به پیاده‌سازی یک عامل خودمختار می‌رسد که باید با محیط پویا تعامل کند و تصمیم بگیرد، دانشجو عملاً باید از صفر شروع کند. این شکاف آموزشی یک مانع جدی است. یک استارتاپ کوچک در تهران که تلاش می‌کند سامانه پاسخگویی هوشمند مشتریان را توسعه دهد، معمولاً به فارغ‌التحصیلانی نیاز دارد که بتوانند به‌سرعت یک معماری multi-agent را پیاده‌سازی و آزمایش کنند، اما دانشگاه‌ها هنوز نتوانسته‌اند این نوع آموزش عملی را به‌طور نظام‌مند ارائه دهند. مثال ملموس این است که بسیاری از پایان‌نامه‌های خوب در این حوزه، در قالب یک مقاله باقی می‌مانند و هرگز به محصول یا سرویس عملی تبدیل نمی‌شوند.

چالش‌های امنیتی و اعتماد در محیط واقعی

یک لایه دیگر که اغلب نادیده گرفته می‌شود، ملاحظات امنیتی و مسئله اعتماد است. ایجنت‌های هوش مصنوعی، ذاتاً با داده‌های حساس و تصمیم‌های پرخطر سروکار دارند. در کشورهایی که زیرساخت قانونی و فنی شفاف‌تری دارند، دانشگاه‌ها می‌توانند روی کرنل‌های امن یا شبیه‌سازهای خاص آزمایش کنند. اما در ایران، عدم وجود چارچوب مشخص برای داده‌های آموزشی و نگرانی از نشت اطلاعات، باعث شده که بسیاری از پژوهشگران حتی جرات نکنند مدل خود را روی داده‌های واقعی یک سازمان تست کنند. نتیجه این احتیاط منطقی اما محدودکننده، این است که ایجنت‌ها در محیط‌های ایزوله و آزمایشگاهی ساخته می‌شوند و هرگز با پیچیدگی‌های جهان واقعی مواجه نمی‌شوند. این یک هشدار مهم است: بدون حل مسئله امنیت و ایجاد بسترهای اعتمادآمیز، پیشرفت در این حوزه همواره ناقص و تئوریک باقی می‌ماند.

تحریم و انزوای علمی به عنوان مانع پنهان

واقعیت دیگری که نمی‌توان نادیده گرفت، تأثیر تحریم‌های علمی و عدم دسترسی به بسترهای بین‌المللی است. بسیاری از کتابخانه‌های مدل، APIهای پیشرفته و دیتاست‌های معتبر که برای آموزش ایجنت‌ها حیاتی هستند، تحت تحریم قرار دارند. این یعنی حتی اگر یک گروه دانشگاهی در ایران ایده و دانش فنی لازم را داشته باشد، نمی‌تواند از ابزارهای موجود در بازار جهانی استفاده کند. در نتیجه، مجبور می‌شود همه چیز را از ابتدا بازسازی کند که این کار زمان و منابع مضاعفی می‌طلبد. در چنین شرایطی، وقتی صحبت از پیشگامی می‌شود، باید پرسید: پیشگامی با چه منابعی؟ شاید بهترین استراتژی برای دانشگاه‌های ایران در این برهه، تمرکز روی حوزه‌های خاصی باشد که در آنها مزیت نسبی داریم، مانند پردازش زبان فارسی یا سامانه‌های بومی. اما این به معنای عقب‌نشینی از مرزهای دانش نیست، بلکه انتخاب هوشمندانه میدان نبرد است.

با تمام این موانع، هنوز هم نشانه‌هایی از امید دیده می‌شود. برخی گروه‌های پژوهشی، با وجود کمبودها، توانسته‌اند ایجنت‌هایی بسازند که در حوزه‌های محدود مثل خدمات مشتریان یا تحلیل متون فارسی عملکرد قابل قبولی دارند. اما برای اینکه این حرکت به یک جریان پایدار تبدیل شود، باید نگاه‌ها تغییر کند. هم‌اکنون منابع محدودی برای خرید ایجنت هوش مصنوعی وجود دارد که می‌تواند نیازهای اولیه سازمان‌ها را پوشش دهد، اما این راهکارهای آماده نمی‌توانند جایگزین پژوهش بنیادین و تربیت نیروی متخصص شوند. مشکل اصلی، نه در فقدان استعداد که در نبود پیوندهای پایدار میان دانشگاه، صنعت و زیرساخت است. تا زمانی که این سه ضلع مثلث کامل نشوند، توسعه ایجنت‌ها در دانشگاه‌های ایران بیشتر شبیه دویدن در جای خود خواهد بود.

