مسیر حرفه‌ای دانیال سمیعی از سال ۱۳۸۳ تا ۱۴۰۴ طیفی نادر از تجربه را در خود جای داده است: از کارآفرینی فناورانه در بخش خصوصی تا پژوهش آکادمیک، از فرهنگ و رسانه دیجیتال تا سیاستگذاری ملی و توسعه نهادی. این ترکیب منحصربه‌فرد از تجربه‌های چندوجهی، بنیان اجرایی قدرتمندی برای رهبری یک ابرپروژه ملی AI فراهم می‌آورد.

یکی از قوی‌ترین دارایی‌های این پروژه، شبکه بین‌المللی تفاهم‌نامه‌های همکاری است که طی سال‌ها به صورت هدفمند بنا شده. این شبکه نه تنها دسترسی به دانش روز را تضمین می‌کند، بلکه کانال‌های تدارکاتی، بازارهای صادراتی و اعتبار علمی لازم برای یک پروژه AI بین‌المللی را فراهم می‌آورد. هر تفاهم‌نامه نقش خاصی در معماری کلی پروژه ایفا می‌کند.

شبکه ۹ کشوری پروژه به گونه‌ای هوشمندانه طراحی شده که تمام ابعاد حیاتی یک پروژه AI بزرگ را پوشش دهد. هر گروه از کشورها نقش متمایزی در این معماری ایفا می‌کنند و با یکدیگر یک سپر چندلایه در برابر خطرات و محدودیت‌ها تشکیل می‌دهند.

ساختار ارتباطی میان پروژه‌های اکوسیستم IRANNI یک معماری سلسله‌مراتبی را نشان می‌دهد که در آن alef.ba به عنوان هسته مرکزی عمل می‌کند. سه پروژه پشتیبان (irantechhub، brainvest، brainnet) منابع، سرمایه و شبکه را فراهم می‌کنند، در حالی که orcest.ai و freegpt.ir لایه تجاری و درآمدزایی را تشکیل می‌دهند.

alef.ba یک LLM Orchestrator Self-Adaptive است که بر مبنای معماری Multi-Agent Systems with Decentralized Coordination طراحی شده و از الگوی Agent Swarm بهره می‌برد. این سیستم با هدف "فناوری در خدمت صلح، برابری، رفاه و عدالت" معماری شده است — رویکردی که آن را از رقبای تجاری متمایز می‌کند.

نام انتخاب‌شده — الف — نه تنها اولین حرف الفبای فارسی است، بلکه استعاره‌ای از آغاز یک دوران جدید و پوشش کامل طیف هوش مصنوعی (از الف تا یا) را در خود دارد. این نام‌گذاری نشان‌دهنده جاه‌طلبی سازندگان برای ایجاد یک پلتفرم جامع و بومی است.

معماری alef.ba بر اساس سه سطح اجرایی طراحی شده است: لایه Agentها (برنامه‌ریزی، اجرا، تأیید)، لایه Orchestrator مرکزی (خودآموز و خودانطباق) و لایه زیرساخت توزیع‌شده (ابزارها، حافظه، بودجه و پردازش خانگی). این معماری سه‌لایه تضمین می‌کند که سیستم در هر سطح از پیچیدگی کارآمد باقی بماند.

Home Distributed Processing (HDP) یک پارادایم محاسباتی است که از Federated Learning و Edge Computing الهام گرفته و برای بستر ایرانی بومی‌سازی شده است. در این مدل، داده‌ها هرگز خانه را ترک نمی‌کنند، پردازش به صورت موازی روی دستگاه‌های خانگی انجام می‌شود و فقط به‌روزرسانی‌های مدل (نه داده خام) به مرکز ارسال می‌شود.

این رویکرد به طور همزمان سه مشکل اساسی را حل می‌کند: هزینه زیرساخت را کاهش می‌دهد، حریم خصوصی کاربران را حفظ می‌کند و پروژه را در برابر قطعی‌های اینترنتی مقاوم می‌سازد. مبانی علمی این رویکرد به تحقیقات پیشگامانه McMahan et al. از Google (2017) و توسعه‌های اخیر NVIDIA در حوزه FL برای healthcare بازمی‌گردد.

مقایسه HDP با مدل‌های متمرکز سنتی نشان می‌دهد که در تمام معیارهای کلیدی برای بستر ایرانی، رویکرد توزیع‌شده برتری دارد. از کاهش هزینه تا مقاومت در برابر قطعی، HDP پاسخی بومی و هوشمندانه به محدودیت‌های زیرساخت ایران است.

