ایالات متحده باید به بیمارستان ها و دانشگاه ها در ساخت هوش مصنوعی کمک کند | نظر

یک بیمارستان ممکن است سال‌ها سوابق داشته باشد که می‌تواند به محققان در مطالعه یک بیماری نادر کمک کند، اما دلایل خوبی برای نگهداری آن سوابق در سیستم‌های خود داشته باشد. یک دانشگاه ممکن است تیمی برای رهبری آن تحقیق داشته باشد اما قدرت محاسباتی برای اجرای آن نداشته باشد.

هر دو باید راهی برای کمک به توسعه هوش مصنوعی با شرایطی که بتوانند تأیید کنند داشته باشند.

از آنجایی که سازمان‌های دولتی در تحقیقات هوش مصنوعی سرمایه‌گذاری می‌کنند، من معتقدم که باید پروژه‌هایی را تأمین کنند که به مؤسسات اجازه می‌دهند قدرت محاسباتی را جمع کنند و از داده‌های یکدیگر بیاموزند و در عین حال کنترل بر آنچه مشارکت می‌کنند حفظ کنند.

شاخص هوش مصنوعی 2026 دانشگاه استنفورد نشان داد که شرکت‌ها بیش از 90 درصد از مدل‌های هوش مصنوعی پیشرفته قابل توجهی را که برای سال 2025 ردیابی کرده بودند، تولید کردند. شرکت‌ها منابع لازم برای ساختن برخی از سخت‌گیرترین سیستم‌ها را دارند. دانشگاه ها و بیمارستان ها قدرت متفاوتی را به ارمغان می آورند.

آن‌ها می‌دانند که کدام سؤال در آزمایشگاه یا بخش بیمارستان مهم است، و می‌توانند به آزمایش اینکه آیا یک مدل خارج از محیطی که در آن توسعه داده شده است یا خیر، کمک کنند. دسترسی به ابزارهای ساخت و آزمایش مدل‌ها به این موسسات بیشتر می‌دهد که هوش مصنوعی به چه مشکلاتی رسیدگی می‌کند.

یک فرصت به موقع برای گسترش این دسترسی وجود دارد. در ماه سپتامبر، بنیاد ملی علوم یک مرکز عملیاتی برای منابع تحقیقاتی هوش مصنوعی ملی خود اعلام کرد.

این مرکز دسترسی به توان محاسباتی، داده ها، مدل ها و سایر ابزارهای تحقیقاتی را هماهنگ خواهد کرد. این به آژانس مکانی می‌دهد تا نحوه مشارکت موسسات را با منابع و همچنین استفاده از آنها آزمایش کند. یک دانشگاه ممکن است زمانی را بر روی کامپیوترهای تحقیقاتی خود در صورت وجود ظرفیت ارائه دهد، و به تیم دیگری اجازه دهد تا از آن زمان برای آزمایش مدلی که قبلا ساخته است استفاده کند.

یک دانشگاه باید بتواند محققان خود را در اولویت قرار دهد و انواع کارهایی را که از تیم های خارجی می پذیرد محدود کند. یک پروژه مشترک باید هزینه برق و زمان کارکنان را نیز در نظر بگیرد. اگر مؤسسه‌ای که این هزینه‌ها را حمل می‌کند دسترسی کمی به نتایج داشته باشد، دلیل کمی برای ادامه مشارکت دارد.

یک توافقنامه باید مشخص کند که هر یک از شرکا چه چیزی را پس می گیرند، خواه این به معنای زمان محاسبه، دسترسی به مدل حاصل، یا سهمی از بودجه تحقیق باشد.

همین اصل در مورد داده ها نیز صدق می کند. تصور کنید چندین بیمارستان در حال مطالعه یک عارضه نادر هستند. هر کدام ممکن است موارد بسیار کمی را ببینند که نمی توانند به تنهایی یک مدل بسازند. با تکنیکی به نام یادگیری فدرال، بیمارستان‌ها می‌توانند مدل را روی سوابق درون سیستم‌های خود آموزش دهند.

این پروژه به‌روزرسانی‌های هر بیمارستان را در یک مدل مشترک ترکیب می‌کند، در حالی که سوابق در جایی که بودند باقی می‌ماند. سپس بیمارستان‌ها می‌توانند عملکرد این مدل را بر روی داده‌های بیماران خود آزمایش کنند.

نگهداری سوابق در محل یک خطر را برطرف می کند. موسسه ملی استاندارد و فناوری مستند کرده است که چگونه یک مهاجم گاهی اوقات می تواند جزئیات مربوط به داده های آموزشی را از خود به روز رسانی ها یا از یک مدل آموزش دیده بازیابی کند.

یکی از محافظه‌هایی که NIST توصیف می‌کند، ترکیب به‌روزرسانی‌ها به‌گونه‌ای است که مشارکت هر مؤسسه را از طرفی که آنها را ترکیب می‌کند، پنهان کند. پروژه ها باید در طول تمرین و دوباره قبل از اینکه افراد خارج از تیم بتوانند از مدل استفاده کنند، برای نشت آزمایش شوند.

هر شرکت کننده باید بداند که اگر آزمایش مشکلی را آشکار کند، چه کسی می تواند کار را متوقف کند.

پاک کردن سوابق نیز حل و فصل اختلافات را آسان تر می کند. اگر یک تیم از زمان محاسباتی بیشتر از زمان توافق شده استفاده کند، هر دو شریک باید بتوانند رکورد یکسانی را بررسی کنند. اگر بیمارستانی کنار بکشد، توافق باید بگوید چه زمانی سیستم‌های آن دریافت کار جدید را متوقف می‌کنند و اینکه آیا پروژه ممکن است به استفاده از مدل‌هایی که قبلا آموزش دیده‌اند ادامه دهد یا خیر.

بنیاد ملی علوم باید از مرکز جدید خود برای اجرای دور کوچکی از پروژه‌های هوش مصنوعی مشترک با این پادمان‌های مندرج در شرایط بودجه استفاده کند. هر پروژه باید مستند کند که چه کسی مجوز کار را داده است، از چه منابعی استفاده کرده است، و چگونه شرکا می توانند تأیید کنند که کار در توافق باقی مانده است.

قبل از گسترش برنامه، آژانس باید میزان هزینه پروژه‌ها، دسترسی به توان محاسباتی یا داده‌های مورد نیاز و چگونگی پادمان را منتشر کند. این به مؤسسات دیگر شواهدی می دهد که می توانند برای تصمیم گیری در مورد اینکه آیا پیوستن به آنها در خدمت تحقیقات یا مسئولیت های عمومی است، استفاده کنند.

نهادهایی که نزدیک‌ترین به مشکلاتی که هوش مصنوعی می‌تواند به حل آن کمک کند، باید در ساختن آن نقش داشته باشند و در نحوه استفاده از مشارکت‌هایشان اظهار نظر کنند.

لری کلوسوفسکی بنیانگذار شبکه سیتریت است، یک ابتکار زیرساخت هوش مصنوعی که بر یادگیری فدرال، محاسبات قابل تأیید و حکمرانی هوش مصنوعی متمرکز است. نظرات بیان شده در این مقاله متعلق به خود نویسنده است.