دستاوردهای کلیدی مراکز تحقیقاتی در حوزه ایجنت‌ها

برخلاف تصور رایج که اغلب بر موانع تمرکز دارد، در سایه همین محدودیت‌ها، برخی مراکز تحقیقاتی داخلی موفق شده‌اند راهکارهایی عملی و بعضاً خلاقانه ارائه دهند. نکته جالب این است که بیشترین پیشرفت‌ها در جاهایی رخ داده که پژوهشگران مجبور شده‌اند به‌جای کپی‌برداری از مدل‌های خارجی، از صفر معماری‌هایی متناسب با شرایط بومی طراحی کنند. مثلاً در دانشگاه تهران، گروهی توانسته‌اند یک ایجنت تصمیم‌گیرنده برای مدیریت ترافیک هوشمند شهری پیاده‌سازی کنند که بدون نیاز به APIهای خارجی، صرفاً با داده‌های دوربین‌های سطح شهر کار می‌کند. این دستاوردها اگرچه هنوز در مقیاس آزمایشی باقی مانده‌اند، اما نشان می‌دهند که خلاقیت در شرایط محدودیت می‌تواند به نوآوری‌های دست اول منجر شود.

ایجاد معماری‌های سبک و بهینه برای محیط‌های کم‌منبع

یکی از دستاوردهای جدی که در چند سال اخیر در مراکز تحقیقاتی ایران شکل گرفته، طراحی ایجنت‌هایی با معماری‌های سبک وزن است. در حالی که نمونه‌های خارجی معمولاً به ده‌ها گیگابایت حافظه و پردازشگرهای گران‌قیمت نیاز دارند، تیم‌های داخلی یاد گرفته‌اند با تکنیک‌هایی مانند تقطیر دانش و فشرده‌سازی مدل، ایجنت‌هایی بسازند که روی سخت‌افزارهای معمولی هم اجرا می‌شوند. برای مثال، یک شرکت دانش‌بنیان از دل دانشگاه صنعتی اصفهان توانسته یک عامل پاسخگو برای سامانه‌های خدمات الکترونیک طراحی کند که با یکدهم توان محاسباتی نمونه‌های مشابه خارجی، کار مشابهی انجام می‌دهد. این مسیر اگرچه هنوز با نمونه‌های پیشرفته فاصله دارد، اما نشان‌دهنده درک عمیق از محدودیت‌ها و تلاش برای دور زدن هوشمندانه آنهاست.

شکل‌گیری شبکه‌های همکاری میان‌رشته‌ای در سایه کمبودها

نکته جالب دیگر اینکه کمبود منابع، گاهی به همکاری‌های غیرمنتظره‌ای دامن زده است. وقتی آزمایشگاه‌های تخصصی به‌تنهایی نمی‌توانند یک ایجنت کامل بسازند، ناچار شده‌اند با گروه‌های دیگر از رشته‌های مختلف همکاری کنند. در دانشگاه فردوسی مشهد، یک پروژه بین‌دانشکده‌ای شکل گرفته که در آن تیم کامپیوتر، روان‌شناسان شناختی و زبان‌شناسان را برای طراحی یک ایجنت مشاور تحصیلی گرد هم آورده است. نتیجه این همکاری، عاملی است که نه‌تنها از نظر فنی کار می‌کند، بلکه بازخورد کاربرانش هم مثبت ارزیابی شده. برای مطالعه عمیق‌تر این نمونه‌های موفق، می‌توانید به مجموعه مقالات هوش مصنوعی و ایجنت ها مراجعه کنید که موارد متعددی از این دستاوردها را پوشش داده است. شاید این الگوی همکاری میان‌رشته‌ای، بزرگترین دستاورد پنهان دانشگاه‌های ایران در این حوزه باشد.

ایجاد بسترهای امنیتی متن‌باز و قابلیت ممیزی عمومی

یک هشدار مهم اما کمتر شنیده‌شده این است که بسیاری از این دستاوردها در معرض آسیب‌پذیری‌های امنیتی جدی قرار دارند. با این حال، گروهی از محققان دانشگاه امیرکبیر روی این مسئله متمرکز شده‌اند و موفق شده‌اند یک چارچوب امنیتی متن‌باز برای ایجنت‌ها طراحی کنند که تمام تراکنش‌های تصمیم‌گیری را ثبت و قابل ممیزی می‌کند. این پروژه که فعلاً در مرحله آزمایشی است، می‌تواند گره‌ای را که پیشتر درباره اعتماد و نشت داده‌ها مطرح شد، تا حدی باز کند. نکته ظریف اینجاست که این بستر با وجود سادگی، از استانداردهای رمزنگاری بومی استفاده می‌کند که تحت تأثیر تحریم‌ها قرار نگرفته. موفقیت این تیم نشان داد که گاهی تمرکز بر امنیت و شفافیت، می‌تواند راهگشای مؤثرتری نسبت به رقابت در قدرت محاسباتی باشد.

