آگاه: هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که هدفش خلق سیستم‌ها و ماشین‌هایی است که بتوانند وظایفی را انجام دهند که معمولا نیازمند هوش انسانی هستند. این وظایف شامل یادگیری از داده‌ها، استدلال منطقی، حل مسائل پیچیده، تشخیص الگوها در اطلاعات، درک زبان طبیعی، پردازش تصاویر و حتی تصمیم‌گیری در شرایط ناپایدار است. هوش مصنوعی در دو نوع اصلی تعریف می‌شود: هوش مصنوعی ضعیف یا محدود (Narrow AI) که برای انجام وظایف خاص طراحی شده، مانند تشخیص چهره در دوربین‌های امنیتی یا پیشنهاد موسیقی در اپلیکیشن‌های پخش آنلاین و هوش مصنوعی قوی یا عمومی (General AI) که توانایی انجام هر کاری را که یک انسان می‌تواند انجام دهد، دارد که این مورد هنوز به طور کامل محقق نشده است. این فناوری بر پایه الگوریتم‌های پیشرفته‌ای مانند یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning) و شبکه‌های عصبی مصنوعی کار می‌کند که از مجموعه‌های عظیم‌داده‌ها برای آموزش مدل‌ها استفاده می‌کنند تا بتوانند پیش‌بینی کنند، تحلیل کنند و واکنش نشان دهند. برای مثال یک مدل یادگیری عمیق می‌تواند از میلیون‌ها تصویر برای شناسایی اشیا در عکس‌ها یا از متون گسترده برای تولید پاسخ‌های متنی مشابه انسان استفاده کند. این فرآیند نیازمند قدرت محاسباتی بالا، داده‌های عظیم و الگوریتم‌های پیچیده است که در دهه‌های اخیر به لطف پیشرفت‌های سخت‌افزاری مانند واحدهای پردازش گرافیکی (GPU) و زیرساخت‌های ابری ممکن شده است.

از کجا به کجا رسید؟
داستان هوش مصنوعی از دهه ۱۹۴۰ آغاز می‌شود، زمانی که آلن تورینگ، ریاضی‌دان برجسته بریتانیایی در مقاله‌ای در سال ۱۹۵۰ پرسید: «آیا ماشین‌ها می‌توانند فکر کنند؟»، او آزمون تورینگ را طراحی کرد، آزمونی که در آن ماشینی که بتواند در مکالمه مانند انسان عمل کند، به‌عنوان هوشمند شناخته می‌شود. این ایده جرقه‌ای برای تحقیقات بعدی بود. در سال ۱۹۵۶، کنفرانس Dartmouth در آمریکا برگزار شد، جایی که دانشمندانی مانند جان مک‌کارتی، ماروین مینسکی، ناتانیل روچستر و کلود شنون گرد هم آمدند و اصطلاح «هوش مصنوعی» را ابداع کردند. آنها پیش‌بینی کردند که در عرض چند دهه، ماشین‌ها به سطح هوش انسانی خواهند رسید، اما این خوش‌بینی اولیه با موانع فنی مواجه شد. در دهه‌های ۱۹۶۰ و ۱۹۷۰، پروژه‌هایی مانند ELIZA (یک چت‌بات اولیه که مکالمات ساده را شبیه‌سازی می‌کرد) و سیستم‌های متخصص (برای تصمیم‌گیری در حوزه‌های خاص