ИИ-система определения местоположения объектов - «всевидящее око» будущего поле боя
Современные государства вступают в фазу подготовки к трансформации военных практик, где ключевым направлением становится интеграция искусственного интеллекта (ИИ) в системы целеуказания. Показательным примером служит активизация британского проекта ASGARD, который был профинансирован Министерством обороны в размере свыше 1 млрд фунтов стерлингов. Анализ показывает, что ряд западных стран уже реализует аналогичные разработки, что обеспечивает им преимущество в оперативном сборе и обработке разведывательной информации. Концептуальная основа таких проектов опирается на развитие трех направлений, включая мультимодальное слияние данных, периферийные вычисления и повышение автономности систем, позволяющих осуществлять обнаружение и поражение объектов в течение нескольких минут. Однако технологическое превосходство сопровождается существенными ограничениями, связанными с непрозрачностью алгоритмов («эффект чёрного ящика») и их уязвимостью к манипуляции исходными данными, что создает риск дезинформации и ошибочной идентификации объектов. В то же время развитая сеть беспилотных летательных аппаратов и прогресс в области машинного и глубокого обучения в Китае позволяют предположить, что при должном укреплении киберзащиты и изучении новых технологий страна способна укрепить свои позиции в потенциальных конфликтах.
Авторы затрагивают тему активизации разработки системы локализации объектов с встроенным искусственным интеллектом армией Великобритании под названием ASGARD. Главная задача этого устройства – за несколько минут определить местоположение и захватить цель с использованием передовых коммуникационных сетей и новых алгоритмов, что значительно повышает эффективность нанесения ударов на больших расстояниях. Как сообщается, данный проект получил поддержку со стороны Министерства обороны Великобритании в размере свыше 1 млрд фунтов стерлингов (приблизительно 1,3 млрд долл. США). Китайские эксперты подчеркивают, что подобные системы на основе ИИ, обладающие высокой точностью, становятся одним из важнейших направлений НИОКР в военно-технической сфере многих стран.
Эксперты описывают, что основная функция такого механизма – это автоматическое распознавание конкретных объектов, вычисление их координат и классификация атрибутов. Ключевой процесс лежит в основе сбора данных через сенсоры (камеры, радары) об окружающей обстановке с последующим анализом и обработкой этих данных для идентификации целей по заранее заданным категориям. В период Холодной войны, когда проводились первые исследования технологий обнаружения объектов, созданные модели опирались на жестко заданные правила, были довольно ограниченными в обработке информации, зависели от условий окружающей среды и не справлялись с замаскированными целями. Развитие машинного обучения на рубеже XX – XXI вв. стало переломным моментом в контексте модернизации ИИ-систем, повысив скорость распознавания сооружений и эффективность выдачи разведывательной информации. Следующий значительный прорыв – появление моделей глубокого обучения, благодаря чему появились технологии сверточной нейронной сети (convolutional neural networks). Разработчики создали алгоритм с многоуровневым извлечением признаков изображения, достигая распознавание труднодоступных целей и сосредотачиваясь на внедрении интеллектуального принятия решений.
Авторы выделяют три основные направления в исследованиях современных ИИ-систем локализации данных: мультимодальное слияние данных, периферийные вычисления и повышение автономности программы. Основная задача – уход от анализа единственного источника, система должна комплексно обрабатывать многочисленные показатели для составления полной картины. Авторы приводят в пример разработку НАТО, которая осуществляла параллельный сбор видеоданных с беспилотников, перехваченных радиосигналов и информации из социальных сетей для определения точного местоположения стратегически важных целей. Ещё один важный аспект заключается в исключении необходимости полагаться на руководство оператора. В исследовательской лаборатории ВВС США (AFRL) реализуется проект «Золотая Орда» (Golden Horde), который путем использования сетецентрических технологий позволяет беспилотникам взаимодействовать автономно, повышая их оперативную гибкость. Корреспонденты заключают, что обладание подобной ИИ-системой дает стране особое преимущество в кибервойне, ссылаясь на британскую разработку ASGARD – конкретное воплощение данной тенденции.
Эксперты отмечают, что существует несколько узких мест из-за сложной архитектуры алгоритмов глубоко обучения, поскольку процесс анализа недостаточно прозрачен и объясним, такая ситуация порождает эффект «черного ящика». Оператор не получает доступ к внутреннему механизму определения цели в качестве важного военного объекта, а не гражданского сооружения. Также ИИ-система распознавания остается в критической зависимости от данных, поэтому её эффективность останется низкой, если полученная информация с поля боя отсутствовала при обучении модели. Более того, противник может специально вводить систему в заблуждение путем воздействия на её сенсоры для последующей генерации ложных целей и ошибочной оценки обстановки оператором. Поэтому при надлежащем развитии соответствующих технологий и построении систем защиты кибербезопасности можно гарантировать, что ИИ-система локализации объектов в условиях большого объема данных и противодействующих угроз сохранит способность к высокоточному распознаванию, что сравнивается авторами с «всевидящим оком» театра военных действий будущего времени.Подробнее по ссылке.