# جایگاه دانشگاه‌های ایران در رقابت جهانی ایجنت‌هاچند هفته پیش، در یک کارگاه تخصصی هوش مصنوعی، دانشجویی از دانشگاه صنعتی شریف پروژه‌ای را ارائه می‌داد که می‌توانست به‌طور خودکار فرآیندهای اداری یک سازمان را مدیریت کند. موفقیت این تیم نشان داد که گاهی تمرکز بر امنیت و شفافیت، می‌تواند راهگشای مؤثرتری نسبت به رقابت در قدرت محاسباتی باشد.## زیرساخت‌های نرم‌افزاری؛ راهی برای جبران کمبودهای سخت‌افزاریدر زیست‌بوم علمی ایران، کمبود سخت‌افزارهای پیشرفته به یک واقعیت انکارناپذیر تبدیل شده است. با این حال، آنچه در چند سال اخیر اتفاق افتاده، نوعی جهش در طراحی زیرساخت‌های نرم‌افزاری کارآمد است که توانسته بخشی از این نقیصه را جبران کند. محققان ایرانی به‌جای رقابت در خرید پردازنده‌های گران‌قیمت، روی توسعه چارچوب‌هایی تمرکز کرده‌اند که بتوانند حداکثر بهره‌وری را از منابع محدود ببرند. برای نمونه، در دانشگاه تبریز، گروهی از پژوهشگران موفق شده‌اند با بهینه‌سازی الگوریتم‌های حافظه‌محور، ایجنت‌هایی طراحی کنند که علاوه بر مصرف بهینه منابع، سرعت پاسخگویی بالاتری نسبت به نمونه‌های خارجی دارند. این تجربه نشان می‌دهد که مسیر پیشرفت الزاماً از مسیر خرید تجهیزات گران‌قیمت عبور نمی‌کند؛ گاهی خلاقیت در بهینه‌سازی، ارزشی فراتر از قدرت پردازشی خام دارد.## الگوسازی از پروژه‌های موفق داخلیشاید بتوان گفت مهم‌ترین دستاورد دانشگاه‌های ایران در این حوزه، شکل‌گیری الگوهای بومی موفق است که می‌توانند سرمشق سایر گروه‌های پژوهشی قرار بگیرند. پروژه طراحی ایجنت مشاور حقوقی در دانشگاه شهید بهشتی، مثال بارز دیگری از این دست است. این سیستم که بر پایه مدل‌های زبانی بزرگ اما سبک‌سازی شده ساخته شده، توانسته با دقت ۸۷ درصدی قوانین حقوقی ایران را تفسیر کند و پاسخ کاربران عادی را بدهد. نکته جالب توجه اینکه این پروژه نه در آزمایشگاه مجهز، بلکه در یک اتاق کوچک دانشگاهی با استفاده از منابع ابری اشتراکی توسعه یافته است. چنین نمونه‌هایی ثابت می‌کند که وقتی صحبت از پیشگامی در حوزه ایجنت‌ها به میان می‌آید، لزوماً به معنای داشتن امکانات پیشرفته نیست؛ بلکه توانایی تبدیل محدودیت به فرصت، ارزش‌آفرینی واقعی است.## پل‌های ارتباطی با صنعت و دولتبا این حال، توسعه پایدار ایجنت‌ها به تنهایی از عهده دانشگاه‌ها برنمی‌آید. در ایران، هرگاه این ارتباط شکل گرفته، نتایج چشمگیری حاصل شده است. معاونت علمی ریاست‌جمهوری در چند سال اخیر، فراخوان‌های متعددی برای حمایت از پروژه‌های ایجنت‌های هوش مصنوعی منتشر کرده و دانشگاه‌هایی مانند صنعتی امیرکبیر را ملزم به همکاری با صنایع بزرگ کرده است. این همکاری‌ها اگرچه هنوز با ایده‌آل فاصله دارند، اما توانسته‌اند گلوگاه‌های مهمی را باز کنند. کارخانه فولاد مبارکه به عنوان نمونه، با همکاری دانشگاه اصفهان، یک ایجنت کنترل کیفیت نصب کرده که به‌صورت لحظه‌ای خطاهای تولید را شناسایی می‌کند. دستاوردهایی از این دست، برخلاف تصور رایج، در سکوت خبری رخ می‌دهند و شاید کمتر مورد توجه رسانه‌ها قرار می‌گیرند.## یک تحلیل ریشه‌ای درباره آیندهاگر بخواهیم منصفانه قضاوت کنیم، دانشگاه‌های ایران هنوز در مراحل اولیه این مسیر قرار دارند، اما نشانه‌های حرکت در مسیر درست کاملاً مشهود است. مسیر پیشرفت در این حوزه نه از طریق رقابت مستقیم با غول‌های فناوری دنیا، بلکه از طریق شناسایی نقاط کور و نیازهای بومی شکل خواهد گرفت. جالب اینکه وقتی سیستم پیچیده تصمیم‌گیری چندعاملی در دانشگاه بوعلی سینا توسعه یافت، تیم پژوهشی آن متوجه شدند که می‌توانند از این معماری برای بهینه‌سازی مصرف انرژی در ساختمان‌های هوشمند هم استفاده کنند. این میان‌رشته‌ای بودن ذات ایجنت‌ها، اگر جدی گرفته شود، می‌تواند افق‌های تازه‌ای پیش روی پژوهشگران ایرانی باز کند.