مانند پزشکی) ظهور کردند، اما محدودیت‌های سخت‌افزاری و کمبود داده‌ها منجر به اولین زمستان AI  در اواخر دهه ۱۹۷۰ شد، دوره‌ای که بودجه‌ها کاهش یافت و انتظارات از فناوری موردنظر برآورده نشد. دهه ۱۹۸۰ شاهد بازگشت سیستم‌های متخصص پیشرفته‌تر بود، اما دوباره در اواخر این دهه، زمستان دوم AI رخ داد. پیشرفت واقعی این حوزه از دهه ۱۹۹۰ آغاز شد، زمانی که الگوریتم‌های یادگیری ماشین بهبود یافتند و داده‌های بیشتری در دسترس قرار گرفت. در سال ۱۹۹۷، Deep Blue از شرکت IBM قهرمان شطرنج جهان، گری کاسپاروف، را شکست داد و نقطه عطفی در تاریخ AI به وجود آورد. اما انفجار واقعی هوش مصنوعی در دهه ۲۰۱۰ رخ داد، زمانی که یادگیری عمیق، داده‌های بزرگ و قدرت محاسباتی پیشرفته، AI را به سطح جدیدی بردند. در سال ۲۰۱۶، AlphaGo گوگل قهرمان جهانی بازی Go را شکست داد، بازی‌ای که به دلیل پیچیدگی‌اش برای ماشین‌ها غیرقابل‌حل تصور می‌شد. در سال‌های اخیر، مدل‌های زبانی بزرگ مانند GPT توسعه‌یافته توسط OpenAI توانایی تولید متن، تصویر و حتی کد را با کیفیتی نزدیک به انسان نشان داده‌اند، اما این پیشرفت‌ها با چالش‌هایی مانند مصرف انرژی بالا، مسائل اخلاقی و نگرانی‌های حریم خصوصی همراه بوده‌اند.

هوش مصنوعی تخصصی
کاربردهای هوش مصنوعی گسترده و متنوع هستند و تقریبا هر صنعتی را تحت‌تاثیر قرار داده‌اند. در پزشکی، AI برای تشخیص بیماری‌ها از طریق بررسی تصاویر پزشکی مانند تصاویر اشعه ایکس و MRI، پیش‌بینی شیوع بیماری‌ها، کشف داروهای جدید و حتی شخصی‌سازی درمان‌ها بر اساس ژنوم افراد استفاده می‌شود. در حمل‌ونقل، این فناوری در خودروهای خودران برای ناوبری ایمن، بهینه‌سازی ترافیک شهری و مدیریت سیستم‌های حمل‌ونقل به کار می‌رود. در بخش مالی، AI تقلب در تراکنش‌ها را تشخیص می‌دهد، الگوریتم‌های معاملاتی خودکار را هدایت می‌کند و مشاوره مالی شخصی‌سازی‌شده ارائه می‌دهد. در سرگرمی، سیستم‌های توصیه، محتوای متناسب با سلیقه کاربران پیشنهاد می‌دهند و ابزارهای generative AI تصاویر، موسیقی و حتی فیلم تولید می‌کنند. در کشاورزی، AI پیش‌بینی میزان و نوع محصول، نظارت بر خاک با پهپادها و بهینه‌سازی آبیاری را ممکن می‌سازد. در امنیت، فناوری‌های تشخیص چهره و نظارت ویدیویی به شناسایی تهدیدات کمک می‌کنند. این کاربردها تنها گوشه‌ای از توانایی‌های AI هستند که با تحلیل داده‌های عظیم و یادگیری از الگوها، کارایی و دقت را در صنایع مختلف افزایش داده‌اند.
