Проблемы интеграции ИИ в американскую военную инфраструктуру
По мере того как США стремятся интегрировать все больше систем искусственного интеллекта в различные подразделения своих вооруженных сил, ситуация на Ближнем Востоке обнажает серьезные трудности с поддержанием вычислительных мощностей и стабильной связи, необходимых для функционирования систем. Дроны, сенсоры, а также системы целеуказания и принятия решений с поддержкой ИИ зависят от стабильной работы этой инфраструктуры, и уничтожение даже одного фронтового центра обработки данных может нанести критический ущерб боеспособности армии.
Вопросы надежности выходят за рамки простого «железа». Например, неясно, как дрон может адаптировать параметры своей миссии без возможности коммуникации, как ИИ-модели будут продолжать выполнение задач без доступа к критически важным данным с поля боя и на какие компромиссы придется пойти при подготовке военных ИИ-систем к таким условиям.
Уроки из региона Ормузского пролива
Конфликты вокруг Ормузского пролива, несмотря на их высокую стоимость, дают ценные уроки для военных. Опыт показывает уязвимость традиционных дата-центров на Ближнем Востоке: эти обширные объекты становятся легкими целями для недорогих ракет, и одно попадание способно вывести из строя целые системы.
В качестве альтернативы компания Palantir начала развертывание транспортных контейнеров, оснащенных оборудованием Nvidia. Такие контейнеры можно размещать непосредственно на линии фронта для интеграции в операционные процессы, что обеспечивает децентрализованные вычисления там, где они нужны больше всего.
Роль Scaleout в обеспечении устойчивости систем
Компания Scaleout занимается созданием инфраструктуры для периферийных (edge) вычислений и федеративного обучения, которое позволяет тренировать модели на распределенных конфиденциальных данных без их централизации. Компания сотрудничает с НАТО — в частности, со Шведскими ВВС — и крупными оборонными подрядчиками, такими как BAE Systems.
Генеральный директор и сооснователь Scaleout Андреас Хелландер обладает докторской степенью в области научных вычислений и магистерской степенью по биотехнологиям. Ранее он был доцентом Уппсальского университета, где до основания компании возглавлял одну из ведущих исследовательских групп на кафедре информационных технологий.
Устойчивость ИИ в условиях отключения связи
По словам Хелландера, задача состоит не в создании «неразрывного» соединения, а в том, чтобы исключить ситуацию, при которой потеря одного компонента приводит к отказу всей системы. В архитектуре Scaleout отсоединенный узел продолжает локальный вывод (inference), используя последнюю утвержденную модель, и кэширует обнаружения и телеметрию до восстановления соединения. Использование нескольких точек агрегации выше уровня периферии позволяет переназначать клиентов в случае недоступности одной из точек, обеспечивая «плавную деградацию» (graceful degradation) вместо катастрофического отказа всех систем. Сама компания не поставляет тактические сети связи, но гарантирует, что рабочая нагрузка ИИ не будет зависеть от постоянной доступности радиоканалов или спутниковой связи.
Централизация против распределенного подхода
Хелландер выделяет ключевые различия между централизованными и распределенными сетями:
- Централизация обеспечивает единую операционную картину, значительные вычислительные ресурсы и четкую среду для контроля безопасности, одобрения моделей и политики командования. Однако она концентрирует риски: потеря одного объекта может лишить армию значительной части возможностей. Кроме того, перемещение больших массивов классифицированных данных может быть медленным или невозможным.
- Распределенная система удерживает анализ рядом с сенсором, снижая задержки и позволяя локальным функциям работать автономно при разрыве связи. Главный недостаток здесь — фрагментация: целеуказание на основе неполных или устаревших данных несет риски, а локальные логистические решения могут быть неоптимальными для сил в целом.
Лучшим решением эксперт считает гибридный подход: централизованное управление, когда это возможно, и четко ограниченные локальные возможности в случае изоляции узлов, при сохранении приоритета за человеческим решением и командным контролем.
Адаптация дронов и сенсоров
Важно различать исполнение модели и её переобучение. Как правило, небольшие платформы выполняют вывод данных в полете, тогда как контролируемое переобучение и утверждение новых моделей происходят на наземных узлах или более мощных периферийных компьютерах. Хотя в исследованиях существуют методы обучения непосредственно на борту, неконтролируемое переобучение в ходе миссии создает серьезные проблемы с надежностью и гарантией качества работы систем.
Функционирование в условиях разрыва связи
Сетевая платформа способна обмениваться данными об обнаруженных целях, получать новые задачи и формировать общую оперативную картину. При потере связи дрон следует заранее утвержденному протоколу безопасности: в зависимости от типа миссии он может продолжить выполнение ограниченной задачи, вернуться на базу, зависнуть или совершить посадку. Встроенные системы обработки данных позволяют поддерживать работу навигации и распознавание объектов, однако платформа теряет доступ к внешнему контексту, новым инструкциям и координации внутри флота. Отключение связи должно быть спроектированным рабочим состоянием с четко заданными ограничениями, а не импровизированным аварийным режимом.