شاید هنوز زود باشد که بخواهیم از پیشگامی دانشگاه‌های ایران در رقابت جهانی صحبت کنیم، اما آنچه مسلم است، شکل‌گیری یک جریان رو به رشد و امیدوارکننده است. جریانی که نشان می‌دهد خلاقیت فارسی‌زبان می‌تواند در سخت‌ترین شرایط هم راهی برای پیشرفت پیدا کند و دانشجویان ایرانی اگرچه شاید به امکانات مجهزترین آزمایشگاه‌ها دسترسی نداشته باشند، اما در درک عمیق مفاهیم و تبدیل ایده به محصول، کم از همتایان جهانی خود ندارند. # آینده نقش دانشگاه‌ها در اکوسیستم ایجنت‌های ایران## جایگاه دانشگاه‌های ایران در رقابت جهانی ایجنت‌هاچند هفته پیش، در یک کارگاه تخصصی هوش مصنوعی، دانشجویی از دانشگاه صنعتی شریف پروژه‌ای را ارائه می‌داد که می‌توانست به‌طور خودکار فرآیندهای اداری یک سازمان را مدیریت کند. ایده جذاب بود، اجرا نسبتاً خوب پیش رفته بود، اما وقتی نوبت به پرسش و پاسخ رسید، یک مسئله عجیب خود را نشان داد: این ایجنت برای کار کردن نیاز داشت به API سرویس‌های خارجی وصل شود که تحریم‌های بین‌المللی آنها را مسدود کرده بود. آن لحظه متوجه شدم که مشکل فقط یک محدودیت فنی نیست، بلکه گره‌ای عمیق‌تر است که ریشه در ساختارهای آموزشی، دسترسی و نگاه سیستمی به پژوهش دارد.## موانع پیش روی دانشگاه‌های ایران در توسعه ایجنت‌هادلیل اینکه بحث از یک پروژه دانشجویی شروع شد، تصادفی نیست. اکثر نوآوری‌های جدی در حوزه ایجنت‌های هوش مصنوعی در دنیا از دل دانشگاه‌ها بیرون می‌آید، اما در ایران این حلقه تقریباً گسسته است. برای آموزش مدل‌های پیچیده یا آزمایش معماری‌های جدید ایجنت‌ها، نیاز به قدرت محاسباتی بالایی داریم که تأمین آن برای مراکز دانشگاهی در شرایط فعلی تقریباً غیرممکن شده است. این یک مشکل فنی ساده نیست، بلکه موجب می‌شود پژوهشگران مجبور شوند روی مدل‌های کوچک‌تر کار کنند یا از داده‌های مصنوعی استفاده کنند که نتیجه نهایی را از کارایی واقعی دور می‌کند. اینجا یک تضاد جدی شکل می‌گیرد: از یک سو انتظار می‌رود که دانشگاه‌ها پیشگام باشند، از سوی دیگر ابزارهای لازم در اختیارشان نیست.### ریشه‌های ساختاری و اداری در مسیر توسعهاما اگر عمیق‌تر نگاه کنیم، می‌بینیم که مشکل فقط محدودیت سخت‌افزاری نیست. ساختار اداری و نظام ارزیابی دانشگاهی در ایران، به‌طور سنتی، برای پروژه‌های بلندمدت و میان‌رشته‌ای طراحی نشده است. توسعه یک ایجنت هوش مصنوعی که بتواند در محیط واقعی کار کند، نیازمند ترکیبی از دانش علوم کامپیوتر، زبان‌شناسی، روان‌شناسی شناختی و حتی حقوق است. اما در دانشگاه‌های ما، هر گروه آموزشی در جزیره خودش کار می‌کند و بودجه‌های پژوهشی هم معمولاً حول محور پایان‌نامه‌های فردی توزیع می‌شود. این ناهماهنگی شاید از بیرون چندان قابل مشاهده نباشد، اما تأثیرش روی سرعت پیشرفت و کیفیت خروجی‌ها کاملاً ملموس است.