در حوزه دانش و تحقیقات علمی، هوش مصنوعی به ابزاری حیاتی برای تسریع کشف‌ها و تحلیل داده‌های پیچیده تبدیل شده است. در فیزیک ذرات، AI داده‌های عظیم از برخورددهنده‌های هادرونی را پردازش می‌کند، تا الگوهای جدید را شناسایی کند. در نجوم این فناوری تصاویر تلسکوپ‌ها را تحلیل می‌کند تا سیارات جدید یا پدیده‌های کیهانی را کشف کند. در زیست‌شناسی، مدل‌های AI ساختار پروتئین‌ها را پیش‌بینی می‌کنند که به کشف داروهای جدید و درمان‌های شخصی‌سازی‌شده بر اساس ژنوم کمک کرده است، مثلا در مبارزه با بیماری‌هایی مانند کووید-۱۹. در علوم زمین، AI برای پیش‌بینی تغییرات آب‌وهوایی، زلزله‌ها و طوفان‌ها از داده‌های ماهواره‌ای استفاده می‌شود و مدل‌های دقیق‌تری ارائه می‌دهد. در ریاضیات و فیزیک، این فناوری معادلات پیچیده را حل کرده و شبیه‌سازی‌های کوانتومی برای مواد جدید را ممکن می‌سازد. در علوم اجتماعی، AI روندهای اجتماعی را از داده‌های شبکه‌های اجتماعی تحلیل می‌کند، رفتارهای اقتصادی را پیش‌بینی می‌کند و حتی در زبان‌شناسی برای مطالعه الگوهای زبانی به کار می‌رود. همچنین فرضیه‌های علمی جدید تولید می‌کند، آزمایش‌ها را خودکار می‌کند و مقالات اولیه را می‌نویسد که فرآیند تحقیق را تسریع کرده است.

هوش مصنوعی روزمره
در زندگی روزمره، هوش مصنوعی به بخشی جدایی‌ناپذیر از تجربه مردم عادی تبدیل شده است، حتی اگر بسیاری از آن آگاه نباشند. دستیاران مجازی و صوتی که با پردازش زبان طبیعی کار می‌کنند، وظایفی مانند پاسخ به سوالات ساده (مانند وضعیت آب‌وهوا)، تنظیم هشدار و یادآوری، مدیریت تقویم، ارسال پیام و کنترل دستگاه‌های خانگی هوشمند مانند چراغ‌ها و ترموستات‌ها را انجام می‌دهند. این سیستم‌ها با یادگیری عادات کاربران، تعاملات را شخصی‌تر و کارآمدتر می‌کنند. سیستم‌های توصیه در پلتفرم‌های سرگرمی و خرید آنلاین، با تحلیل رفتار کاربران، محتوا و محصولاتی متناسب با علایق آنها پیشنهاد می‌دهند، از پیشنهاد فیلم و موسیقی گرفته تا محصولات در فروشگاه‌های آنلاین با این فناوری توسعه داده شده‌اند. در حوزه ویرایش تصاویر، ابزارهای AI امکان تولید تصاویر جدید از توضیح متنی، تغییر ویژگی‌های چهره (مانند جوان‌تر یا پیرترکردن)، بهبود کیفیت تصاویر قدیمی یا کم‌کیفیت و افزودن افکت‌های هنری را بدون نیاز به مهارت‌های حرفه‌ای فراهم کرده‌اند که برای شبکه‌های اجتماعی و پروژه‌های شخصی بسیار محبوب شده‌اند. در ویرایش ویدیو،AI فرآیندهای پیچیده‌ای مانند برش خودکار، افزودن موسیقی و افکت‌های بصری، حذف پس‌زمینه و تولید زیرنویس را ساده کرده و حتی می‌تواند ویدیوهایی کامل از توضیح متنی تولید کند که برای ایجاد محتوای خلاقانه در پلتفرم‌های اجتماعی یا استفاده‌های شخصی کاربرد دارد. ترجمه فوری متون، گفتار و حتی تصاویر (مانند ترجمه علائم خیابانی) با AI امکان‌پذیر شده و ارتباطات بین‌المللی را تسهیل کرده است. در سلامت و تناسب‌اندام، اپلیکیشن‌ها با تحلیل داده‌های فعالیت بدنی، خواب و رژیم غذایی، برنامه‌های شخصی‌سازی‌شده برای ورزش و تغذیه ارائه می‌دهند و حتی می‌توانند هشدارهای اولیه برای مسائل سلامتی صادر کنند. چت‌بات‌های مبتنی بر AI برای نوشتن متون، ایده‌پردازی، پاسخ به سوالات و پشتیبانی در یادگیری یا خدمات مشتری استفاده می‌شوند و با درک بهتر زبان، تعاملاتی شبیه به انسان ارائه می‌دهند. در خانه‌های هوشمند، AI  در سیستم‌های امنیتی مانند دوربین‌های تشخیص حرکت و قفل‌های هوشمند به کار می‌رود و با یادگیری الگوهای کاربر، امنیت و راحتی را افزایش می‌دهد. این کاربردها، به‌ویژه در سال ۲۰۲۵، با پیشرفت ابزارهای generative AI که محتوای بصری و متنی تولید می‌کنند، زندگی روزمره را متحول کرده‌اند، اگرچه نگرانی‌هایی مانند حفظ حریم خصوصی و استفاده مسئولانه از ابزارهایی مانند دیپ‌فیک‌ها (تولید محتوای غیرواقعی) را نیز به همراه دارند.

