تصور کنید یک مهندس هوش مصنوعی در لندن است که باید مدلی بسازد تا تانکهای دشمن را در میان مه و جنگل تشخیص دهد، اما هیچ تصویری از میدان نبرد واقعی در اختیار ندارد. اوکراین اکنون این شکاف را با باز کردن دسترسی به ۵ میلیون تصویر برچسبگذاریشده از جنگ واقعی پر کرده است. این مشارکت به شرکتهای تأییدشده اجازه میدهد تا مدلهای بینایی ماشین را به جای شبیهسازهای مصنوعی که اغلب در شرایط واقعی نبرد شکست میخورند، با دادههای واقعی میدان نبرد آموزش دهند.
طبق گزارش فایننشال تایمز، اوکراین به شرکتهای منتخب بریتانیایی اجازه داده تا مدلهای بینایی ماشین (Computer Vision) — شبیه به چشمهای دیجیتالی که میتوانند اشیا را در عکس تشخیص دهند — را با دادههای واقعی میدان نبرد آموزش دهند. این تغییر استراتژیک به این دلیل رخ داده که شبیهسازهای مصنوعی معمولاً در شرایط پیچیده و پیشبینیناپذیر جنگ شکست میخورند.
میشا نستور از شرکت Swarmer تأکید میکند که کمبود دادههای باکیفیت و برچسبگذاریشده، بزرگترین گلوگاه در مسیر ساخت سامانههای خودکار قابلاعتماد است. او در گفتگو با فایننشال تایمز اشاره کرد که این دادهها یکی از شدیدترین محدودیتها در توسعه هوش مصنوعی قابلاطمینان هستند. همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، کیفیت دادههای ورودی تعیینکننده استواری مدل در برابر خطاست. اوکراین که پیشتر این دادهها را برای حفظ برتری تاکتیکی مخفی نگه داشته بود، حالا برای تسریع در توسعه سامانههای متفقین، آنها را به اشتراک میگذارد. این تغییر رویکرد در حالی رخ میدهد که جنگ اکنون به یک آزمایشگاه پرمخاطره برای جنگهای مبتنی بر هوش مصنوعی تبدیل شده است.
مرکز این همکاری، مجموعه دادههای نظامی جامع (Universal Military Dataset) است؛ مجموعهای از میلیونها مشاهده ثبتشده توسط هزاران دوربین و حسگر در خط مقدم. این مجموعه که بهصورت دستی برچسبگذاری شده است، شامل تصاویر واقعی نبرد از پهپادها و حسگرهای صوتی است و برای آموزش مدلهایی به کار میرود که تانکها، پهپادها یا توپخانه را طبقهبندی میکنند. این رویکرد آموزش مدلها با تکیه بر حجم عظیم دادههای واقعی، یادآور پیشرفتهای اخیر در حوزه رباتیک است که در آن استفاده از میلیونها ساعت ویدیوهای انسانی برای بازنویسی قوانین مقیاسپذیری منجر به جهشی در یادگیری ماشین شده است.
بخش بزرگی از این اطلاعات از سامانه دیجیتال DELTA میآید که دادههای چند-حسگری از پهپادها، ماهوارهها و سایر حسگرها را در لحظه یکپارچه کرده و تصویری جامع از میدان نبرد ارائه میدهد. برای حفظ حاکمیت ملی و امنیت دادهها، شرکتها باید مدلهای خود را در یک اتاق داده امن (Secured Dataroom) که با زیرساخت Palantir ساخته شده است آموزش دهند و مالکیت نهایی هوش مصنوعی متعلق به اوکراین باقی میماند.
بر اساس مستندات وزارت دفاع اوکراین، این تلاشها از سال ۲۰۲۲ آغاز شد. در آن زمان، سربازان پهپاد گزارش دادند که ارتش در حال آموزش شبکههای عصبی بر روی فیلمهای موجود از پهپادها است. هدف اصلی، شناسایی خودکار سربازان و خودروهای روسی برای تسریع در چرخه OODA (مشاهده، جهتدهی، تصمیم و اقدام) بود.
این تلاشها بهسرعت گسترش یافت. طبق اعلام وزارت دفاع اوکراین، سامانهای که با این دادهها آموزش دیده، اکنون ماهانه بیش از ۱۰۰ هزار جریان ویدئویی پهپاد را پردازش میکند. این «خندق دادهای» باعث شد سازندگان پهپاد اوکراینی بر رقبای خارجی برتری یابند، زیرا مدلهای شناسایی تصویر رقبای خارجی به دلیل نبود دادههای آموزشی واقعی، در میدان نبرد عملکرد ضعیفتری داشتند. در این راستا، بحث بر سر برتری ویدیوهای واقعی در برابر آموزشهای دستی در یادگیری فیزیک رباتها، دقیقاً مشابه همان چالشی است که اوکراین در آموزش بینایی ماشین پهپادهایش با آن مواجه بود.
در حال حاضر، سامانههای فعال اوکراین که با این دادهها آموزش دیدهاند، بسیار کارآمد هستند. یکی از سامانههای شناسایی فعال، ۷۰٪ تجهیزات دشمن را در جریانهای ویدئویی شناسایی میکند و برای هر شیء تنها به ۲.۲ ثانیه زمان نیاز دارد. سه استارتاپ بریتانیایی در حال اجرای پروژههای پیشرو هستند و ارتش بریتانیا بهویژه به دادههای حسگرهای صوتی برای شناسایی پهپادهای روسی علاقه نشان داده است، زیرا این روش میتواند از رادار دقیقتر باشد:
- Sintela (بریستول): در حال توسعه حسگرهای مبتنی بر هوش مصنوعی است که کابلهای فیبر نوری زیرزمینی را به حسگر تبدیل میکنند تا از پایگاههای نظامی، فرودگاهها و زیرساختهای ریلی حفاظت کنند.