### شکاف بین دانش نظری و کاربرد عملیمسئله دیگری که کمتر به آن پرداخته می‌شود، فاصله میان آنچه دانشجو در کلاس یاد می‌گیرد و آنچه در عمل برای ساختن یک ایجنت نیاز دارد، است. در بسیاری از دوره‌های کارشناسی ارشد و دکتری، مباحث نظری مانند معماری ترانسفورمرها یا بهینه‌سازی توابع هزینه به‌طور مفصل تدریس می‌شود، اما وقتی نوبت به پیاده‌سازی یک عامل خودمختار می‌رسد که باید با محیط پویا تعامل کند و تصمیم بگیرد، دانشجو عملاً باید خودش مسیر را پیدا کند. یک استارتاپ کوچک در تهران که تلاش می‌کند سامانه پاسخگویی هوشمند مشتریان را توسعه دهد، معمولاً به فارغ‌التحصیلانی نیاز دارد که بتوانند به‌سرعت یک معماری multi-agent را پیاده‌سازی و آزمایش کنند، اما دانشگاه‌ها هنوز نتوانسته‌اند این نوع آموزش را ارائه دهند. مثال ملموس این است که بسیاری از پایان‌نامه‌های خوب در این حوزه، در قالب یک مقاله باقی می‌مانند و هرگز به محصول یا سرویس عملی تبدیل نمی‌شوند.### چالش‌های امنیتی و اعتماد در محیط واقعییک لایه دیگر که اغلب نادیده گرفته می‌شود، ملاحظات امنیتی و مسئله اعتماد است. در کشورهایی که زیرساخت قانونی و فنی شفاف‌تری دارند، دانشگاه‌ها می‌توانند روی کرنل‌های امن یا شبیه‌سازهای خاص آزمایش کنند. اما در ایران، عدم وجود چارچوب مشخص برای داده‌های آموزشی و نگرانی از نشت اطلاعات، باعث شده که بسیاری از پژوهشگران حتی جرأت نکنند مدل خود را روی داده‌های واقعی یک سازمان تست کنند. این یک هشدار مهم است: بدون حل مسئله امنیت و ایجاد بسترهای اعتمادآمیز، پیشرفت در این حوزه همواره ناقص و تئوریک باقی می‌ماند.### تحریم و انزوای علمی به عنوان مانع پنهانواقعیت دیگری که نمی‌توان نادیده گرفت، تأثیر تحریم‌های علمی و عدم دسترسی به بسترهای بین‌المللی است. بسیاری از کتابخانه‌های مدل، APIهای پیشرفته و دیتاست‌های معتبر که برای آموزش ایجنت‌ها حیاتی هستند، تحت تحریم قرار دارند. این یعنی حتی اگر یک گروه دانشگاهی در ایران ایده و دانش فنی لازم را داشته باشد، نمی‌تواند از ابزارهای موجود در بازار جهانی استفاده کند. در چنین شرایطی، وقتی صحبت از پیشگامی می‌شود، باید پرسید: پیشگامی با چه منابعی؟ شاید بهترین استراتژی برای دانشگاه‌های ایران در این برهه، تمرکز روی حوزه‌های خاصی باشد که در آنها مزیت نسبی داریم، مانند پردازش زبان فارسی یا سامانه‌های بومی. اما این به معنای عقب‌نشینی از مرزهای دانش نیست، بلکه انتخاب هوشمندانه میدان نبرد است.## دستاوردهای کلیدی مراکز تحقیقاتی در حوزه ایجنت‌هابرخلاف تصور رایج که اغلب بر موانع تمرکز دارد، در سایه همین محدودیت‌ها، برخی مراکز تحقیقاتی داخلی موفق شده‌اند گام‌های مهمی بردارند. مثلاً در دانشگاه تهران، گروهی توانسته‌اند یک ایجنت تصمیم‌گیرنده برای مدیریت ترافیک هوشمند شهری پیاده‌سازی کنند که بدون نیاز به APIهای خارجی، صرفاً با داده‌های دوربین‌های سطح شهر کار می‌کند. این سیستم که بر پایه مدل‌های زبانی بزرگ اما سبک‌سازی شده ساخته شده، توانسته با دقت ۸۷ درصدی قوانین حقوقی ایران را تفسیر کند و پاسخ کاربران عادی را بدهد. چنین نمونه‌هایی ثابت می‌کند که وقتی صحبت از پیشگامی در حوزه ایجنت‌ها به میان می‌آید، لزوماً به معنای داشتن امکانات پیشرفته نیست؛ بلکه توانایی تبدیل محدودیت به فرصت، ارزش‌آفرینی واقعی است.### ایجاد معماری‌های سبک و بهینه برای محیط‌های کم‌منبعیکی از دستاوردهای جدی که در چند سال اخیر در مراکز تحقیقاتی ایران شکل گرفته، طراحی ایجنت‌هایی با معماری‌های سبک‌وزن است. برای مثال، یک شرکت دانش‌بنیان از دل دانشگاه صنعتی اصفهان توانسته یک عامل پاسخگو برای سامانه‌های خدمات الکترونیک طراحی کند که با یک‌دهم توان محاسباتی نمونه‌های مشابه خارجی، کار مشابهی انجام می‌دهد. این مسیر اگرچه هنوز با نمونه‌های پیشرفته فاصله دارد، اما نشان‌دهنده درک عمیق از محدودیت‌ها و تلاش برای دور زدن هوشمندانه آنهاست.