ابزار آدم‌کشی
در عرصه جنگ، هوش مصنوعی به ابزاری قدرتمند اما بحث‌برانگیز تبدیل شده است که عملیات نظامی را کارآمدتر و سریع‌تر می‌کند، اما ریسک‌های اخلاقی و انسانی را نیز افزایش می‌دهد. در هوش و نظارت، AI داده‌های عظیم را از ماهواره‌ها، پهپادها و حسگرها تحلیل می‌کند تا الگوهای دشمن را شناسایی کرده و اطلاعات در لحظه برای تصمیم‌گیری‌های تاکتیکی ارائه دهد. سیستم‌های سلاح خودکار، مانند پهپادها و ربات‌های مجهز به AI، اهداف را شناسایی، پیگیری و حتی بدون دخالت مستقیم انسان به آنها حمله می‌کنند که دقت حملات را افزایش می‌دهد و قطعیت تاثیر آنها را به حد موثری بیشتر می‌کند، اما خطر اشتباه در شناسایی غیرنظامیان را به همراه دارد. در جنگ سایبری، AI حملات سایبری را تشخیص می‌دهد، نقاط ضعف دشمن را شناسایی می‌کند و عملیات دیجیتال خودکار را اجرا می‌کند. شبیه‌سازی‌های AI هزاران سناریوی جنگی را تحلیل می‌کنند تا استراتژی‌های بهینه را پیشنهاد دهند و در لجستیک، زنجیره تامین و مدیریت منابع را بهینه می‌کنند. در تبلیغات و پروپاگاندا، AI محتوای جعلی مانند ویدیوهای دیپ‌فیک تولید می‌کند تا افکار عمومی را تحت تاثیر قرار دهد، و با استفاده از آن عملیات روانی را تقویت کرده و تشخیص حقیقت را دشوار سازد. این کاربردها، اگر چه کارایی نظامی را افزایش داده‌اند، اما نگرانی‌هایی درباره نقض قوانین بین‌المللی، افزایش تلفات غیرنظامی و ازدست‌رفتن کنترل انسانی بر قواعد جنگ را ایجاد کرده‌اند.

رژیم نسل‌کش و هوش مصنوعی
رژیم صهیونیستی، به‌عنوان یکی از پیشروهای استفاده از AI در قتل‌عام، در جنگ غزه از اکتبر ۲۰۲۳ به بعد، از هوش مصنوعی به طور گسترده استفاده کرد و غزه را به آزمایشگاهی برای فناوری‌های نوین تبدیل نمود. سیستم‌هایی مانند Lavender که از داده‌های عظیم ارتباطات، موقعیت‌ها و الگوهای رفتاری برای شناسایی اعضای حماس و جهاد اسلامی استفاده می‌کرد، هزاران هدف را به طور خودکار تولید کرد و حملات هوایی را تسریع نمود. سیستم Gospel نیز برای هدف‌گیری ساختمان‌ها و زیرساخت‌ها به کار رفت که سرعت عملیات را افزایش داد اما به دلیل دقت پایین در شناسایی غیرنظامیان، منجر به تلفات گسترده شد. برای نظارت بر میلیون‌ها تماس تلفنی فلسطینی‌ها، از هوش مصنوعی استفاده شد، تشخیص چهره از تصاویر پهپادها و ماهواره‌ها، و شناسایی تونل‌ها و رهبران حماس با AI انجام می‌شود که با همکاری شرکت‌های فناوری آمریکایی مانند مایکروسافت برای ذخیره داده‌ها در سرورهای Azure انجام گرفت. پهپادهای مجهز به AI برای عملیات جستجو و نابودی، از جمله شناسایی گروگان‌ها به کار رفتند و مدل‌های AI آمریکایی مانند GPT در تصمیم‌گیری‌ها به کار گرفته شدند. اما گزارش‌های سازمان‌هایی مانند Human Rights Watch و سازمان ملل نشان می‌دهند که این سیستم‌ها اهداف غیرنظامی متعددی را به اشتباه شناسایی کرده‌اند و منجر به تخریب گسترده خانه‌ها و نقض قوانین بین‌المللی شده‌اند.