ایران با ۲۵ میلیون خانوار دارای دستگاه محاسباتی، یکی از بزرگترین منابع بالقوه پردازش توزیع‌شده را در منطقه در اختیار دارد. اگر حتی ۱٪ از این ظرفیت بالقوه بسیج شود، توان پردازشی قابل توجهی بدون نیاز به سرمایه‌گذاری سخت‌افزاری اضافی فراهم می‌شود. این پتانسیل تقریباً نامحدود، مزیت رقابتی منحصربه‌فردی است که هیچ رقیب خارجی نمی‌تواند آن را تکرار کند.

مدل قیمت‌گذاری orcest.ai طراحی شده تا همزمان سه هدف را محقق کند: ورود آسان برای مشتریان کوچک (توسعه‌دهندگان)، رشد درآمد پایدار از مشتریان متوسط (شرکت‌ها) و قراردادهای بزرگ با مشتریان استراتژیک (دولت و بانک). این ترکیب، یک جریان درآمدی متنوع و مقاوم در برابر شوک‌های بازار ایجاد می‌کند.

در دنیای امروز، ارزش واقعی شرکت‌های فناوری عمدتاً در دارایی‌های نامشهود آنها نهفته است — نه در تجهیزات فیزیکی. طبق چارچوب Aon Intangible Asset Report 2024، ۴۷٪ از کل دارایی‌های سازمان‌ها در جهان نامشهود است. در صنایع فناوری، این عدد به ۹۰٪ می‌رسد. IP assets به طور متوسط ۵۶۰ میلیون دلار ارزش دارند — و این برای سازمان‌های بالغ است.

برای یک استارتاپ AI مانند alef.ba که ۱۰ سال توسعه داشته، ارزش‌گذاری دارایی‌های نامشهود ابزاری دقیق برای نشان دادن "کار انجام‌شده" است. این ارزش‌گذاری به سرمایه‌گذاران نشان می‌دهد که پول آنها از کجا شروع می‌کند — نه از صفر، بلکه از نقطه‌ای قوی با پیشرفت ۶۵٪.

ارزش‌گذاری دارایی‌های ساخته‌شده در ۱۰ سال گذشته با رویکردی محافظه‌کارانه و مبتنی بر داده انجام شده است. هر جزء به صورت مستقل ارزیابی شده و محدوده ارزش آن با در نظر گرفتن وضعیت بازار ایران و مقایسه با پروژه‌های مشابه بین‌المللی تعیین شده. این ارقام حداقل ارزش هستند و در صورت موفقیت تجاری، به مراتب بالاتر خواهند رفت.

۶۵٪ پیشرفت پروژه تنها یک عدد نیست — یک مزیت رقابتی ساختاری است که در شش بُعد مختلف به پروژه امتیاز می‌دهد. هر بُعد به تنهایی قابل توجه است؛ ترکیب آنها یک موقعیت استراتژیک قوی ایجاد می‌کند که ریسک سرمایه‌گذاری را به طور معنادار کاهش می‌دهد.

وقتی از ۶۵٪ پیشرفت صحبت می‌کنیم، منظور اعداد انتزاعی نیست. این پیشرفت به معنای ۱۲ دارایی ملموس و قابل اندازه‌گیری است که هر یک ارزش مستقل خود را دارند و در صورت شکست پروژه می‌توانند به صورت جداگانه ارزشمند باشند. این دارایی‌ها مجموعاً ۱۶M$ ارزش نامشهود ایجاد کرده‌اند.

موج هوش مصنوعی ایرانی یک روایت سه‌بخشی است که هر بخش پاسخ به یک سوال بنیادین می‌دهد. بخش اول پاسخ می‌دهد چرا این پروژه ضروری است — با تحلیل بین‌المللی، تحریم‌ها و موج‌های فناوری. بخش دوم پاسخ می‌دهد چه منابعی در اختیار است — با معرفی ۵۴ H200 و زیرساخت سخت‌افزاری. بخش سوم پاسخ می‌دهد چگونه اجرا می‌شود — با ارائه alef.ba، تیم اجرایی و برنامه مالی.

تمام اطلاعات فنی و مالی این ارائه در پیوست‌های مستقلی مستند شده‌اند که به کارشناسان و ممیزان امکان می‌دهند هر بخش را به صورت مستقل بررسی کنند. این رویکرد شفافیت کامل را تضمین می‌کند و نشان می‌دهد که پروژه بر پایه داده‌های واقعی، نه ادعاهای بدون مدرک، بنا شده است.

فاز دوم پروژه — ریشه‌دهی (۱۴۰۵-۱۴۰۷) — با بودجه ۱۰M$ برنامه‌ریزی شده است. در این فاز تمرکز از راه‌اندازی به بهینه‌سازی منتقل می‌شود: گسترش کلاستر GPU به ۸۰-۱۲۰ دستگاه، دستیابی به بهینه‌سازی ۲۰۰x با FPGA Accelerator، تثبیت alef.ba v1.0 و شروع صادرات به بازارهای منطقه‌ای (عراق و افغانستان).

