Exclusivo: O futuro da IA ​​de combate exige operação offline

---

Embora os Estados Unidos busquem integrar os sistemas de inteligência artificial Plus em todos os ramos de suas forças armadas, a situação no terreno no Oriente Médio levanta sérios problemas em relação à manutenção da capacidade computacional e de comunicação necessária para manter esses sistemas conectados à internet.

Drones, sensores, sistemas de mira e tomada de decisões baseada em inteligência artificial dependem desses sistemas de uma forma ou de outra. Destruir até mesmo um único centro de dados de IA na linha de frente poderia prejudicar seriamente as capacidades operacionais das forças armadas.

Mas esses problemas vão além do hardware. Como um drone pode adaptar os parâmetros de sua missão sem conseguir se comunicar? Como os modelos de IA podem continuar raciocinando sem acesso a dados vitais do campo de batalha? E quais concessões devem ser feitas para preparar a IA para tais condições no campo de batalha?

A inteligência artificial no campo de batalha deve continuar a funcionar, mesmo quando as comunicações são interrompidas ou o equipamento é desativado.

Embora um conflito no Estreito de Ormuz seja um empreendimento extremamente custoso, o Irã oferece lições valiosas para os combatentes. A dependência de data centers tradicionais no Oriente Médio já revelou suas vulnerabilidades. Esses extensos depósitos são alvos fáceis para mísseis de baixo custo, e sistemas inteiros podem ser tornados inoperáveis ​​com um único ataque.

A Palantir já começou a implantar contêineres marítimos repletos de hardware da Nvidia como alternativa aos data centers tradicionais. Esses contêineres podem ser instalados na linha de frente e conectados diretamente ao fluxo de trabalho, fornecendo poder computacional descentralizado onde ele é mais necessário.

A Scaleout é uma empresa que constrói uma infraestrutura básica de IA e aprendizado unificado, capaz de treinar modelos em dados distribuídos e sensíveis sem centralizá-los. A empresa já trabalhou com a OTAN – e mais recentemente com a Força Aérea Sueca – e com grandes empresas de defesa, como a BAE Systems.

Andreas Helander é o CEO e cofundador da Scaleout. Ele possui doutorado em Computação Científica e mestrado em Engenharia de Biotecnologia, além de ser professor associado na Universidade de Uppsala, onde construiu um dos principais grupos de pesquisa do departamento de TI antes de fundar a Scaleout.

Conversei com Andreas para saber, por meio da Plus, como tornar os sistemas de IA no campo de batalha mais resilientes e como drones, sensores e outras tecnologias de linha de frente podem continuar funcionando quando as condições piorarem.

• O que acontece quando partes do poder computacional e do hardware de IA falham no campo de batalha? E quais mecanismos de redundância existem para manter a comunicação entre os sistemas funcionando?

O objetivo não é prometer conectividade ininterrupta; em vez disso, é evitar que a perda de um único componente desabilite toda a funcionalidade. Em nossa arquitetura, o nó desconectado continua a inferência local usando seu último modelo estabelecido e armazena em cache as descobertas e os dados de telemetria até que a conectividade seja restaurada.

Vários pontos de agregação podem ser usados ​​acima da camada de borda. Se um deles ficar indisponível, os clientes podem ser reiniciados e o treinamento pode continuar com os pontos acessíveis restantes. Isso resulta em uma queda gradual no desempenho, em vez de uma falha completa. Não fornecemos a própria rede de comunicações táticas; nosso papel é garantir que a carga de trabalho de IA não pressuponha que qualquer link sem fio, via satélite ou outro esteja sempre disponível.

• Quais são as vantagens e desvantagens de uma rede de IA altamente centralizada no campo de batalha e uma abordagem mais distribuída, especialmente no que diz respeito à coleta de dados, direcionamento, coordenação no campo de batalha e logística?

A centralização proporciona uma visão operacional consistente, poder computacional substancial e um local claro para aplicação de segurança, aprovação de modelos e políticas de comando. Ela apoia a coordenação e a logística no nível do teatro de operações, mas também concentra o risco: a perda de um único elo ou instalação pode eliminar uma parcela desproporcional da capacidade, enquanto a transferência de conjuntos de dados grandes ou sensíveis pode ser lenta, restrita ou impossível.

Um sistema distribuído mantém a análise próxima ao sensor, reduzindo o tempo de resposta e permitindo que as funções locais continuem durante interrupções. A desvantagem é a fragmentação. Direcionar alvos com base em uma imagem parcial ou desatualizada é arriscado, e as decisões logísticas locais podem não ser as ideais para a força como um todo. O melhor projeto geralmente é híbrido: coordenação centralizada onde disponível, com capacidades locais claramente definidas quando não disponíveis. A autoridade permanece com o comando e controle e o processo de tomada de decisão humana relevante .

• Como os drones e sensores com IA se adaptam ao campo de batalha, e quais são as diferenças no comportamento dos drones com IA que ainda conseguem se comunicar e daqueles que perderam contato?

É importante separar a operação do modelo do seu re-treinamento. Plataformas menores normalmente realizam inferência durante o voo, enquanto o re-treinamento e a validação controlados ocorrem em um nó terrestre ou em um computador de borda mais potente. O aprendizado a bordo existe em pesquisas, mas o re-treinamento descontrolado em meio à missão cria sérios problemas de garantia de qualidade.