علاوه بر این، در درگیری ۱۲ روزه اسرائیل علیه ایران از ۲۳ خرداد تا چهار تیر ۱۴۰۴ که به‌عنوان اولین جنگ AI شناخته می‌شود، این فناوری نقش محوری داشت. اسرائیل از هوش مصنوعی برای تحلیل داده‌های جاسوسی، شناسایی و هدف‌گیری دقیق تاسیسات هسته‌ای و موشکی ایران و اجرای حملات با پهپادهای مخفیانه استفاده کرد که حملات به ایران را ممکن ساخت. در جنگ سایبری، AI حملات نامتقارن مانند phishing  و پهپادهای ارزان‌قیمت را هدایت کرد، از AI برای تولید دیپ‌فیک‌ها و محتوای پروپاگاندا استفاده کرد، بازدیدهای متعدد جذب کرد و افکار عمومی را تحت تاثیر قرار داد، اما با تشخیص محتوای جعلی مشت او باز شد.

راه‌حل بدون وابستگی
باتوجه‌به تحریم‌های سنگین کشور ما و مسائلی که در استفاده از هوش مصنوعی خارجی وجود دارد، به نظر می‌رسد باید هر چه سریع‌تر راه‌حلی اتخاذ کنیم تا در این شرایط مشکل و عقب‌ماندگی پیش نیاید.
توسعه هوش مصنوعی به‌ویژه در حوزه‌هایی نظیر یادگیری عمیق و مدل‌های زبانی بزرگ، به منابع محاسباتی، داده‌ای و انسانی قابل‌توجهی وابسته است. در کشورهایی مانند ایران که با محدودیت‌های زیرساختی، مالی و سیاسی مواجه‌اند، این فرآیند با موانع متعددی روبه‌رو است. یکی از اصلی‌ترین چالش‌ها، نبود دسترسی به پردازشگرهای پیشرفته مانند واحدهای پردازش گرافیکی (GPU) است که برای آموزش مدل‌های پیچیده‌ای مانند GPT-۴ یا LLaMA ضروری‌اند. این پردازشگرها نه‌تنها هزینه‌ای گزاف دارند (هر واحد می‌تواند ده‌ها هزار دلار قیمت داشته باشد)، بلکه به دلیل تحریم‌ها یا محدودیت‌های صادراتی، دسترسی به آنها در بسیاری از کشورها دشوار است. حتی در صورت دسترسی، مصرف بالای انرژی، نیاز به سیستم‌های خنک‌کننده پیشرفته و هزینه‌های نگهداری، بهره‌برداری از آنها را به چالشی بزرگ تبدیل می‌کند. این محدودیت، توانایی کشورها را برای آموزش مدل‌های بزرگ از پایه کاهش می‌دهد و آنها را به استفاده از فناوری‌های موجود یا روش‌های جایگزین وابسته می‌سازد.
