آماده یک موج عظیم باشید؛ جهش بزرگ نوآوری که منشأ قدرت آن تکنولوژی‌های نوظهور و رویکرد کارآفرینان تکنولوژی عمیق (Deep tech) است. اثر اقتصادی، کسب‌وکار و اجتماعی این موج در همه‌جا احساس خواهد شد، چون بنگاه‌های تکنولوژی عمیق می‌خواهند بسیاری از مشکلات پیچیده امروز ما را حل کنند.
به گزارش دنیای اقتصاد به نقل از BCG، این موج عظیم، هوش‌مصنوعی، زیست‌شناسی مصنوعی، نانوتکنولوژی، رایانش کوآنتوم و دیگر تکنولوژی‌های پیشرفته را دربرمی‌گیرد. اما موضوع مهم‌تر، همگرایی تکنولوژی‌ها و رویکرد‌هایی است که در دهه‌های آینده سرعت نوآوری را بیشتر و آن را بازتعریف خواهند کرد.
از آنجا که پیشرفت‌های تکنولوژیک از آزمایشگاه به بازار منتقل شده و شرکت‌ها به دنبال کاربرد‌های تجاری آنها هستند، شاهد شباهت‌های زیادی در چگونگی و چرایی توسعه این تکنولوژی‌ها هستیم و یک اکوسیستم قوی درحال شکل‌گیری است تا پیشرفت آنها را جلو ببرد.
در پایان سال ۲۰۲۰ شاهد قدرت این اکوسیستم بودیم و دیدیم شرکت مدرنا و تیم بایون‌تک و شرکت فایزر چگونه واکسن‌های کرونا را در کمتر از یک‌سال، با توالی ژنوم وارد بازار کردند. با اینکه این شرکت‌ها کار خارق‌العاده‌ای را با سرعت بسیار بالا انجام دادند، اما از همکاری نهاد‌های دیگر مثل دولت‌ها، دانشگاه، سرمایه‌گذاری خطرپذیر و کسب‌وکار‌های بزرگ هم منتفع شدند. همه این‌ها نقش‌های کلیدی در موجی که در راه است، خواهند داشت. در بخش اول و دوم این مطلب، چگونگی شکل‌گیری موج عظیم در تکنولوژی عمیق را بررسی می‌کنیم.
شرکت‌های تکنولوژی عمیق، یک گروه مجزا هستند. تعداد کمی از آنها مثل مدرنا، توسط عموم مردم شناخته شده‌اند. برخی دیگر مثل اسپیس‌ایکس و بلو اوریجین، توجه مردم را جلب کرده‌اند. برخی هم درگیر کار‌هایی هستند که زمانی صرفا در داستان‌های علمی- تخیلی شنیده می‌شد (مثل ماشین‌های پرنده). با این حال، همچنان بقیه این شرکت‌ها در حوزه‌هایی کار می‌کنند که بیشتر مردم توصیفی از آنها ندارند، اما راه‌حل‌های بلندمدت برای بیماری‌ها، تغییرات اقلیمی و دیگر مشکلات ارائه می‌کنند، زیست‌شناسی مصنوعی و رایانش کوآنتوم از جمله آنها هستند.
بنگاه‌های تکنولوژی عمیق موفق، استعداد‌های متعدد را گرد هم می‌آورند (از جمله دانشمندان، مهندس‌ها و کارآفرینان) تا مشکلی را حل کنند. آنها اغلب تکنولوژی‌های کاملا جدید را توسعه می‌دهند، چون هیچ کدام از تکنولوژی‌های موجود، مشکلی که درحال‌حاضر وجود دارد را به‌طور کامل حل نمی‌کنند.
در برخی موارد، موفقیت به توسعه کاربرد‌های جدید برای تکنولوژی‌های موجود بستگی دارد. به‌عنوان مثال، استارت‌آپ «بوم سوپرسونیک» (Boom Supersonic) روی نوعی هواپیمای فراصوت کار می‌کند که فقط از تکنولوژی‌هایی در آن استفاده می‌شود که گواهینامه‌های قانونی شناخته شده و سوابق امنیتی اثبات شده دارند. شرکت «سیبورگ تکنولوژی» (Seaborg Technologies) هم درحال کار کردن روی نیروگاه‌های هسته‌ای شناور مدولار است که با رآکتور‌های نمک مذاب فشرده کار می‌کنند؛ تکنولوژی‌ای که یک دهه قدمت دارد.