A plataforma conectada pode compartilhar descobertas, receber missões e contribuir para uma visão operacional mais ampla. Após a perda de conectividade, o drone segue um procedimento de segurança pré-aprovado: dependendo da missão, ele pode continuar com uma tarefa específica, retornar, aguardar ou pousar. O processamento a bordo pode manter a percepção e a navegação funcionando, mas a plataforma perde o contexto externo, novas instruções e a coordenação da frota. Uma falha deve ser uma situação operacional planejada com limites claramente definidos, e não uma situação de emergência improvisada.

• Como os dados coletados por esses drones e sensores são usados ​​para ajudar os sistemas de IA no campo de batalha a se adaptarem a novas condições, ameaças e táticas?

Os dados mais úteis são frequentemente os mais difíceis de transferir, por isso enviamos o modelo para os dados em vez de nos concentrarmos em instantâneos. O software de aprendizado ativo identifica os cenários mais prováveis ​​para aprimoramento do modelo, como descobertas incertas, objetos desconhecidos ou condições variáveis. Os humanos ainda classificam o material selecionado; o software reduz o processo de busca, não a necessidade de julgamento humano, destacando a importância de reduzir a lacuna de responsabilidade nos sistemas de IA.

O modelo é então ajustado localmente e testado em relação a um benchmark definido. Um modelo candidato também pode ser executado em paralelo com o modelo existente em modo paralelo antes de ser aprovado pelo operador. Onde as políticas e a conectividade permitirem, os sites trocam atualizações de modelos protegidos em vez de snapshots brutos de treinamento, combinando-os em um modelo compartilhado. O aprendizado unificado reduz o tráfego de dados, mas as atualizações ainda precisam ser protegidas, verificadas e revisadas.

• Quais são os principais desafios que você enfrenta ao implantar drones e sensores com inteligência artificial? E quais recursos estão disponíveis para as forças armadas para atender às necessidades de computação e produção de energia perto da linha de frente?

As restrições mais desafiadoras geralmente são energia, calor, peso, condições climáticas, vibração, guerra eletrônica, dados inconsistentes e atualizações de software seguras em uma frota diversificada. A integração e a confiabilidade podem ser tão difíceis quanto o aprendizado de máquina, um desafio também proeminente no campo da inteligência artificial industrial.

Capacidades computacionais estão disponíveis comercialmente: unidades de baixo consumo como o NVIDIA Jetson para microplataformas, servidores robustos com GPUs ou unidades de computação de borda em contêineres para locais terrestres. A energia, no entanto, é um desafio maior. Cada processador compete com os sistemas de propulsão, sensoriamento e comunicação, enquanto geradores, baterias e equipamentos de distribuição adicionam encargos logísticos e novos pontos de falha. Em nossa demonstração pública com a BAE Systems Bofors, executamos uma carga de trabalho de percepção em computação embarcada a -18°C sem conexão. O princípio é usar a menor pegada operacional possível e assumir que tanto a energia quanto a largura de banda são recursos escassos.

• O papel das empresas comerciais na prestação de serviços para uso militar está se sobrepondo cada vez mais, como os data centers da AWS no Oriente Médio e a produção de drones no Reino Unido para a Ucrânia. Como as empresas que prestam serviços às forças armadas estão lidando com a potencial pressão de serem consideradas alvos militares legítimos?

Falando especificamente da Scaleout, e não de toda a indústria, projetamos nossa plataforma para que as operações do cliente não dependam da disponibilidade contínua da Scaleout. A plataforma opera dentro da própria infraestrutura do cliente, é isolada da internet (air-gapped) e não requer uma licença de acesso à nuvem pública nem uma conexão constante com nossos sistemas ou com uma nuvem pública. Isso levanta questões sobre temas como soberania da nuvem e como as empresas que fornecem serviços para as forças armadas podem lidar com a potencial pressão de serem consideradas alvos militares legítimos.

Isso é crucial em qualquer ambiente contestado ou desconectado; a dependência de um provedor de serviços remoto pode se tornar uma vulnerabilidade operacional. Portanto, nossa abordagem tem sido manter o controle local e a continuidade no site do cliente, em vez de tornar nossa própria infraestrutura uma dependência crítica.

A questão mais ampla de como encarar os fornecedores comerciais no contexto de conflitos é uma questão para os legisladores, especialistas jurídicos e as empresas envolvidas. Não desejamos especular sobre as avaliações de risco ou os modelos operacionais de outros fornecedores.

• Qual será a trajetória futura desses sistemas? Cada drone e sensor individual terá seu próprio sistema de comunicação capaz de transmitir dados por meio de uma rede global de satélites? E esses sistemas serão capazes de operar de forma independente por vários dias ou semanas sem intervenção humana?

A conectividade irá melhorar, inclusive por meio de satélites em órbita baixa da Terra, mas conectar diretamente cada sensor ao espaço provavelmente não será uma solução abrangente. Os terminais consomem energia e espectro, aumentam os custos e podem criar uma pegada digital. Uma abordagem mais flexível combina links de rede local (LAN), sincronização oportunista e gateways selecionados para comunicação via satélite ou outras comunicações de longo alcance.

Operar offline por períodos mais longos é uma realidade, mas a autonomia é frequentemente limitada por baterias, condições climáticas e manutenção, não por software de IA . Há também uma diferença fundamental entre operar offline e operar sem supervisão humana. O primeiro é uma questão de flexibilidade; o segundo é uma decisão política, legal e ética. Portanto, o futuro não se resume a uma maior autonomia, mas sim a um controle verificável: saber qual modelo foi executado em cada plataforma, o que ele produziu, quais são suas limitações e quem o aprovou. Reduzir a lacuna de responsabilidade é crucial para garantir esse controle.

---

---