小型AIモデルが戦場のドローンに自律性を与える

はじめに

戦場では、無線通信の妨害やネットワークの断絶によって、ドローンが遠隔のデータセンターへ映像を送り続けることが難しくなる。そこで重要になるのが、AIを機体や前線の端末に直接載せるエッジ処理だ。スウェーデンのScaleout Systemsは、NATO関連の取り組みやBAE Systems Boforsと連携し、小型ドローン、操縦者のタブレット、前線の指揮所で動くモデルを開発している。

要点

• 大規模モデルではなく、現場で動く小型モデル：ScaleoutはOpenAIやAnthropicのような最先端モデルを使うのではなく、電力と計算資源が限られた機器向けに、軽量なコンピュータービジョンモデルを調整している。
• 通信が途切れても推論を続けられる：ドローンはセンサー情報を機上で処理し、目標識別を支援できる。映像を常時後方へ送らなくてよいため、通信帯域の節約や機微データの保護にもつながる。
• 連合学習で分散した知識を共有する：複数のドローンやセンサーから得た情報を前線ノードで利用し、接続が回復した際にモデルの更新だけを共有する。すべての生データを中央に集める方式とは異なる。
• 環境の変化への適応が課題：砂漠で学習したモデルを都市で使えば、性能が低下する可能性がある。作戦中に得たデータを使って、モデルを段階的に更新することが狙いだ。
• 攻撃任務を想定したデモも実施：低価格の巡回型弾薬を目指すALMAの公開デモでは、AIが潜在的な脅威を検出、識別、位置推定し、任務で指定された優先順位に基づいて装甲工兵車両を選択したとされる。その後、ドローンは爆発物を投下するため目標へ向かった。操縦者による指示は可能だが、デモの一連の動作は継続的な手動操作を必要としなかった。

意義と限界

この技術の価値は、AIを単に高性能にすることよりも、通信が失われても機能するようにする点にある。妨害電波や中央設備の障害があっても、偵察や一部の任務を継続できる可能性がある。また、モデルを一度配布して終わりにせず、異なる地域や状況から得たデータで更新できる。

ただし、自律的に識別できることは、識別が正確であることを意味しない。偽装、煙、民間車両、刻々と変わる状況は、誤認識や見落としを引き起こし得る。識別結果が攻撃に直結する場合、信頼度の基準、人間による確認、交戦規則、判断責任の記録をシステムに組み込む必要がある。今回示されているのは公開デモや軍事施設での試験であり、実戦での安定性を証明したものではない。

Scaleoutの事例は、軍事AIの競争軸が最大モデルだけではないことを示す。省電力で、オフラインでも動き、現地環境に適応し、分散した機器を更新できる小型モデルが重要になる。一方で、自律兵器が普及しやすくなるほど、厳格な評価、監査、実効性のある人間の統制も不可欠になる。

出典：Ars Technica AI