Штучний інтелект дедалі частіше згадується в контексті сучасних війн. У медіа регулярно з’являються повідомлення про системи, які здатні автоматично формувати списки цілей, аналізувати величезні масиви розвідувальних даних і майже миттєво готувати удари по противнику. На цьому тлі поширюються тексти, що описують сценарії, у яких алгоритми за добу визначають сотні або навіть тисячі цілей для військових операцій.
Наприклад, у 2023-2024 роках у медіа активно обговорювали ізраїльську систему Lavender, яка, за повідомленнями журналістів, використовувалася для автоматизованого аналізу великих масивів розвідувальних даних і формування списків підозрюваних бойовиків. За даними розслідувань, алгоритми могли аналізувати дані телефонних контактів, геолокацію та іншу цифрову інформацію, щоб визначати потенційні цілі. Інший приклад – американський проєкт Project Maven, який Пентагон розробляє для автоматичного аналізу відео з безпілотників. Система використовує алгоритми комп’ютерного зору, щоб виявляти на зображеннях техніку, людей або інші об’єкти, які можуть становити інтерес для розвідки. У деяких публікаціях також описуються сценарії, у яких аналітичні платформи на кшталт Palantir здатні об’єднувати дані з різних джерел – супутників, безпілотників, радіоперехоплень і відкритих джерел – і формувати інтегровану картину бойової обстановки, що допомагає швидше визначати потенційні цілі.
Подібні приклади часто створюють враження, що алгоритми вже здатні самостійно визначати цілі для ударів і фактично керувати військовими операціями. Однак такі твердження потребують обережного аналізу. Штучний інтелект справді активно впроваджується у військову сферу, проте його реальні функції та можливості часто суттєво відрізняються від того, як це описується в сенсаційних публікаціях.
Щоб зрозуміти, де проходить межа між реальними технологіями та перебільшеннями, важливо розібратися, як саме штучний інтелект використовується в сучасних арміях і як подібні системи працюють технічно.
Як штучний інтелект аналізує розвідувальні дані
Одним із найвідоміших прикладів таких систем є американський проєкт Project Maven. Його було запущено Пентагоном у 2017 році як програму впровадження машинного навчання у розвідувальний аналіз. Спочатку систему розробляли для обробки відео з розвідувальних дронів.
Технічно подібні системи працюють на основі технологій комп’ютерного зору. Алгоритми навчаються на величезних наборах зображень, де заздалегідь розмічені різні об’єкти – люди, автомобілі, танки, артилерія, літаки, будівлі. На етапі навчання нейромережа аналізує тисячі або мільйони прикладів і вчиться розпізнавати характерні ознаки кожного типу об’єкта: форму, текстуру, теплову сигнатуру, розміри та інші параметри. Коли система отримує нове зображення, наприклад кадр з безпілотника, вона розбиває його на безліч невеликих фрагментів і аналізує кожен із них. Потім алгоритм визначає ймовірність того, що на зображенні присутній той чи інший об’єкт. Якщо ймовірність перевищує певний поріг, система позначає цю ділянку кадру як потенційну ціль.
Таким чином, замість того щоб переглядати тисячі годин відеозаписів вручну, аналітик отримує вже оброблений матеріал, де алгоритм відзначив усі підозрілі об’єкти та позначив потенційні цілі для ураження.
Поєднання даних: як працює сучасна військова аналітика
Однак розпізнавання об’єктів – лише частина більш складної системи. Сучасні військові платформи також займаються злиттям даних з різних джерел, що у військовій термінології називається data fusion.
Технічно це виглядає наступним чином. У систему надходять дані з різних каналів: супутникові знімки, координати радіоперехоплень, інформація від безпілотників, повідомлення розвідки, дані про переміщення мобільних телефонів та багато іншого. Усі ці дані мають різні формати і надходять у різний час. Спеціальне програмне забезпечення спочатку приводить їх до єдиного формату і розміщує в спільній базі даних. Потім алгоритми починають шукати взаємозв’язки між ними. Наприклад, якщо супутниковий знімок показує колону техніки на певній дорозі, а радіоперехоплення фіксує переговори військових у цьому районі, система може пов’язати ці події між собою і позначити їх як потенційно важливу активність.
Платформи аналізу даних, подібні до тих, які створює компанія Palantir, використовують саме такий принцип. Їхнє завдання – не ухвалювати рішення про нанесення ударів, а створювати єдину цифрову картину бойової обстановки. На практиці це виглядає як інтерактивна карта, де командир може бачити розташування військ, переміщення техніки, потенційні склади боєприпасів, лінії постачання та інші елементи інфраструктури противника. Усі ці об’єкти відображаються на карті у вигляді шарів інформації, які можна вмикати або вимикати.
