تحول بزرگ در فناوری نظامی؛ هوش مصنوعی جدید اروپا می‌تواند خودش تاکتیک‌های رزمی را یاد بگیرد

یک پیشرفت چشمگیر در حوزه هوش مصنوعی رزمی، به ارتش‌های سوئد و فرانسه امکان می‌دهد تا سامانه‌های هوشمند خود را برای یادگیری تاکتیک‌های نبرد در میدان بدون انتقال داده‌های حساس آموزش دهند.

آموزش سامانه‌های هوش مصنوعی برای شناسایی پهپادهای دشمن در میدان نبرد، با چالش‌هایی همچون حساسیت داده‌ها و نیاز به حجم عظیمی از تصاویر واقعی روبروست. اکنون دو شرکت نوآور اروپایی به نام‌های Scaleout (اسکیل‌اوت) از سوئد و AI Verse (اِی‌آی ورس) از فرانسه، با بهره‌گیری از تکنیک‌های پیشرفته یادگیری فدرال و داده‌های مصنوعی، در حال توسعه یک راهکار نوین هستند. این همکاری در چارچوب برنامه شتاب‌دهنده نوآوری دفاعی ناتو (NATO DIANA) صورت می‌گیرد و هدف آن، انقلابی در آموزش مدل‌های بینایی کامپیوتری نظامی است.

چالش‌های آموزش هوش مصنوعی رزمی و راهکار ترکیبی

آموزش یک سامانه هوش مصنوعی نظامی برای شناسایی پهپادها مستلزم نمایش هزاران نمونه از آن‌ها تحت شرایط واقعی میدان نبرد، در نور، آب‌وهوا، زوایا و انواع حسگرهای مختلف است. با این حال، فیلم‌های جمع‌آوری‌شده در عملیات‌های فعال اغلب برای جابجایی بسیار حساس هستند، انتقال آن‌ها در محیط‌های با پهنای باند محدود دشوار است و برچسب‌گذاری دستی آن‌ها برای مدل‌های بینایی کامپیوتری مدرن بسیار زمان‌بر است.

برای غلبه بر این محدودیت‌ها، Scaleout و AI Verse رویکردی ترکیبی از داده‌های مصنوعی و یادگیری فدرال را ارائه کرده‌اند. هر دو شرکت به‌صورت مستقل برای سال ۲۰۲۵ به‌عنوان نوآور در برنامه DIANA ناتو انتخاب شده‌اند. برنامه DIANA که در سال ۲۰۲۱ تاسیس شد، با هدف اتصال استارت‌آپ‌های فناوری عمیق به برنامه‌های دفاعی متحدین، به مکانیسم اصلی ناتو برای شتاب‌بخشیدن به نوآوری‌های دوگانه‌کاربردی از بخش خصوصی به قابلیت‌های عملیاتی نظامی تبدیل شده است.

داده‌های مصنوعی و یادگیری فدرال: ارکان اصلی فناوری جدید

شرکت AI Verse که مقر آن در فرانسه است، پلتفرمی به نام GAIA (گایا) را توسعه داده که تصاویر کامپیوتری فوتورئالیستی از محیط‌های میدان نبرد را تولید می‌کند. این تصاویر با برچسب‌های لازم برای آموزش سامانه‌های هوش مصنوعی همراه هستند؛ به این معنی که هر تصویر مصنوعی از قبل با اطلاعاتی برچسب‌گذاری شده است که در غیر این صورت به ساعت‌ها برچسب‌گذاری دستی انسانی نیاز دارد. AI Verse این کار را با رندرینگ مبتنی بر فیزیک انجام می‌دهد که فیزیک واقعی حسگرها شامل نشانه‌های حرارتی فروسرخ، پروفایل‌های اعوجاج لنز و محوشدگی حرکتی را شبیه‌سازی می‌کند. این رویکرد فاصله عملکردی را که قبلا آموزش مدل‌ها با تصاویر مصنوعی را برای کاربردهای دفاعی غیرقابل اعتماد می‌کرد، از بین می‌برد. تصاویر مصنوعی AI Verse در حال حاضر توسط سازمان‌های دفاعی فعال در اوکراین، از جمله Soloma Avionics (سولوما اویونیکس) و STARK Defence (استارک دیفنس)، آزمایش یا استفاده می‌شوند که این امر به فناوری آن‌ها اعتبار عملیاتی می‌بخشد.

