你需要知道的最重要的事情
- 霍爾木茲海峽的衝突表明，傳統資料中心很容易成為廉價飛彈的目標，因此需要分散式解決方案來實現人工智慧作戰。
- Palantir 部署裝滿英偉達硬體的貨櫃，作為傳統資料中心的去中心化替代方案，在前線提供直接的運算能力。
- Scaleout 的精簡型 AI 和統一學習架構允許斷開連接的節點繼續進行本地推理和快取數據，直到連接恢復，從而確保業務連續性。
儘管美國尋求將 Plus 人工智慧系統整合到其軍隊的每個分支中，但中東地區的局勢對維持這些系統與網路連接所需的運算和通訊能力提出了嚴重問題。
無人機、感測器、目標定位和人工智慧決策都以某種方式依賴這些系統。即使摧毀一個前線人工智慧資料中心，也可能嚴重削弱軍隊的作戰能力。
但這些問題不僅限於硬體。無人機如何在無法通訊的情況下調整任務參數？人工智慧模型如何在無法獲取關鍵戰場數據的情況下繼續進行推理？為了讓人工智慧適應戰場上的這種狀況，又必須做出哪些妥協？
即使通訊中斷或設備失效，戰場上的人工智慧也必須繼續運作。
儘管霍爾木茲海峽衝突代價極為高昂，但伊朗的所作所為對交戰各方而言仍具有寶貴的借鏡意義。對中東傳統資料中心的依賴已暴露出其脆弱性。這些規模龐大的資料中心極易成為廉價飛彈的攻擊目標，一次打擊即可癱瘓整個系統。
Palantir 已開始部署裝滿英偉達硬體的貨櫃，作為傳統資料中心的替代方案。這些貨櫃可部署在前線，並直接連接到工作流程，在最需要的地方提供分散式運算能力。
Scaleout 是一家建立精簡型人工智慧和統一學習基礎架構的公司，它能夠在不集中儲存資料的情況下，利用分散式敏感資料訓練模型。該公司曾與北約合作，最近又與瑞典空軍合作，並與 BAE Systems 等大型國防公司合作。
Andreas Helander 是 Scaleout 的執行長兼共同創辦人。他擁有科學計算博士學位和生物技術工程碩士學位，是烏普薩拉大學的副教授，在創立 Scaleout 之前，他曾在該校資訊科技系組建了頂尖的研究團隊之一。
我與安德烈亞斯進行了交談，從 Plus 那裡了解如何使戰場上的 AI 系統更具韌性，以及當情況惡化時，無人機、感測器和其他前線技術如何繼續發揮作用。
- 戰場上部分運算能力和人工智慧硬體發生故障時會發生什麼事？有哪些冗餘機制可以確保系統間的通訊正常運作？
我們的目標並非確保不間斷連接，而是防止單一組件的故障導致整個功能失效。在我們的架構中，斷開連線的節點會繼續使用其上次建立的模型進行本地推理，並將發現結果和遙測資料快取起來，直到連線恢復為止。
在邊緣層之上可以使用多個聚合點。如果其中一個聚合點不可用，客戶端可以重置，訓練可以繼續使用剩餘的可用聚合點。這會導致效能逐漸下降，而不是完全失效。我們不提供戰術通訊網路本身；我們的職責是確保人工智慧工作負載不會假定任何無線、衛星或其他連結始終可用。
- 戰場上高度集中的人工智慧網路與更分散的方法之間有哪些權衡取捨？尤其是在資料收集、目標定位、戰場協調和後勤方面？
集中化提供了一致的作戰態勢圖、強大的運算能力，以及清晰的安全執行、模型審核和指揮政策制定平台。它支援戰區層面的協調和後勤保障，但也集中了風險：單一鏈路或設施的故障可能導致不成比例的容量損失，而大型或敏感資料集的傳輸可能緩慢、受限甚至無法進行。
分散式系統使分析工作更靠近感測器，從而縮短回應時間，並允許本地功能在故障期間繼續運作。但其缺點是資訊碎片化。基於不完整或過時的影像進行目標定位風險很高，而且本地後勤決策可能並非對整個部隊而言最優。最佳設計通常是混合模式：在條件允許的情況下採用集中式協調，在條件不允許的情況下則採用明確定義的本地能力。最終的決策權仍然掌握在指揮控制部門和相關的人員決策者手中。
- 人工智慧無人機和感測器如何適應戰場？能夠通訊的人工智慧無人機和失去聯繫的人工智慧無人機的行為有何不同？
將模型運行與重新訓練分開至關重要。小型平台通常在飛行過程中進行推理，而受控的重新訓練和驗證則在地面節點或性能更強的邊緣電腦上進行。機載學習在研究中已有應用，但不受控制的飛行中期重新訓練會造成嚴重的可靠性問題。