Адаптация ИИ-систем на поле боя
Поскольку передача полезных данных часто затруднена, разработчики предпочитают отправлять модель к данным, а не централизовать необработанные материалы. Программное обеспечение с активным обучением идентифицирует кадры, наиболее ценные для улучшения модели, например: неопределенные объекты, незнакомые цели или измененные внешние условия. Человек по-прежнему занимается разметкой отобранных материалов, но ПО сокращает объем необходимого поиска, не отменяя при этом потребность в экспертной оценке. Затем модель локально дообучается и проходит проверку по контрольным показателям. Также возможен запуск «кандидата» в фоновом режиме параллельно с основной моделью перед тем, как оператор даст одобрение на её использование. При наличии соответствующих политик и каналов связи площадки обмениваются защищенными обновлениями моделей вместо передачи исходных данных, объединяя их в общую систему. Федеративное обучение минимизирует передачу данных, однако сами обновления по-прежнему требуют защиты, валидации и аудита.
Технические вызовы и логистика ресурсов
Основными ограничениями при развертывании ИИ-дронов и сенсоров являются энергопотребление, тепловыделение, вес, погодные условия, вибрация, радиоэлектронная борьба, непоследовательность данных и безопасность обновления ПО во флоте со смешанным составом техники. Интеграция и сертификация оборудования могут быть столь же сложными задачами, как и само машинное обучение. Вычислительные мощности доступны на коммерческом рынке: это низкопотребляющие модули вроде NVIDIA Jetson для малых платформ и защищенные серверы с GPU или контейнеризированные узлы для наземных площадок. Энергоснабжение представляет большую сложность. Каждый процессор конкурирует за ресурс с двигателями, сенсорами и системами связи, в то время как генераторы, батареи и оборудование для распределения энергии увеличивают логистическую нагрузку и создают новые критические точки отказа. В ходе демонстрации, проведенной совместно с BAE Systems Bofors, рабочая нагрузка на систему восприятия выполнялась на встроенных вычислительных мощностях при температуре -18°C без внешней связи. Принцип состоит в использовании минимально возможного аппаратного обеспечения, исходя из предположения, что энергия и пропускная способность канала связи являются дефицитными ресурсами.
Независимость от коммерческих провайдеров
Разработчики Scaleout проектируют свою платформу таким образом, чтобы деятельность заказчика не зависела от непрерывной доступности сервисов компании. Система работает в собственной инфраструктуре клиента, поддерживает «воздушный зазор» (air-gapped) и не требует обращения к серверам лицензирования или постоянного подключения к облачным системам. Это критически важно в условиях конфликтов или при нарушении связи, так как зависимость от удаленного провайдера может стать операционной уязвимостью. Подход компании заключается в сохранении контроля и непрерывности управления на стороне клиента, чтобы инфраструктура поставщика не стала «единой точкой отказа». Вопросы восприятия коммерческих провайдеров как законных военных целей в рамках конфликтов остаются прерогативой политиков, юристов и самих компаний.
Будущее автономных систем
Связь будет улучшаться, в том числе за счет спутников на низкой околоземной орбите, но прямое подключение каждого сенсора к космосу вряд ли станет универсальным решением. Терминалы потребляют много энергии, занимают полосу частот, повышают стоимость и могут создавать заметный электронный след. Более устойчивая модель объединяет локальные ячеистые сети (mesh), оппортунистическую синхронизацию и выборочные шлюзы для связи со спутниками или другими средствами дальней передачи данных. Длительная автономная работа без связи реалистична, но её продолжительность чаще ограничена батареями, погодой и обслуживанием, нежели возможностями ИИ. Необходимо проводить четкое различие между работой без связи и работой без человеческого санкционирования. Первое — это свойство устойчивости, второе — вопрос политики, права и этики. Будущее систем заключается не просто в росте автономии, а в верифицируемом контроле: понимании того, какая модель запущена на каждой платформе, что её создало, каковы её ограничения и кто её утвердил.
Об авторе и редакционная информация
Бенедикт — старший автор по вопросам безопасности в TechRadar Pro. Его специализация охватывает пересечение геополитики, кибервойн и корпоративной безопасности.
В своих материалах Бенедикт проводит глубокий анализ деятельности спонсируемых государством субъектов угроз, APT-группировок и вопросов защиты критически важной национальной инфраструктуры. Его публикации призваны сократить разрыв между технической разведкой угроз и стратегией обеспечения безопасности в сегменте B2B.
Бенедикт получил степень магистра (с отличием) в области безопасности, разведки и дипломатии в Центре исследований безопасности и разведки Букингемского университета (BUCSIS). Эта академическая база обеспечивает ему надежный инструментарий для деконструкции сложных международных конфликтов и разведывательных операций, а также позволяет трансформировать сложные данные о безопасности в практические рекомендации.
Комментарии и подписка
Следите за TechRadar в Google News и добавьте нас в избранные источники, чтобы получать экспертные новости, обзоры и мнения в вашей ленте.
Для того чтобы оставлять комментарии, вы должны подтвердить свое публичное отображаемое имя. Пожалуйста, выйдите из системы и войдите снова, после чего вам будет предложено ввести свое имя.