بنگاه‌های تکنولوژی عمیق موفق، چهار ویژگی مکمل دارند:
بنگاه‌های تکنولوژی عمیق، با وجود اینکه تعداد اندکی از استارت‌آپ‌ها را تشکیل می‌دهند، اما اثرگذاری قابل‌توجهی دارند، چون به مسائلی در مقیاس بزرگ حمله می‌کنند و همچنین کارشان هم آینده‌نگرانه است و هم عملی.
با وجود ریسک‌های ذاتی شکست، کسب‌وکار‌ها و سرمایه‌گذاران علاقه روزافزونی نسبت به تکنولوژی عمیق نشان داده‌اند. براساس ارزیابی‌های اولیه، سرمایه‌گذاری در تکنولوژی عمیق (از جمله سرمایه‌گذاری بخش‌خصوصی، ادغام و تملک و عرضه اولیه سهام) در یک دوره پنج ساله بیش از چهار برابر شده و از ۱۵ میلیارد دلار در سال ۲۰۱۶ به بیش از ۶۰ میلیارد دلار در سال ۲۰۲۰ رسیده است.
میانگین مبالغ اعلام شده در هر رویداد سرمایه‌گذاری خصوصی برای استارت‌آپ‌ها و شرکت‌های رشدیافته، از ۱۳ میلیون دلار در سال ۲۰۱۶ به ۴۴ میلیون دلار در سال ۲۰۲۰ رسیده است. یک نظرسنجی جدید نشان می‌دهد مبلغ اختصاص یافته در هر رویداد سرمایه‌گذاری برای استارت‌آپ‌هایی که در شروع کارشان هستند، بین سال‌های ۲۰۱۶ و ۲۰۱۹ از ۳۶ هزار دلار به ۲ میلیون دلار افزایش یافته است.
منابع سرمایه‌گذاری هم درحال افزایشند. در حالی که شرکت‌های تکنولوژی اطلاعات (IT) و ارتباطات (ICT) و زیست‌دارویی همچنان سرمایه‌گذاری قابل‌توجهی در تکنولوژی عمیق دارند، بنگاه‌های سنتی بزرگ بیشتری هم در این زمینه فعال شده‌اند. به‌عنوان مثال، شرکت «سامیتومو» (Sumitomo Chemical)، قرارداد مشارکت چندساله با شرکت «زیمرجن» (Zymergen) امضا کرده تا مواد اولیه تخصصی جدید را وارد بازار محصولات الکترونیک کنند.
شرکت «اِنی» (Eni) هم ۵۰ میلیون دلار در شرکت Commonwealth Fusion Systems سرمایه‌گذاری کرده و هیات‌مدیره دو شرکت با هم ادغام شده‌اند. شرکت بایر همکاری‌هایی را با شرکت «جینکو بیورکز» (Ginkgo Bioworks) آغاز کرده تا اتکای کشاورزی را به کود‌های شیمیایی نیتروژنی کربن‌زا کاهش دهد.
شرکت‌ها و نهاد‌های بزرگ، هر چه بیشتر به این موضوع پی می‌برند که راه‌حل مشکلات بزرگ- و آینده نوآوری- به تکنولوژی‌های عمیق وابسته است.
اولین موج نوآوری کسب‌وکار‌های مدرن، در قرن نوزدهم و اوایل قرن بیستم و با پیشرفت‌هایی مثل فرآیند بسمر برای ساخت فولاد و فرآیند هابر-بوش برای ساخت آمونیاک شروع شد.
بعد از جنگ جهانی دوم، موج دوم نوآوری کسب‌وکار‌های مدرن که انقلاب اطلاعات بود، موجب پیدایش واحد تحقیق و توسعه (R&D) در شرکت‌های بزرگ و به‌ویژه در بخش‌های ICT و داروسازی شد. بل لبز، IBM و Xerox PARC به شرکت‌هایی شناخته‌شده تبدیل شدند. شرکت مرک به تنهایی هفت داروی مهم جدید در طول دهه ۸۰ تولید کرد.
در موج سوم که انقلاب دیجیتال بود، دو دوست در یک گاراژ، موتور نوآوری را روشن کردند که به پیدایش سیلیکون، ولی آمریکا، به‌عنوان مرکز جهانی رایانش و تکنولوژی ارتباطات و رشد اقتصادی انجامید. همزمان، حوزه جدید بیوتکنولوژی که توسط کارآفرینان ایجاد شده بود، باعث نوآوری در داروسازی شد.