Штучний інтелект у таких системах допомагає виявляти закономірності. Наприклад, якщо алгоритм помічає, що на певній дорозі регулярно з’являються колони вантажівок, він може припустити наявність логістичного маршруту. Якщо поруч із цим маршрутом виявляються склади або залізничні станції, система може позначити цю територію як важливий елемент постачання.
Ще одна сфера застосування ШІ – аналіз супутникових зображень. Комерційні супутники сьогодні щодня роблять знімки величезних територій. Ці зображення мають настільки високу роздільну здатність, що на них можна розрізняти окремі транспортні засоби. Однак кількість таких знімків настільки велика, що аналізувати їх вручну практично неможливо. Тому використовуються алгоритми автоматичного пошуку змін.
Технічно система порівнює два зображення однієї й тієї ж території, зроблені у різні дні. Потім вона обчислює різницю між ними і виділяє ділянки, де відбулися зміни. Якщо, наприклад, на місці порожнього майданчика з’явився новий об’єкт, система позначає його і відправляє на додатковий аналіз. Подібні технології активно застосовуються і для оцінки результатів ударів. Після нанесення удару супутник або безпілотник робить нові знімки району. Алгоритм порівнює зображення до і після удару та визначає ступінь руйнувань. Якщо об’єкт залишається цілим, система може автоматично запропонувати повторну атаку.
Чи приймає штучний інтелект рішення про удари
На тлі цих технологій іноді виникає враження, що штучний інтелект уже самостійно формує списки цілей для ударів. Насправді ситуація складніша. Алгоритми справді можуть виділяти потенційні об’єкти – склади, позиції артилерії, колони техніки або командні пункти. Однак ці об’єкти лише потрапляють до списку кандидатів на аналіз, після чого проходять додаткову перевірку людьми.
Навіть найсучасніші системи машинного навчання залишаються схильними до помилок. Наприклад, вантажний автомобіль може бути помилково класифікований як ракетна установка, а промисловий склад – як військовий об’єкт. Саме тому більшість військових систем побудовані за принципом human in the loop – людина залишається у ланцюгу ухвалення рішень. Алгоритм може запропонувати ціль, але остаточне рішення приймає оператор або командир.
Водночас вплив алгоритмів на процес ухвалення рішень поступово зростає. Коли система аналізує тисячі знімків і пропонує кілька найбільш імовірних цілей, людина фактично працює вже з відфільтрованою інформацією. Це означає, що алгоритм опосередковано впливає на те, які рішення будуть прийняті.
Окрема дискусія стосується використання генеративних моделей штучного інтелекту – тих самих систем, які здатні аналізувати тексти та формувати зв’язні відповіді. Технічно такі моделі навчаються на величезних масивах текстів і здатні виявляти статистичні закономірності в мові. У військовому контексті їхнє потенційне застосування пов’язане насамперед з аналізом розвідувальної інформації. Наприклад, мовна модель може автоматично узагальнювати звіти розвідки, зіставляти дані з різних джерел або формувати аналітичні зведення.
Однак немає підтверджених даних про те, що такі моделі використовуються для безпосереднього вибору цілей для ударів. Їхня роль, найімовірніше, обмежується аналітичною підтримкою – тобто прискоренням обробки текстової інформації.
Одночасно з цим розвивається ще один напрям – автономні системи озброєння. Йдеться про дрони, роботизовані платформи та системи ППО, які здатні самостійно виявляти та супроводжувати цілі. Такі системи працюють на основі комбінації датчиків – камер, радарів, тепловізорів – і алгоритмів комп’ютерного зору. Коли система виявляє об’єкт, вона визначає його тип і відстежує його рух. У деяких випадках алгоритм може навіть самостійно ухвалити рішення про атаку, якщо загроза очевидна і часу на реакцію людини немає.
Однак повністю автономна зброя залишається вкрай суперечливою темою. Багато країн побоюються передавати алгоритмам право ухвалювати рішення про застосування сили без участі людини.
Тому сьогодні штучний інтелект у військовій сфері виконує насамперед роль прискорювача аналізу та планування, а не самостійного учасника бойових дій. Він допомагає аналізувати величезні масиви даних, знаходити закономірності та пришвидшувати ухвалення рішень. Водночас уже зараз стає очевидно, що війни XXI століття дедалі більше залежать не лише від чисельності армії або кількості озброєнь, а й від обчислювальних можливостей. Алгоритми починають відігравати роль своєрідної “нервової системи” сучасної армії – поєднуючи між собою розвідку, зв’язок, командування та озброєння. І хоча остаточне рішення як і раніше залишається за людиною, вплив штучного інтелекту на характер військових конфліктів лише зростатиме.