یکی از نقاط قوت طراحی این پروژه، ساختار OPEX بهینه‌شده آن است. با بهره‌مندی از نرخ برق ترجیحی ۰.۰۰۶$/kWh، نیروی انسانی متخصص داخلی و معماری HDP که وابستگی به مرکز داده را کاهش می‌دهد، هزینه‌های عملیاتی سالانه در محدوده ۳.۵M$ نگه داشته می‌شود. این رقم با درآمد سال سوم (10M$+) نسبت بسیار مطلوبی ایجاد می‌کند.

پیش‌بینی مالی ۱۰ ساله پروژه نشان می‌دهد که در سناریوی پایه، نقطه سربه‌سر در سال ۱۴۰۸ حاصل می‌شود و NPV کل در پایان دوره به ۱۸۰.۵M$ می‌رسد. فاز اولیه (۱۴۰۴-۱۴۰۷) فاز سرمایه‌گذاری است با زیان انباشته تا -25M$، اما از سال ۱۴۰۸ منحنی به وضوح صعودی می‌شود.

نمودار زیر روند رشد درآمد پروژه را در ۱۰ سال آینده نشان می‌دهد. رشد از ۲.۵M$ در سال اول به ۷۵M$ در سال دهم — نرخ رشد سالانه مرکب (CAGR) حدود ۴۰٪ — نشان‌دهنده یک کسب‌وکار در مرحله رشد بالیده است، نه یک آرزوی دست‌نیافتنی.

هر پروژه سرمایه‌گذاری باید در برابر عدم‌قطعیت‌های محیطی مقاوم باشد. تحلیل سه‌گانه بهترین/پایه/بدترین سناریو نشان می‌دهد که پروژه حتی در سناریوی پایه با NPV مثبت ۵۷.۵M$ و IRR 25٪ — بسیار بالاتر از نرخ هدل معمول برای پروژه‌های فناوری در ایران — ارزش سرمایه‌گذاری دارد. تنها در بدترین سناریوی محتمل (بهره‌برداری ۳۰٪) با زیان مواجه می‌شویم.

تحلیل حساسیت نشان می‌دهد که نرخ بهره‌برداری و نرخ تورم/ارز مهم‌ترین متغیرهای تأثیرگذار بر NPV هستند. این دو متغیر باید به دقت مدیریت و پایش شوند. خوشبختانه، هر دو از طریق قراردادهای بلندمدت با مشتریان استراتژیک و قیمت‌گذاری ارزی قابل مدیریت هستند.

پس از سه بخش تحلیلی، پاسخ به این سوال محوری روشن است: این پروژه نه تنها قابل اجراست، بلکه آماده اجراست. پنج دلیل اصلی این ادعا را پشتیبانی می‌کنند — هر یک به تنهایی قانع‌کننده و ترکیب آنها غیرقابل رد است. این ترکیب منحصربه‌فرد از دارایی‌های موجود، تیم مجرب، معماری نوآورانه و بازار آماده، فرصتی تاریخی است که به ندرت تکرار می‌شود.

اعداد پشت این پروژه، داستانی روشن می‌گویند: یک فرصت سرمایه‌گذاری با ریسک محاسبه‌شده و بازده بالا. از توان محاسباتی ۲۱۴ PFLOPS تا NPV ۱۸۰.۵M$ در ۱۰ سال — هر رقم پشتوانه تحلیلی دقیق دارد و در پیوست‌های فنی قابل راستی‌آزمایی است.

یک ابرپروژه ملی برای تحقق به سه عامل هم‌راستا نیاز دارد: اراده سیاسی، منابع مالی و چارچوب قانونی. هر سه باید همزمان و هماهنگ فراهم شوند تا پروژه از مرحله برنامه‌ریزی به اجرا منتقل شود. این سه درخواست، حداقل الزامات اجرایی هستند — نه خواسته‌های لوکس، بلکه پیش‌نیازهای ضروری موفقیت.

موفقیت پروژه به سرعت عمل بستگی دارد. پنجره زمانی بهینه برای شروع فاز اول در بهار ۱۴۰۴ باز است. هر تأخیر در تصویب، موج بعدی فناوری AI جهانی را از دسترس خارج می‌کند و فاصله ایران از مرز فناوری را افزایش می‌دهد. چهار مرحله زیر، مسیر کوتاه‌ترین زمان ممکن از برنامه به اجرا را ترسیم می‌کنند.

— دانیال سمیعی، مدیر علمی موج هوش مصنوعی ایرانی