小型AI模型如何让无人机在断网战场上自主识别目标

导语

在通信链路不稳定、卫星导航受干扰、前线设备难以持续连接数据中心的战场上，把AI部署到无人机本身，可能比调用远端大模型更实用。瑞典初创公司Scaleout Systems正与北约相关项目及BAE Systems Bofors合作，探索让小型无人机在本地完成目标识别、排序和任务执行。

核心要点

• 模型重点是“小而能跑”：Scaleout并未采用OpenAI或Anthropic这类前沿大模型，而是针对无人机、飞手平板和前线工作站的算力限制，适配轻量级计算机视觉模型。
• 边缘设备可以脱离中心运行：无人机能够利用机载计算识别周边目标，不必持续把原始视频传回后方服务器。这有助于降低通信压力，也减少敏感数据外传。
• 联邦学习连接分散节点：前线计算节点可以汇总来自多架无人机和传感器的经验，更新本地模型；在通信恢复后，再将模型更新同步到中心或其他设备，而不是直接共享全部原始数据。
• 环境变化是模型部署难点：在沙漠训练的识别模型，转移到城市环境后可能表现下降。持续吸收任务期间产生的数据，是该方案试图解决的适应性问题。
• 自主攻击已进入演示范围：在ALMA低成本巡飞弹药项目的公开演示中，无人机据称能够发现、识别并定位潜在威胁，按任务设定优先选择装甲工程车辆，并自主飞向目标投放爆炸物。操作员仍可控制和引导系统，但演示中的具体攻击过程不依赖持续人工指令。

意义与限制

这类系统的价值首先体现在韧性，而不只是“让无人机更聪明”。当通信遭到压制或后方数据中心不可用时，本地推理仍可能维持侦察和任务执行。对军事组织而言，模型更新也从一次性软件部署，变成了可在不同地区和任务之间迭代的能力。

但“能自主识别”并不等于“可靠识别”。战场中的伪装、烟尘、民用车辆和快速变化的目标状态，都可能造成误判。尤其当识别结果直接触发攻击时，模型置信度、人工复核、交战规则以及责任追踪都必须被纳入系统设计。素材显示的主要是演示和基地测试，并不能证明该技术已经在真实高强度战场中稳定有效。

Scaleout的路线说明，未来军事AI竞争可能不只围绕最大模型展开，也会围绕谁能把更小、更省电、可离线运行且能够持续适应环境的模型可靠地部署到前线设备上。与此同时，自主武器的扩散也要求更严格的测试、审计和人类控制机制。

来源：Ars Technica AI