北约支持初创公司推进机载 AI：无人机可在断网环境中自主识别与筛选目标

据 IT之家 9 月 20 日援引 Arstechnica 报道，随着欧洲军队加速适应人工智能与无人机在现代战争中的应用，一家获得北约支持的瑞典初创企业 Scaleout Systems 正在推进一套可部署在小型无人机上的 AI 目标探测与筛选系统。该系统的核心特点是不依赖持续联网和远端数据中心，可直接在无人机、飞手平板或野外指挥所的边缘计算设备上运行，用于侦察、监视以及打击任务中的目标识别辅助。

来源显示，Scaleout Systems 由瑞典乌普萨拉大学研究人员于 2018 年创立，早期主要面向商用卡车等车辆硬件，研究如何在本地完成机器学习模型训练与部署。2022 年俄乌战争爆发后，公司将业务重心转向防务场景。其联合创始人兼首席执行官 Andreas Hellander 表示，全球安全局势变化让公司意识到边缘端数据和传感器数据参与机器学习的重要性，这类能力可帮助北约盟国建立战略优势。

轻量化模型上机：从“云端 AI”转向“边缘 AI”

与 OpenAI、Anthropic 等前沿大模型不同，Scaleout 采用的是更适合本地部署的轻量化机器学习模型。这些模型主要承担计算机视觉任务，例如从无人机摄像头和传感器采集的数据中识别潜在目标、筛选威胁并提供地理坐标。对战场应用而言，模型是否足够大并非唯一指标，能否在功耗、算力和通信受限的设备上稳定运行，反而更加关键。

据报道，Scaleout 在 2025 年入选北约北大西洋防务创新加速器 DIANA 挑战项目，并开展“联邦空中侦察情报”项目。该项目面向无人机、无人机飞手平板以及野外指挥所边缘硬件，对机器学习模型进行适配。其工作方式类似防务场景下的联邦学习：前线设备可利用本地数据改进模型，必要时向排、连一级本地指挥所的计算节点推送模型更新，而不是上传敏感原始数据。

• 无人机端：在机载计算单元上实时处理视频与传感器数据，完成目标探测和识别。
• 飞手终端：为操作人员提供识别辅助和态势信息，但不要求持续连接中心服务器。
• 野外指挥所：汇总多方模型更新，对新战场数据进行再训练，并在合适时机下发新模型。

为什么“断网可用”成为关键能力

现代战场中，电子战、通信干扰和基础设施打击会显著削弱中心化 AI 系统的可用性。来源提到，已有大型数据中心在冲突中遭到打击摧毁，这使得依赖远端服务器运行 AI 模型的方案面临更高风险。相比之下，将 AI 能力下沉到无人机和前沿节点，可以让系统在通信受限甚至断联情况下继续运行。

Hellander 还提到，模型训练环境与实际部署环境差异会影响识别效果。例如在沙漠环境下训练的模型，直接迁移到城市环境中可能表现不佳。因此，如果能在单次作战甚至一天内基于边缘端持续产生的传感器数据迭代多个模型版本，就可能形成更可持续的作战优势。这一思路与民用 AI 领域正在兴起的边缘智能、端侧模型更新有相通之处，只是防务场景对安全性、可靠性和实时性要求更高。

演示与项目进展：AI 参与自主筛选目标

Scaleout 表示，其已基于无人机构建侦察监视系统的可行概念原型，并在瑞典公开演示活动中亮相。公司还参与了由 BAE Systems Bofors 牵头的 ALMA 项目，即“经济型模块化巡飞弹药”，目标是研发低成本自主自杀式无人机。来源显示，ALMA 概念机型在瑞典举办的冬季演示活动上公开展示。

根据 Scaleout 关于 ALMA 性能的演示材料，无人机可借助机载 AI 自主探测、识别已发现的潜在威胁，并给出目标地理坐标；相关数据由机载专用计算单元处理，整套流程无需外部计算即可实时完成。在演示场景中，无人机会依据任务设定筛选优先级最高的目标，并飞向目标投放爆炸物。操作人员仍可进行管控和指挥，但无人机也具备脱离实时指令完成流程的能力。

影响解读：端侧 AI 正从效率工具走向高风险场景

从技术趋势看，Scaleout 的案例说明端侧 AI 的价值正在从消费电子、工业设备扩展到高风险防务应用。它并不追求通用大模型式的全能能力，而是围绕特定任务、特定硬件和特定环境优化模型，让 AI 在网络不稳定、算力有限、响应时间紧迫的条件下发挥作用。

对中文科技读者而言，这一进展值得关注的并不只是无人机本身，而是背后的产业逻辑：AI 基础设施正在从集中式云端向“云、边、端”协同演进。未来无论是机器人、自动驾驶、工业巡检还是灾害救援，类似的本地识别、局部学习、间歇同步机制都可能成为重要方向。不过，在武器系统中引入更高程度自主性，也会带来责任界定、人类控制和安全治理等复杂问题。技术可以提升系统在极端环境下的可用性，但如何确保人类始终对关键决策保持有效控制，仍将是各国监管和产业界绕不开的议题。