互聯平台可以分享發現資訊、接收任務指令，並有助於建立更全面的作戰態勢圖。失去連線後，無人機將遵循預先批准的故障安全程序：根據任務的不同，它可以繼續執行特定任務、返回、等待或降落。機載處理系統可以維持感知和導航功能，但平台會失去外部環境資訊、新指令和編隊協調。故障應是計畫內的、邊界清晰的運作情況，而非臨時應對的緊急情況。
- 如何利用這些無人機和感測器收集的數據來幫助戰場上的人工智慧系統適應新的情況、威脅和戰術？
最有用的數據往往最難遷移，因此我們讓模型去適應數據，而不是專注於數據快照。主動學習軟體能夠辨識出最有可能改進模型的場景，例如不確定的發現、不熟悉的物件或不斷變化的環境。人類仍然需要對選定的材料進行分類；軟體簡化的是搜尋過程，而不是人類判斷的必要性，這凸顯了彌合人工智慧系統中責任鴻溝的重要性。
然後，模型會在本地進行微調，並與預先設定的基準進行比較測試。候選模型也可以在獲得運營商批准之前，以影子模式與現有模型並行運行。在策略和網路連線允許的情況下，各站點會交換受保護的模型更新，而不是原始訓練快照，並將它們合併成一個共享模型。統一學習可以減少資料流量，但更新仍需要進行安全保護、驗證和審查。
- 在部署無人機和人工智慧感測器時，您面臨的主要挑戰是什麼？軍隊可以利用哪些能力來滿足前線附近的運算和電力生產需求？
最具挑戰性的限制通常包括功率、散熱、重量、天氣、振動、電子戰、數據不一致以及在多樣化的艦隊中安全更新軟體。整合和可靠性可能與機器學習一樣困難，而機器學習也是工業人工智慧領域面臨的突出挑戰。
運算能力已實現商業化：例如用於微平台的低功耗單元（如NVIDIA Jetson）、加固型GPU伺服器，以及用於地面站點的容器化邊緣運算單元。然而，電力供應更具挑戰性。每個處理器都要與推進、感測和通訊系統爭奪電力資源，而發電機、電池和配電設備則增加了後勤負擔和新的故障點。在我們與BAE Systems Bofors合作的公開演示中，我們在-18°C的低溫環境下，無需網絡連接，對嵌入式計算設備進行了感知工作負載測試。其原理是盡可能縮小運行空間佔用，並假設電力和頻寬都非常有限。
- 商業公司在為軍事用途提供服務方面的角色日益重疊，例如AWS在中東的資料中心和英國為烏克蘭生產的無人機。為軍方提供服務的公司如何應對被視為合法軍事目標的潛在壓力？
就 Scaleout 而言，而非整個產業，我們設計的平台確保客戶的營運不依賴 Scaleout 的持續可用性。該平台運行在客戶本身的基礎設施內，採用實體隔離，無需回傳許可證，也無需與我們的系統或公有雲保持持續連接。這引發了關於雲端主權等問題的思考，以及為軍方提供服務的公司如何應對可能被視為合法軍事目標的壓力。
在任何有爭議或網路連線不穩定的環境中，這一點都至關重要；依賴遠端服務提供者可能會造成營運漏洞。因此，我們的做法是在客戶現場保持本地控制和業務連續性，而不是將我們自己的基礎設施作為關鍵依賴項。
在衝突背景下如何看待商業供應商這一更廣泛的問題，應由政策制定者、法律專家和相關公司共同探討。我們無意對其他供應商的風險評估或營運模式妄加揣測。
- 這些系統的未來發展方向是什麼？每架無人機和每個感測器是否都擁有自己的通訊系統，能夠透過全球衛星網路傳輸資料？這些系統能否在無需人工幹預的情況下獨立運作數天或數週？
連接性將會得到改善，包括透過低地球軌道衛星，但將每個感測器直接連接到太空不太可能是全面的解決方案。終端會消耗電力和頻譜，增加成本，並且會留下數位足跡。更靈活的方法是結合區域網路 (LAN) 連結、機會同步以及用於衛星或其他遠端通訊的特定網關。
長時間離線運作已成為現實，但續航力通常受限於電池、天氣和維護，而非人工智慧軟體。此外，離線運行與無人監管運行之間存在根本區別。前者關乎彈性，後者則涉及政治、法律和倫理考量。因此，未來不僅在於更高的自主性，更在於可驗證的控制：了解每個平台運作的模型、其產生的內容、其限制以及審核者。彌合問責差距對於確保這種控制至關重要。
評論被關閉。