علاوه بر این، آموزش مدل‌های هوش مصنوعی به مجموعه‌های داده‌ای عظیم و باکیفیت نیاز دارد. برای مثال، مدل‌های زبانی بزرگ به میلیاردها نمونه متنی برای یادگیری الگوهای زبانی وابسته‌اند. در ایران، داده‌های دیجیتال اغلب پراکنده، غیرساختارمند یا به دلیل ملاحظات حریم خصوصی و امنیتی غیرقابل‌استفاده‌اند. برای زبان پارسی که در مقایسه با زبان‌های پراستفاده جهانی مانند انگلیسی در دیتاست‌های عمومی نظیر Common Crawl  کمتر پشتیبانی شده، این کمبود محسوس‌تر است. جمع‌آوری و ساختارمندسازی داده‌های بومی، فرایندی زمان‌بر و پرهزینه است که نیازمند سرمایه‌گذاری کلان و هماهنگی سترده است.
تحریم‌های بین‌المللی نیز دسترسی به فناوری‌های پیشرفته، نرم‌افزارها و پلتفرم‌های ابری مانند AWS، Google Cloud یا Azure را محدود کرده‌اند. این محدودیت‌ها همکاری با دانشگاه‌ها و شرکت‌های خارجی را که می‌توانند دانش و منابع را به اشتراک بگذارند، دشوار ساخته‌اند. در نهایت، هزینه‌های مالی توسعه هوش مصنوعی، از خرید سخت‌افزار و نرم‌افزار گرفته تا استخدام متخصصان و ایجاد زیرساخت‌های داده‌ای، در اقتصادی که با فشارهای متعدد مواجه است، تخصیص بودجه را به چالشی جدی تبدیل می‌کند.
همکاری با کشورهایی که محدودیت‌های مشابه دارند یا متعهد به تحریم‌های غربی نیستند، می‌تواند دسترسی به دانش و منابع را تسهیل کند. برای مثال چین با توسعه تراشه‌های بومی مانند Ascend ۹۱۰D و زیرساخت‌های محاسباتی خود، شریکی بالقوه است. هند نیز با اکوسیستم استارتاپی قوی و نیروی انسانی ماهر، الگویی برای همکاری‌های منطقه‌ای ارائه می‌دهد. ایجاد شبکه‌های منطقه‌ای برای تبادل دانش از طریق کنفرانس‌ها یا پروژه‌های مشترک نیز می‌تواند موثر باشد. تمرکز بر کاربردهای محلی، رویکرد دیگری است که می‌تواند منابع محدود را بهینه کند. به جای رقابت در حوزه‌های عمومی مانند مدل‌های زبانی بزرگ، توسعه هوش مصنوعی برای نیازهای داخلی مانند پیش‌بینی آب‌وهوا برای کشاورزی، تشخیص بیماری‌ها در حوزه پزشکی یا پلتفرم‌های آموزشی آنلاین، هم پاسخگوی نیازهای جامعه است و هم هزینه‌ها را کاهش می‌دهد.

نمونه‌های بومی موفق
برای روشن‌شدن امکان‌پذیری این راهکارها، نگاهی به نمونه‌های موفق جهانی مفید است. امارات متحده عربی با توسعه مدل زبانی Falcon توسط موسسه نوآوری فناوری ابوظبی، نشان داد که با منابع محدود هم می‌توان به موفقیت دست یافت. این مدل که با GPT-۳ رقابت می‌کند، با خرید هدفمند سخت‌افزارهای لازم مانند GPUهای NVIDIA و استخدام متخصصان بین‌المللی توسعه یافت. امارات با استفاده از فناوری‌های منبع‌باز و طراحی نسخه‌های سبک‌تر مانند Falcon ۷B، امکان اجرای مدل روی سخت‌افزارهای معمولی‌تر را فراهم کرد و آن را برای زبان عربی بهینه‌سازی نمود. این رویکرد وابستگی به فناوری خارجی را کاهش داد و جایگاه امارات را در اکوسیستم جهانی هوش مصنوعی تقویت کرد.
