ซา ซาจาดีเย ผู้รับผิดชอบโครงการดัชนี AI แห่งสถาบันปัญญาประดิษฐ์มหาวิทยาลัยสแตนฟอร์ด ให้สัมภาษณ์เมื่อเร็ว ๆ นี้ว่า หากเกาหลีใต้ต้องการบรรลุเป้าหมายก้าวขึ้นเป็น 3 ประเทศชั้นนำด้าน AI ของโลก ไม่ควรแข่งขันโดยตรงกับสหรัฐอเมริกาและจีนในด้านโมเดลสากลขนาดใหญ่มหึมา แต่ควรให้ความสำคัญกับการพัฒนาโมเดลเฉพาะอุตสาหกรรม
ซา ซาจาดีเย ระบุว่า เกาหลีใต้มีความสามารถในการแข่งขันที่โดดเด่นในด้านจำนวนสิทธิบัตร AI ต่อประชากร การพัฒนาบุคลากร เซมิคอนดักเตอร์ วิศวกรรมหุ่นยนต์ และฮาร์ดแวร์ ซึ่งเป็นไปตามเงื่อนไขที่กลุ่มชั้นนำของระบบนิเวศ AI ต้องการแล้ว อย่างไรก็ตาม เขากล่าวพร้อมกันว่า เกาหลีใต้ยังไม่สามารถแปลงข้อได้เปรียบเหล่านี้ให้เป็นความสามารถในการแข่งขันด้านโมเดลระดับชั้นนำของโลก แม้โมเดลเฉพาะภาษาเกาหลีจะทยอยเปิดตัวออกมาอย่างต่อเนื่อง แต่ยังไม่ขึ้นไปอยู่ในอันดับต้น ๆ ของการทดสอบมาตรฐานระดับโลก
เกาหลีใต้จำเป็นต้องมุ่งเน้นการพัฒนาโมเดลเฉพาะอุตสาหกรรม
ซา ซาจาดีเย เห็นว่า อุปสรรคสำคัญที่สุดที่เกาหลีใต้จำเป็นต้องก้าวข้ามคือเรื่องขนาด (scale) สหรัฐอเมริกาและจีนครองการแข่งขันด้านโมเดลสากลขนาดใหญ่มหึมา ด้วยตลาดภายในประเทศขนาดใหญ่และเงินลงทุนมหาศาล ทำให้เกาหลีใต้รับมือได้ยากหากเดินตามแนวทางเดียวกัน เขาแนะนำให้เกาหลีใต้ผสมผสานความได้เปรียบด้านซอฟต์แวร์เข้ากับเซมิคอนดักเตอร์และฮาร์ดแวร์ เพื่อพัฒนาโมเดลเฉพาะทางที่มีประสิทธิภาพโดดเด่นในอุตสาหกรรมเฉพาะ เช่น การผลิต วิทยาศาสตร์ และบริการสาธารณะ
สำหรับโครงการโมเดลพื้นฐาน AI แห่งชาติ โครงการ AI สำหรับประชาชนทุกคน และโครงการ AI model เฉพาะด้านความมั่นคงไซเบอร์ที่รัฐบาลเกาหลีใต้กำลังผลักดันนั้น ซา ซาจาดีเย ได้ให้การประเมินในเชิงบวก เขาเน้นย้ำว่า แนวคิด AI อธิปไตย (Sovereign AI) มีความหมายกว้างกว่าการมีโมเดลพื้นฐานของประเทศตนเองเพียงอย่างเดียว แต่ควรครอบคลุมองค์ประกอบต่าง ๆ ทั้งโครงสร้างพื้นฐาน ข้อมูล โมเดล การประยุกต์ใช้ และบุคลากร โดยเกาหลีใต้มีองค์ประกอบส่วนใหญ่พร้อมแล้ว ขั้นต่อไปจำเป็นต้องเชื่อมโยงโมเดล AI ภายในประเทศเข้ากับโครงสร้างพื้นฐาน ข้อมูล บริการ และบุคลากร ให้เป็นระบบนิเวศที่ครบถ้วนสมบูรณ์
สำหรับประเด็นการประเมินโมเดล ซา ซาจาดีเย ระบุว่า การทดสอบมาตรฐาน (benchmark) ที่มีอยู่ในปัจจุบันมีข้อจำกัด รวมถึงปัญหาข้อมูลฝึกสอนที่ไม่เปิดเผยซึ่งส่งผลต่อความน่าเชื่อถือในการประเมิน และปัญหาที่การทดสอบมาตรฐานสูญเสียความสามารถในการจำแนกความแตกต่างอย่างรวดเร็ว เขาแนะนำให้เพิ่มการประเมินเชิงคาดการณ์ (predictive evaluation) ในตัวชี้วัดการประเมิน กล่าวคือ คาดการณ์ประสิทธิภาพและความเสี่ยงของโมเดลก่อนที่จะนำไปใช้ในสถานการณ์จริง พร้อมทั้งสร้างสมดุลระหว่างความโปร่งใสในการประเมินกับการป้องกันความเสี่ยงที่บริษัทจะปรับแต่งโมเดลให้เหมาะกับชุดข้อสอบโดยเฉพาะ
ซา ซาจาดีเย ยังเปิดเผยด้วยว่า ดัชนี AI มีแผนที่จะเสริมความแข็งแกร่งในตัวชี้วัดด้าน AI ทางกายภาพ (Physical AI) โมเดลโลก (World Model) ความรอบรู้ด้าน AI ทางการศึกษา และผลกระทบด้านเศรษฐกิจและการจ้างงาน เขากล่าวว่า สาขา AI ทางกายภาพจำเป็นต้องวัดความสามารถของหุ่นยนต์ในการปฏิบัติงานในสภาพแวดล้อมจริง ตลอดจนพิจารณาการระบุความรับผิดชอบเมื่อเกิดอุบัติเหตุและระบบการกำกับดูแล ขณะเดียวกันพิจารณาด้วยว่าควรนำระดับการศึกษาด้านฮาร์ดแวร์และหุ่นยนต์เข้าไปอยู่ในขอบเขตการประเมินด้วยหรือไม่ นอกจากนี้ ความสามารถของพลเมืองทั่วไปในการใช้งาน AI อย่างมีประสิทธิผลและรับผิดชอบก็ควรกลายเป็นวัตถุของการประเมินใหม่