موجی که اکنون و همزمان با فرو ریختن موانع نوآوری درحال شکل‌گیری است، از یک مدل جدید استقبال می‌کند و قرار است نوآوری را در هر بخش کسب‌وکار گسترده‌تر و عمیق‌تر کند. افزایش قدرت و کاهش هزینه‌های رایانش و ظهور پلت‌فرم‌های تکنولوژی‌ها، مهم‌ترین نقش‌ها را در این موج دارند. رایانش ابری به‌طور مداوم عملکرد‌ها را توسعه و وسعت کاربرد تکنولوژی‌ها را افزایش می‌دهد.
در ضمن، هزینه‌ها به‌طور مداوم درحال کاهش است، از جمله هزینه‌های مرتبط با تجهیزات، تکنولوژی و دسترسی به زیرساخت‌ها. افزایش استفاده از استانداردها، ابزار‌های مالی و داشتن رویکرد باز نسبت به نوآوری، در کنار افزایش مداوم دسترسی به اطلاعات و داده‌ها نیز نقش مهمی در این میان ایفا می‌کنند.
بنگاه‌های تکنولوژی عمیق موفق، بر یک رویکرد سه‌وجهی تکیه می‌کنند:
۱- مشکل‌محوری. بنگاه‌های تکنولوژی عمیق، با پرداختن به مشکلات پیچیده و اساسی، فرصت‌های دور از دسترس را هدف قرار می‌دهند. آنها به‌جای اینکه روی راه‌حل‌های شناخته شده و تثبیت‌شده حساب کنند، از تفکر طراحی الهام می‌گیرند. سپس بهترین تکنولوژی‌ها را برای حل چنین مشکلاتی پیدا می‌کنند.
همچنین مشکل -محوری در یک بنگاه تکنولوژی عمیق، در خدمت یک هدف فنی قرار می‌گیرد و عملیات، سازمان و استراتژی بازار بنگاه را شکل می‌دهد. مشکل-محوری به بنگاه کمک می‌کند هدف‌محور و دستاوردمحور باشد. تعیین هدف از طریق مشکل-محوری، به تضمین حفظ استعدادها، شتاب جهانی و یک گفت‌وگوی منسجم در میان تیم‌هایی با تخصص‌های مختلف، کمک می‌کند.
۲- رویکرد‌ها و تکنولوژی‌های همگرا. همگرایی رویکرد‌ها یک پیش‌نیاز دیگر برای تکنولوژی عمیق است و به شرکت‌ها امکان می‌دهد تلاش برای شناخت پایه‌ای را با تحقیقات کاربردی ترکیب کنند (شکل).
همگرایی با طراحی یا حل مشکل از طریق تحلیل فضا با تخصص‌های مختلف، یافتن مشکل و تولید ایده شروع می‌شود. علم یک تئوری را مطرح می‌کند که از راه‌حل پشتیبانی می‌کند. مهندسی امکان‌پذیری فنی و تجاری را تضمین می‌کند. اما آنچه مثل یک فرآیند خطی به‌نظر می‌رسد، در واقع به‌صورت موازی رخ می‌دهد و به همین خاطر، جزئی از چالش نوآوری تکنولوژی عمیق می‌شود. علم و مهندسی باید از همان ابتدای حل مشکل در دسترس باشند. عمق و قابلیت آنها، بر راه‌حل‌هایی که پیدا می‌شوند، اثرگذاری قوی دارد.
مساله بعدی، همگرایی تکنولوژی‌ها است. رایانش و ادراک اطلاعات، دنیا را شکل می‌دهند و در ترکیب با حس و حرکت، به پیشرفت‌هایی مثل اتومبیل‌های خودران، اینترنت اشیا و روباتیک منجر شده‌اند. حالا پیشرفت‌هایی در توالی ژن، ویرایش، نوشتن و همچنین نانوتکنولوژی، مسیر تازه‌ای را برای نوآوری هموار کرده‌اند.
محققان ساخت ابزار‌هایی را شروع کرده‌اند که می‌توانند با آن اختراعات در مقیاس نانواسکوپ (یک نانومتر معادل یک میلیاردم یک متر است- اندازه‌ای که در آن نوسانات در ذرات تکی، می‌تواند بر رفتار سیستم‌ها اثرگذار باشد) را طراحی و تولید کنند و به شرکت‌ها امکان دهند از اهرم طبیعت برای طراحی محصول استفاده کنند. این قابلیت به خودی خود آثار عمیقی دارد، اما وقتی به قابلیت‌های تکنولوژیک در ماده و انرژی، رایانش و ادراک اطلاعات و سنسور‌ها و حرکت اضافه می‌شود، باعث می‌شود شرکت‌های نوآور مشکلاتی را که قبلا راه‌حلی برای آن وجود نداشت، مورد بررسی قرار دهند.