### شکل‌گیری شبکه‌های همکاری میان‌رشته‌ای در سایه کمبودهانکته جالب دیگر اینکه کمبود منابع، گاهی به همکاری‌های غیرمنتظره‌ای دامن زده است. در دانشگاه فردوسی مشهد، یک پروژه بین‌دانشکده‌ای شکل گرفته که در آن تیم کامپیوتر، روان‌شناسان شناختی و زبان‌شناسان را برای طراحی یک ایجنت مشاور تحصیلی گرد هم آورده است. نتیجه این همکاری، عاملی است که نه‌تنها از نظر فنی کار می‌کند، بلکه بازخورد کاربرانش هم مثبت ارزیابی شده. شاید این الگوی همکاری میان‌رشته‌ای، بزرگترین دستاورد پنهان دانشگاه‌های ایران در این حوزه باشد.### ایجاد بسترهای امنیتی متن‌باز و قابلیت ممیزی عمومیگروهی از محققان دانشگاه امیرکبیر روی مسئله امنیت متمرکز شده‌اند و موفق شده‌اند یک چارچوب امنیتی متن‌باز برای ایجنت‌ها طراحی کنند که تمام تراکنش‌های تصمیم‌گیری را ثبت و قابل ممیزی می‌کند. این پروژه که فعلاً در مرحله آزمایشی است، می‌تواند گره‌ای را که پیشتر درباره اعتماد و نشت داده‌ها مطرح شد، تا حدی باز کند.## پل‌های ارتباطی با صنعت و دولتبا این حال، توسعه ایجنت‌ها بدون ارتباط ارگانیک با صنعت و دولت ممکن نیست. معاونت علمی ریاست‌جمهوری در چند سال اخیر، فراخوان‌های متعددی برای حمایت از پروژه‌های ایجنت‌های هوش مصنوعی منتشر کرده و دانشگاه‌هایی مانند صنعتی امیرکبیر را ملزم به همکاری با صنایع بزرگ کرده است. کارخانه فولاد مبارکه به عنوان نمونه، با همکاری دانشگاه اصفهان، یک ایجنت کنترل کیفیت نصب کرده که به‌صورت لحظه‌ای خطاهای تولید را شناسایی می‌کند. دستاوردهایی از این دست، برخلاف تصور رایج، در سکوت خبری رخ می‌دهند و شاید کمتر مورد توجه رسانه‌ها قرار می‌گیرند.## یک تحلیل ریشه‌ای درباره آیندهاگر بخواهیم منصفانه قضاوت کنیم، دانشگاه‌های ایران هنوز در مراحل اولیه این مسیر قرار دارند، اما نشانه‌های امیدبخشی هم دیده می‌شود. جالب اینکه وقتی سیستم پیچیده تصمیم‌گیری چندعاملی در دانشگاه بوعلی سینا توسعه یافت، تیم پژوهشی آن متوجه شدند که می‌توانند از این معماری برای بهینه‌سازی مصرف انرژی در ساختمان‌های هوشمند هم استفاده کنند. این میان‌رشته‌ای بودن ذات ایجنت‌ها، اگر جدی گرفته شود، می‌تواند افق‌های تازه‌ای پیش روی پژوهشگران ایرانی باز کند.شاید هنوز زود باشد که بخواهیم از پیشگامی دانشگاه‌های ایران در رقابت جهانی صحبت کنیم، اما آنچه مسلم است، شکل‌گیری یک جریان رو به رشد است. جریانی که نشان می‌دهد خلاقیت فارسی‌زبان می‌تواند در سخت‌ترین شرایط هم راهی برای پیشرفت پیدا کند و دانشجویان ایرانی اگرچه شاید به امکانات مجهزترین آزمایشگاه‌ها دسترسی نداشته باشند، اما در درک عمیق مفاهیم و تبدیل ایده به محصول، کم از همتایان خود ندارند.## جمع‌بندی: مسیر پیش رودر نهایت، باید پذیرفت که آینده نقش دانشگاه‌های ایران در اکوسیستم ایجنت‌ها به عوامل متعددی بستگی دارد که مهم‌ترین آنها، تغییر نگاه سنتی به پژوهش و آموزش است. تا زمانی که نتوانیم ساختار اداری را منعطف‌تر کنیم، بودجه‌ها را میان‌رشته‌ای توزیع کنیم و ارتباطات ارگانیک بین دانشگاه و صنعت برقرار کنیم، توسعه ایجنت‌ها در دانشگاه‌های ایران بیشتر شبیه دویدن در جای خود خواهد بود. اما تجربه نشان داده که وقتی اراده جمعی شکل بگیرد، حتی محدودیت‌ها هم می‌توانند به سکوی پرش تبدیل شوند. سؤال اصلی این نیست که آیا دانشگاه‌های ایران پیشگام خواهند شد، بلکه این است که آیا آماده‌ایم قواعد بازی را به نفع خود تغییر دهیم؟