چین نیز با وجود تحریم‌های آمریکا که دسترسی به تراشه‌های پیشرفته را محدود کرده، با مدل DeepSeek به موفقیت چشمگیری دست یافت. این مدل به دلیل کارایی بالا و هزینه کم، در سطح جهانی موردتوجه قرار گرفته است. چین با تولید تراشه‌های بومی مانند Ascend ۹۱۰D از هواوی، بهینه‌سازی نرم‌افزاری با تکنیک‌هایی مانند Quantization و استفاده از داده‌های عظیم داخلی از پلتفرم‌هایی مانند WeChat و Baidu، این محدودیت‌ها را پشت سر گذاشت. حمایت دولت چین از طریق ایجاد مراکز داده اختصاصی و پشتیبانی از شرکت‌های خصوصی نیز نقش کلیدی در این موفقیت داشت.
هند، با وجود بودجه دولتی محدود، به لطف نیروی انسانی ماهر و داده‌های عظیم داخلی، پیشرفت قابل‌توجهی در هوش مصنوعی داشته است. نرخ نفوذ مهارت‌های هوش مصنوعی در هند ۲.۸۳ برابر متوسط جهانی است. این کشور با تمرکز بر کاربردهای محلی مانند کشاورزی (اپلیکیشن‌های پیش‌بینی محصول)، سلامت (تشخیص بیماری‌ها) و آموزش (پلتفرم‌های یادگیری آنلاین) و همچنین همکاری با شرکت‌های خصوصی مانند Infosys  و استارتاپ‌های محلی، توانسته پروژه‌های موفقی را پیش ببرد. نیروی انسانی ارزان و تنوع زبانی و فرهنگی هند، منابعی غنی برای توسعه هوش مصنوعی فراهم کرده است.
در ایران، پروژه ربات انسان‌نمای سورنا توسط دانشگاه تهران و با حمایت انجمن تحقیق و توسعه صنایع و معادن، نمونه‌ای از پتانسیل داخلی است. این ربات تا نسل چهارم توسعه‌یافته و برای کاربردهایی مانند آموزش، پژوهش و نمایش فناوری استفاده می‌شود. سورنا با سخت‌افزارهای موجود و بدون نیاز به پردازشگرهای سنگین ساخته شده، اما مقیاس آن در مقایسه با مدل‌های زبانی بزرگ محدود است و نیاز به گسترش دارد.
برای پیشبرد هوش مصنوعی در ایران، می‌توان روی توسعه مدل‌های سبک و بهینه‌شده برای زبان پارسی یا کاربردهای خاص تمرکز کرد. سرورهای موجود در دانشگاه‌هایی مانند شریف، تهران و امیرکبیر می‌توانند برای پروژه‌های کوچک‌تر کافی باشند. حمایت از استارتاپ‌ها از طریق وام، معافیت مالیاتی یا ایجاد مراکز نوآوری، اکوسیستم هوش مصنوعی را تقویت می‌کند. جمع‌آوری مخازن داده‌ای ملی برای متون، داده‌های صوتی یا تصویری پارسی، پایه‌ای برای مدل‌های بومی فراهم می‌سازد. آموزش متخصصان از طریق دوره‌های آنلاین و دانشگاهی و تشویق به مشارکت در پروژه‌های منبع‌باز، نیروی انسانی را آماده‌تر می‌کند. همکاری با کشورهایی مانند چین یا هند برای تبادل دانش و منابع، راهگشاست. در نهایت تدوین یک برنامه ملی هوش مصنوعی با سیاست‌گذاری منسجم و تخصیص بودجه مشخص، می‌تواند منابع را متمرکز کند و پیشرفت را تسریع بخشد.
این مسیر، اگر چه چالش‌برانگیز است، باتوجه‌به پتانسیل‌های موجود در ایران، از جمله نیروی انسانی تحصیل‌کرده و تجربه‌هایی مانند پروژه سورنا، کاملا شدنی است. هماهنگی بین دولت، دانشگاه‌ها و بخش خصوصی، کلید موفقیت در این راه است.