این اثرات را فقط در یک حوزه در نظر بگیرید: زیست‌شناسی. توانایی استفاده از هوش‌مصنوعی و چاپ سه‌بعدی زیستی، برای پیش‌بینی تاشدگی پروتئین‌ها، انقلابی در کشف و ساخت دارو‌ها ایجاد خواهد کرد. شرکت جینکو بیورکز و دیگر شرکت‌های این حوزه، از هوش‌مصنوعی برای طراحی سازه‌های ژنتیک استفاده می‌کنند و سپس بر فرآیند‌های روباتیک تکیه می‌کنند که این سازه‌ها را بسازند و تست کنند تا در نهایت پیشرفت‌های قابل‌توجهی در برنامه‌نویسی ارگانیسم‌ها حاصل شود.
به‌طور مشابه، شرکت زیمرجن، از تکنیک‌های فرآوری زیستی که شامل هوش‌مصنوعی پیشرفته، اتوماسیون و مهندسی بیولوژیک است، استفاده می‌کند تا موادی را تولید کند که قبلا وجود نداشته است. شرکت سلینو هم درحال ترکیب سلول‌های بنیادی، فیزیک لیزر و یادگیری ماشینی است تا تبدیل سلول‌های انسان بزرگسال به سلول‌های بنیادی را در مقیاس بزرگ انجام دهد.
نتایج همگرایی تکنولوژیک برای استارت‌آپ‌ها و شرکت‌های پیشکسوت‌تر، خیلی متفاوت است. استارت‌آپ‌های تکنولوژی عمیق، از رویکرد حل مشکل خود استفاده می‌کنند تا تکنولوژی‌های نوظهور را به شیوه‌هایی که چیز‌های غیرممکن قبلی را ممکن می‌کند، اغلب با سرعتی غیرقابل تصور ترکیب کنند. شرکت‌های پیشکسوت اغلب با این دینامیک دست و پنجه نرم می‌کنند و در استقبال از تکنولوژی‌های دیجیتال، یک تکنولوژی همگرا را به ترکیب‌های قبلی اضافه می‌کنند.
۳- چرخه طراحی- ساخت- آزمایش-یادگیری. اگر تکنولوژی‌ها و رویکرد‌های همگرا، رویکرد تکنولوژی عمیق را شکل می‌دهند، چرخه مهندسی طراحی- ساخت-آزمایش- یادگیری (DBTL)، موتوری است که آن را پیش می‌برد. DBTL پلی را بین مشکلی که باید به آن توجه شود و علم و تکنولوژی‌هایی که باید به‌کار گرفته شوند، در اختیار می‌گذارد. در واقع مشکل-محوری، یک پیش‌نیاز برای DBTL است، چون هر بار یکی از مراحل چرخه DBTL تکرار شوند، یعنی نقش آن در حل مشکلی که پیش آمده، سنجیده می‌شود.
مرحله طراحی (design)، هسته فرآیند نوآوری است و بیشترین ارزش در آن ایجاد می‌شود. در این مرحله، دسترسی سریع‌تر به اطلاعات و تجهیزات رایانش ارزان‌تر و قدرتمندتر، یک فرآیند فرضیه-محور را تسریع می‌کند. در ۱۰ سال گذشته، افزایش اطلاعات موجود، به‌ویژه اطلاعات متن باز، همراه با دسترسی سریع به این اطلاعات، باعث بیشتر شدن همکاری‌ها و نوآوری‌ها شده است.
در مراحل ساخت و آزمایش (build, test)، شرکت‌ها می‌توانند به اقتصاد مقیاس و سرعت بسیار بالا دست پیدا کنند و به کمک پیشرفت در پلت‌فرم‌ها و اتوماسیون و ادامه کاهش هزینه‌ها، به بالاترین دقت برسند.
هوش‌مصنوعی و دیگر تکنولوژی‌های پیشرفته نیز سرعت مرحله یادگیری (learning) را بالا می‌برند. شرکت‌ها بر سر یادگیری با هم رقابت دارند و آن‌هایی که یادگیری بهتر و سریع‌تری دارند، برنده هستند. شرکت‌ها با کمک هوش‌مصنوعی می‌توانند حجم انبوهی از داده را از طریق الگوریتم‌های یادگیری ماشینی که ویژگی‌های محصول تولیدشده و نتایج آزمایش آن را در اختیار می‌گذارند، مدیریت کنند. این الگوریتم‌ها مشخص می‌کنند کدام نوع محصول مناسب است و کدام نیست و سپس نتایج را به صورت اتوماتیک و از طریق حلقه‌های بازخورد به مرحله طراحی برمی‌گردانند.