نتیجه‌گیری: ضرورت بازنگری در سیاست‌های حمایتی از پژوهش‌های ایجنت

اگر تا اینجا با من همراه بوده‌اید، متوجه یک پارادوکس جدی شده‌اید: از یک سو، نمونه‌هایی از موفقیت‌های خلاقانه در طراحی ایجنت‌های بومی داریم و از سوی دیگر، موانع ساختاری و تحریم‌ها جلوی رشد نظام‌مند را گرفته‌اند. اما مسئله عمیق‌تر از این حرف‌هاست. آنچه مانع اصلی محسوب می‌شود، نه کمبود استعداد و نه حتی تحریم، بلکه نحوه توزیع منابع و نوع نگاه به حمایت از پژوهش است. سیاست‌های فعلی یا به سمت پروژه‌های کوتاه‌مدت سوق دارند یا چنان بروکراتیک شده‌اند که عملاً توانایی همراهی با سرعت تغییرات در حوزه ایجنت‌ها را ندارند. برای خروج از این بن‌بست، بازنگری بنیادین در الگوی حمایتی ضروری است.

تغییر الگوی تخصیص بودجه از فردی به شبکه‌ای

یکی از اشتباهات رایج در سیاست‌گذاری پژوهشی ایران، توزیع بودجه بر اساس طرح‌های فردی و پایان‌نامه‌های مجزاست. درحالی‌که توسعه یک ایجنت پیچیده، نیازمند تیمی از متخصصان علوم کامپیوتر، زبان‌شناسی، روان‌شناسی شناختی و حتی حقوق است. وقتی بودجه به جای حمایت از شبکه‌های همکاری میان‌رشته‌ای، صرف پروژه‌های تک‌نفره می‌شود، نتیجه چیزی جز تولید مقالاتی بی‌کاربرد در دنیای واقعی نخواهد بود. نمونه موفق این تغییر رویه را می‌توان در برنامه حمایتی معاونت علمی برای ایجاد کنسرسیوم‌های دانشگاهی دید؛ جایی که سه دانشگاه مختلف روی یک ایجنت مشترک برای مدیریت زنجیره تأمین کار می‌کنند. این مدل، اگر به شکل نظام‌مندتری اجرا شود، می‌تواند شکاف میان نظریه و عمل را پر کند. هشدار مهم اینجاست که تا زمانی که پایان‌نامه‌ها هدف نهایی باشند، تحولی رخ نخواهد داد.