در مقابل، Scaleout که در سال ۲۰۱۷ از بخش فناوری اطلاعات دانشگاه اوپسالا سوئد جدا شد، در تکنیک یادگیری فدرال (Federated Learning) تخصص دارد. این روش، مدل‌های هوش مصنوعی را در مکان‌های توزیع‌شده آموزش می‌دهد بدون این‌که نیازی به متمرکزسازی یا انتقال داده‌های اصلی بین سایت‌ها باشد. این امر اجازه می‌دهد فیلم‌های عملیاتی حساس در همان جایی که جمع‌آوری شده‌اند، باقی بمانند؛ در حالی که اطلاعات حاصل از آن‌ها در قالب به‌روزرسانی مدل، و نه تصاویر خام، در سراسر شبکه منتشر می‌شود. پروژه FEDAIR (فیدایر) این شرکت که تحت برنامه DIANA ناتو انجام می‌شود، کاربرد یادگیری فدرال را در شبکه‌های پهپادی و حسگرهای توزیع‌شده با تمرکز بر یادگیری ماشینی امن و غیرمتمرکز بررسی می‌کند. پلتفرم Scaleout توسط پال یونسون (Pål Jonson)، وزیر دفاع سوئد، به‌عنوان نمونه‌ای از زیرساخت‌های هوش مصنوعی لبه‌ای (Edge AI) مستقل که در برنامه‌های دفاعی فعال مستقر شده است، معرفی شده است.

این رویکرد ترکیبی، دو روش موجود – داده‌های مصنوعی و یادگیری فدرال – را برای بینایی کامپیوتری دفاعی در لبه ترکیب می‌کند. پلتفرم GAIA شرکت AI Verse داده‌های آموزشی مصنوعی لازم را برای ساخت مدل‌های اولیه موثر قبل از وجود فیلم‌های واقعی کافی فراهم می‌آورد و مشکل راه‌اندازی سرد (Cold-Start Problem) را که استقرار قابلیت‌های تشخیص تهدید مبتنی بر هوش مصنوعی را در محیط‌های عملیاتی جدید به تاخیر می‌اندازد، حل می‌کند. زیرساخت یادگیری فدرال Scaleout سپس به این مدل‌ها اجازه می‌دهد تا پس از استقرار، به بهبود خود ادامه دهند و با شرایط محلی، امضاهای تهدید جدید و محیط‌های عملیاتی در حال تغییر، سازگار شوند. این سیستم ترکیبی در محیط‌های پرخطر که اتصال شبکه متناوب، غیرقابل اعتماد یا فعالانه مختل می‌شود، بسیار کارآمد است.

اهمیت استقلال داده و نقش ناتو در توسعه فناوری

ابعاد استقلال داده در این معماری، به یک الزام حیاتی برای برنامه‌های هوش مصنوعی دفاعی هم‌سو با ناتو تبدیل شده است. این تنها یک ترجیح حریم خصوصی نیست، بلکه یک محدودیت عملیاتی و قانونی سخت است که معماری‌های متعارف یادگیری ماشینی مبتنی بر ابر نمی‌توانند در محیط‌هایی که هوش مصنوعی نظامی بیشترین نیاز به عملکرد را دارد، آن را برآورده کنند. فیلم‌های عملیاتی طبقه‌بندی‌شده نمی‌توانند به‌طور قانونی یا ایمن از بیشتر معماری‌های شبکه عبور کنند. سامانه‌های مستقر در خط مقدم اغلب در محیط‌هایی عمل می‌کنند که اتصال ابری در دسترس نیست، و ارزش اطلاعاتی داده‌های خام حسگر دقیقا همان چیزی است که دشمنان در صورت حرکت در هر مرز شبکه، به دنبال رهگیری آن هستند. این ترکیب از پیش‌آموزش مصنوعی و بهبود مدل محلی، رویکردی بسیار مرتبط برای برنامه‌های دفاعی است که به هوش مصنوعی نیاز دارند تا در جایی که واقعا مستقر شده است، کار کند، نه فقط در شرایط ایده‌آل اتصال.

• لاکهید مارتین از سامانه موشکی HIMARS FLEX با قدرت آتش بیشتر رونمایی کرد
• شکارچی عمودپرواز X-‌BAT در اروپا به‌نمایش گذاشته شد؛ جنگنده‌ای که نیازی به باند پرواز ندارد
• برترین پهپادهای رزمی جهان در سال ۲۰۲۶ معرفی شدند
• روسیه از رادار ضد پهپاد سوکول رونمایی کرد؛ ردیابی همزمان ۵۰ ریزپرنده

زمینه گسترده‌تر این همکاری، ائتلاف ناتو است که سامانه‌های خودکار مبتنی بر هوش مصنوعی را یکی از اولویت‌های اصلی فناوری خود می‌داند و به‌طور سیستماتیک از طریق DIANA برای تسریع انتقال نوآوری‌های بخش خصوصی به قابلیت‌های عملیاتی نظامی، سریع‌تر از آنچه چرخه‌های سنتی تدارکات دفاعی اجازه می‌دهند، تلاش کرده است. به‌ویژه، هوش مصنوعی ضدپهپاد به‌عنوان یکی از مبرم‌ترین شکاف‌های قابلیت در میان ارتش‌های عضو ناتو پدیدار شده است که توسط اثربخشی اثبات‌شده سامانه‌های بدون سرنشین در اوکراین تقویت شده است.