- Mind Foundry (آکسفورد): بر روی ارتقای سامانههای خودکار تمرکز دارد.
- Skyral (لندن): روی طراحی تراشههای هوش مصنوعی کممصرف برای پهپادها کار میکند.
این همکاری در ادامه اعلامیه «برنهام» صورت میگیرد که طبق آن پیمانکار دفاعی MBDA میتواند اطلاعات طبقهبندیشده درباره قطعات بریتانیایی موشک کروز SCALP را برای خطوط مونتاژ در اوکراین منتشر کند.
مسیر رسیدن به خودکاری کامل در سه مرحله متمایز پیش میرود. دو مرحله نخست — یعنی ناوبری مستقل از GPS و ردیابی هدف در «مایل آخر» — اکنون عملیاتی شدهاند. در ردیابی مایل آخر، انسان هدف را انتخاب میکند و هوش مصنوعی آن را دنبال میکند. برای مثال، در سال ۲۰۲۴ یک پهپاد FPV اوکراینی پس از قطع ارتباط رادیویی، توانست بهطور خودکار تانکی را هدف قرار دهد و آن را منهدم کند.
در جولای ۲۰۲۶، شرکتهای Auterion و SkyFall ارسال ۵۰ هزار پهپاد SkyFall Shrike مجهز به تراشه Skynode S را آغاز کردند. این فناوری با ترکیب بینایی ماشین و ردیابی هدف، دقت را حتی در زمان جمینگ (اختلال رادیویی) حفظ میکند. در حال حاضر، پهپادهای رهگیر اوکراین با ۹۵٪ خودکاری عمل میکنند و نرمافزار Swarmer هماهنگی دستههای پهپاد (Swarms) را در بیش از ۱۰۰ مأموریت واقعی مدیریت کرده است.
اما مرحله سوم — یعنی انتخاب خودکار هدف، جایی که ماشین تصمیم میگیرد به کدام شیء حمله کند — وارد فاز خطرناکی شده است. در جولای، یک پهپاد روسی مدل Molniya سه غیرنظامی را در زاپوریژیا کشت، از جمله تتیانا بوبینتس، دانشجوی ۱۹ ساله.
بازرسان در لاشه پهپاد یک مینیکامپیوتر Nvidia Jetson Orin پیدا کردند. در حالی که اپراتورها پهپاد را برای ضربه به یک پمپ بنزین برنامهریزی کرده بودند، احتمالاً خودِ نرمافزار هدف خاصی مانند مخازن پروپان را انتخاب کرده است. کاترینا بوندار از CSIS این مورد را نخستین مورد مستند از مرگ غیرنظامیان توسط یک سامانه هوش مصنوعی خودانتخابگر روسی میداند. بازرسان اوکراینی به ترکیب قطع ارتباط رادیویی و کدهای یافت شده روی تراشه به عنوان مدرک خودکاری اشاره میکنند.
اوکراین نیز صرفاً قربانی این روند نیست. میخایلو فدوروو، وزیر دفاع سابق، به نیویورک تایمز گفت که اوکراین چندین ماه یک سامانه کاملاً خودکار را در کریمه اشغالی برای هدف قرار دادن انبارهای سوخت و تجهیزات نظامی آزمایش کرده است. اگرچه در این تستها تلفات غیرنظامی گزارش نشد، اما این اقدامات با ارزیابیهای آوریل ۲۰۲۶ که میگفت خودکاری کامل هنوز در میدان نبرد وجود ندارد، در تضاد است. اوکراین از سال ۲۰۲۳ پهپادهایی مثل Saker Scout را به کار گرفته که برای شناسایی و ضربه به اشیاء نظامی در حالت خودکار طراحی شدهاند.
این همکاری نشان میدهد که «خندق دادهای» تجربه جنگی اکنون با سرعت نوآوری تکنولوژیک معاوضه شده است. برای صنعت هوش مصنوعی، این ثابت میکند که تنها راه رسیدن از دقت ۷۰٪ به خودکاری قابلاعتماد، مواجهه با «نویز» و موارد استثنایی (Edge Cases) میدان نبرد است. برای تامین چنین توان پردازشی در مقیاس وسیع، زیرساختهای عظیمی مورد نیاز است، مشابه آنچه در راهاندازی کارخانه هوش مصنوعی Firebird با ۷۰ هزار پردازنده در ارمنستان برای تقویت توان محاسباتی منطقه مشاهده شد.
در آینده باید منتظر ادغام این تراشههای کممصرف بریتانیایی در نسل بعدی پهپادهای رهگیر اوکراین باشیم، زیرا پس از دادهها، بهرهوری سختافزاری به گلوگاه بعدی تبدیل خواهد شد.
گام بعدی شما
- بررسی معماری تراشههای کممصرف (Edge AI) که گلوگاه بعدی پس از دادهها هستند.
- تحلیل گزارشهای حقوق بشری درباره استانداردهای اخلاقی در «انتخاب خودکار هدف» توسط ماشین.
- دنبال کردن ادغام تراشههای بریتانیایی در نسل بعدی پهپادهای رهگیر اوکراین.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای تخصصی رایانش لبه مراجعه کنید.
گفتگو