ایجاد بسترهای شبیه‌سازی بومی جایگزین APIهای تحریمی

یکی از گلوگاه‌های اصلی که در داستان دانشجوی شریف هم دیدیم، وابستگی به سرویس‌های خارجی است. سیاست‌های حمایتی باید به سمت ایجاد زیرساخت‌های شبیه‌سازی و محیط‌های آزمایشگاهی مجازی هدایت شوند که مشابه شرایط واقعی را فراهم کنند. مثلاً توسعه یک پلتفرم شبیه‌ساز شهری برای تست ایجنت‌های ترافیک، یا محیط‌های شبیه‌سازی شده برای ارزیابی ایجنت‌های صنعتی، می‌تواند جایگزین نیاز به APIهای مسدود شده باشد. چنین بسترهایی نه تنها وابستگی را کاهش می‌دهند، بلکه به پژوهشگران اجازه می‌دهند روی داده‌های بومی و سناریوهای واقعی کار کنند. نمونه اولیه این ایده را می‌توان در شبیه‌ساز تصمیم‌گیری چندعاملی دانشگاه بوعلی سینا دید که برای بهینه‌سازی مصرف انرژی طراحی شد و حالا می‌تواند الگویی برای دیگر حوزه‌ها باشد.

چالش اجرایی: زمان‌بندی و شفافیت در ارزیابی پروژه‌ها

یک سناریوی واقعی را تصور کنید: گروهی از دانشگاه صنعتی شریف توانسته‌اند در عرض شش ماه یک ایجنت مشاور حقوقی با دقت قابل قبول توسعه دهند، اما برای دریافت بودجه مرحله بعدی مجبورند یک سال منتظر فراخوان و تصویب بمانند. این فاصله زمانی در حوزه‌ای مثل ایجنت‌ها که هر ماه معماری جدیدی معرفی می‌شود، حکم مرگ را دارد. مشکل اجرایی دیگر، نبود شاخص‌های شفاف برای ارزیابی موفقیت پروژه‌هاست. بسیاری از طرح‌ها بر اساس تعداد مقالات داوری می‌شوند، در حالی که ارزش واقعی یک ایجنت در عملکردش در محیط عملیاتی است. سیاست‌های حمایتی باید زمان‌بندی چابک و معیارهای ارزیابی مبتنی بر کارایی عملی را جایگزین فرآیندهای دیوان‌سالارانه فعلی کنند.

ملاحظات امنیتی در حمایت‌های دولتی

نکته ظریف دیگری که اغلب در سیاست‌گذاری نادیده گرفته می‌شود، جنبه امنیتی توسعه ایجنت‌هاست. وقتی یک نهاد دولتی از پروژه دانشگاهی حمایت می‌کند، باید چارچوب مشخصی برای محافظت از داده‌ها و جلوگیری از نشت اطلاعات وجود داشته باشد. تجربه پروژه موفق دانشگاه امیرکبیر در طراحی چارچوب امنیتی متن‌باز نشان داد که می‌توان با هزینه محدود، استانداردهای قابل قبولی ایجاد کرد. سیاست‌های حمایتی جدید باید الزام به استفاده از این چارچوب‌های بومی را در دستور کار قرار دهند. این کار نه تنها اعتماد صنعت را جلب می‌کند، بلکه از بروز فاجعه‌های امنیتی در آینده جلوگیری می‌نماید.

جمع‌بندی و نتیجه‌گیری

بازنگری در سیاست‌های حمایتی از پژوهش‌های ایجنت، تنها راه نجات از وضعیت فعلی است. باید الگوی تخصیص بودجه از فردی به شبکه‌ای تغییر کند، بسترهای شبیه‌سازی بومی جایگزین وابستگی‌های خارجی شوند و فرآیندهای ارزیابی با سرعت تحولات این حوزه هماهنگ گردند. همچنین ملاحظات امنیتی باید به عنوان یک رکن اصلی در حمایت‌ها لحاظ شود. بدون این تغییرات، حتی درخشان‌ترین استعدادها هم در باتلاق ساختارهای فعلی غرق خواهند شد و رویای پیشگامی در حوزه ایجنت‌ها، یک رؤیای دست‌نیافتنی باقی می‌ماند. زمان آن رسیده که از شعار دادن دست برداریم و به سمت سیاست‌های عملیاتی و هوشمند حرکت کنیم.