NATO‑támogatott startup forradalmasítja a drónok mesterséges intelligenciáját: új korszak a felderítésben és támadó műveletekben
Egy NATO‑támogatott svéd startup olyan kisméretű AI‑modelleket fejleszt, amelyek autonóm drónoknak adnak valós idejű célfelismerési és támadási képességet. A technológia új szintre emeli a modern hadviselést és a frontvonalon dolgozó egységek hatékonyságát.
A svéd Scaleout Systems 2018-ban indult, eredetileg járművek fedélzeti hardverére optimalizált gépi tanulási modellekkel foglalkozva. A fordulópontot Oroszország 2022-es ukrajnai inváziója hozta el: a vállalat felismerte, hogy a decentralizált, terepen tanuló AI‑modellek stratégiai előnyt jelenthetnek a NATO-tagállamok számára.
A cég 2025-ben bekerült a NATO DIANA (Defence Innovator Accelerator for the North Atlantic) programjába, ahol a Federated Aerial Intelligence for Recon projekt keretében olyan gépi tanulási modelleket fejlesztett, amelyek:
- kisméretű drónokon is futnak,
- valós időben képesek célokat felismerni,
- kommunikációs zavar esetén is működőképesek,
- helyben tanulnak, majd a frissített modelleket később megosztják a parancsnoki egységekkel.
Ez a megközelítés a federated learning (szövetségi tanulás) elvét használja: a drónok és előretolt bázisok saját, lokális AI‑modelljei tanulnak a terepen gyűjtött adatokból, majd időszakosan szinkronizálnak a központi rendszerekkel.
Mit tudnak ezek a drónok? – A technológia működése
A Scaleout által fejlesztett modellek nem a nagy, felhős AI‑rendszerekre támaszkodnak. Ehelyett:
- kisméretű, beágyazott hardveren futnak,
- valós idejű képfeldolgozást végeznek,
- priorizálják a célpontokat,
- képesek autonóm támadási műveletekre, emberi felügyelet mellett.
A cég részt vesz a BAE Systems Bofors által vezetett ALMA (Affordable Loitering Modular Ammunition) projektben, amely alacsony költségű, autonóm kamikaze drónokat fejleszt. A 2026-os téli bemutatón egy drón:
- felismerte a terepen lévő potenciális fenyegetéseket,
- geolokálta őket,
- kiválasztotta a legértékesebb célpontot (egy páncélozott műszaki járművet),
- majd önállóan végrehajtotta a támadást.
A rendszer teljesen fedélzeti számítástechnikára támaszkodott, külső szerverkapcsolat nélkül.
Miért jelent ez áttörést?
1. Kommunikációs zavarok esetén is működik
A modern hadszíntereken gyakori az elektronikus zavarás és a kommunikációs csatornák blokkolása. A lokális AI‑modelleknek nincs szükségük folyamatos hálózati kapcsolatra.
2. Gyors alkalmazkodás a terephez
A drónok a helyszínen gyűjtött adatokból tanulnak. Ha egy modell eredetileg sivatagi környezetre készült, a rendszer képes egy napon belül több frissített verziót kiadni, hogy jobban teljesítsen városi környezetben.
3. NATO‑szintű együttműködés
A federated learning lehetővé teszi, hogy a tagállamok egységei megosszák egymással a tanult modelleket – akár országokon átívelő hálózatban.
Mit jelent ez Magyarország és a régió számára?
Bár a fejlesztés NATO‑szintű, a technológia hatása a régióban is érezhető lehet:
- Magyarország drónstratégiája (2024–2026) kiemelten kezeli a felderítő és ipari drónok fejlesztését. A lokális AI‑modellek alkalmazása a hazai ipari, mezőgazdasági és biztonsági drónoknál is áttörést hozhat.
- Civil szektor: a decentralizált gépi tanulás a kritikus infrastruktúrák (energia, közlekedés, logisztika) védelmében is hasznos lehet.
- KKV-k és IT‑szolgáltatók számára új piacot nyithat a drónalapú adatgyűjtés, felügyelet és automatizált elemzés.
- Ars Technica – Small AI models let drones autonomously identify and attack battlefield targets
- NATO DIANA program – hivatalos információk
- BAE Systems Bofors – ALMA projekt bemutatói
- Magyarország drónstratégia (2024–2026) – Innovációs és Technológiai Minisztérium
A források fordítása, a cikkek összeállítása, valamint az illusztrációk kiválasztása vagy elkészítése részben mesterséges intelligencia támogatásával valósult meg.
