Виктор Мураховский
В День России Верховный главнокомандующий провел в Кремле встречу с военнослужащими — участниками специальной военной операции. Он, в частности, поставил задачу использования искусственного интеллекта против дронов.
В. Путин: «Что касается FPV-дронов и дронов с искусственным интеллектом — очень активная работа идет по этим направлениям, очень.
Теперь что касается борьбы с дронами. Разумеется, мы прекрасно отдаем себе отчет, и ваши командиры прекрасно отдают себе отчет, они нам все время об этом говорят, каждый день, поверьте мне, каждый божий день о том, какие проблемы нам создают дроны и как, каким способом они сами видят возможность преодоления этой проблемы.
На самом деле это одна из важнейших задач. Этим занимается и промышленность, этим занимаются ваши командиры, и Министерство обороны и другие ведомства, в том числе гражданские. Но кроме этого, тоже об этом уже многократно говорили, этим занимаются все наши умельцы по всей стране».
Зенитные ракетные комплексы часто экономически нецелесообразно использовать против целей малого и среднего радиуса действия (типа «Хорнет»), поскольку одна ракета стоит существенно больше, чем БЛА. Мобильные огневые группы (МОГ) и пункты наблюдения за воздухом (ПНВ) имеют радиус действия максимум 500 метров. Таким образом, на фронте протяженностью несколько тысяч километров для борьбы с БЛА, оснащенными ИИ, понадобятся сотни обычных ПНВ и МОГ.
Искусственный интеллект (ИИ) и основанные на нем технологии играют ключевую роль в борьбе с дронами — он позволяет перейти от «сотен ПНВ и МОГ» к сети, где каждый элемент умнее, чем средний военнослужащий, а покрытие получается шире и глубже.
Вместо линейного наращивания количества постов с пулеметами/ПЗРК предлагается построить трехуровневую архитектуру, управляемую ИИ:
- Распределенный пассивный сенсорный слой (замена классических ПНВ и МОГ)
- Слой дешевых высокоточных перехватчиков (замена дорогих ЗУР)
- Единый центр тактического ИИ
Задача — обнаружить БЛА противника на дистанции, в разы превышающей 500 м, и сделать это без активного излучения, опираясь на акустические датчики и тепло-телевизионные системы.
Акустические станции. Кольцевые микрофонные решетки с нейросетевой обработкой способны пеленговать винтовые и реактивные БЛА на 3–7 км (в зависимости от фона). ИИ выделяет акустический спектр «Хорнета» среди шумов, определяет азимут, примерную дальность и тип цели. Одна такая станция может заменить функции нескольких Широкая зона поражения ПНВ, а главное — работает автоматически, без постоянного напряжения оператора.
Оптико-тепловизионные посты с машинным зрением. Поворотные камеры с автотрекингом, активируемые по целеуказанию от акустики или радара малой мощности. Нейросеть на борту подтверждает цель, распознает модель и выдает координаты. Дальность устойчивого автосопровождения — 1,5–3 км даже для небольших объектов.
Сеть сенсоров вместо линии постов. Разместив такие станции через 4–6 км, можно перекрыть весь фронт со значительно меньшим количеством элементов. При протяженности фронта, требующей сотен классических ПНВ, здесь потребуется в разы меньше точек, причем без постоянного присутствия личного состава — только периодическое обслуживание.
ЗРК невыгоден из-за цены ракеты ($50–150 тыс.). Решение — дрон-перехватчик, управляемый ИИ, стоимостью в сотни долларов, способный уничтожить БЛА таранным ударом или подрывом.
Платформа. Дешевый FPV-квадрокоптер или БЛА самолетного типа с боевой частью, развивающий скорость, достаточную для догона «Хорнета». Цена серийного перехватчика может быть сравнима со стоимостью вражеского дрона.
Автономное наведение. ИИ-модуль на борту получает целеуказание с сенсорной сети и выполняет терминальное наведение по оптическому образу цели (нейросеть обучена на реальные силуэты). Система не требует постоянной радиокоманды, не уязвима к РЭБ на конечном участке, захватывает цель сама.
Большая зона перехвата. Одна пусковая установка с десятком перехватчиков, управляемая ИИ, прикрывает сектор глубиной 10–20 км. Она выдвигается в нужный район по данным сенсорной сети и запускает перехватчики только по подтвержденным целям. Таким образом, одна такая мобильная установка заменяет множество классических МОГ, привязанных к 500‑метровой зоне.
Техноскоп
Стремительное развитие глубокого обучения привело к тому, что обученные модели все чаще требуется запускать не в мощных дата-центрах, а на устройствах с ограниченными ресурсами — IoT-контроллерах, встроенных системах. На первый план вышли инструменты, позволяющие преобразовать громоздкие нейросети в компактные и эффективные модули. Два ключевых игрока в этой области — TensorFlow Lite (TFLite) и ONNX (Open Neural Network Exchange). Несмотря на то, что они решают сходные задачи, их философия, архитектура и экосистема заметно различаются.
TensorFlow сохраняет свои позиции в промышленном внедрении благодаря мощным MLOps-инструментам, в то время как JAX остается выбором для high-performance задач, а scikit-learn — незыблемым стандартом для классического машинного обучения.
Однако технический выбор все чаще отходит на второй план перед лицом системных вызовов. Проблемы сместились с доступности самих фреймворков на доступность их экосистем: библиотек, инструментов для экспериментов вроде Wandb и облачных сервисов. Это заставляет компании искать обходные пути и делать ставку на стабильную on-premise инфраструктуру, которая обеспечивает независимость от внешних ограничений.
Инструменты автоматизации машинного обучения (AutoML) и операционализации ML (MLOps) станут еще более важными. Продолжат набирать популярность облачные платформы для машинного обучения. Однако в России их применение может быть ограничено из-за санкционного давления и запрета размещения некоторых данных на зарубежных серверах.
Прямого российского аналога ONNX как стандарта обмена моделями не существует. Проект ONNX разрабатывается и поддерживается международным сообществом, в него входят такие компании, как Microsoft, Meta (запрещенная в России экстремистская организация), Amazon, IBM, Huawei, Intel, AMD, Arm и другие.
Однако в России есть инструменты и библиотеки, которые работают с форматом ONNX или позволяют использовать его возможности:
- ONNX Runtime — ускоритель для выполнения моделей в формате ONNX;
- Optimum ONNX — библиотека из экосистемы Hugging Face, которая упрощает экспорт моделей в формат ONNX;
- Intel Neural Compressor — открытая библиотека для квантования моделей ONNX.
Эти инструменты могут быть полезны для работы с моделями в рамках российских проектов или для оптимизации их производительности.
Главный стимул перехода на компактные модели — уменьшение занимаемой памяти и вычислительной нагрузки. Это достигается путем квантования: веса и активации переводятся из 32‑битных чисел с плавающей точкой в 8‑битные целые (int8) или даже 4‑битные. Модель «худеет» в 2–4 раза, а целочисленная арифметика работает быстрее и потребляет меньше энергии. Дополнительно используются методы дистилляции и удаления избыточных связей, позволяющие передавать знания от большой «учительской» сети компактной «ученической» модели.
Облегченные модели и оптимизированные рантаймы сводят к минимуму время отклика. Это критично для приложений реального времени: дополненной реальности, обработки видео, голосовых помощников. Аппаратные делегаты в TFLite и оптимизированные ядра в ONNX Runtime ускоряют действия на порядок по сравнению с нативным выполнением исходной модели.
Локальное выполнение модели устраняет необходимость в постоянном соединении с облаком, что повышает приватность данных и автономность системы.
Выбор между TensorFlow Lite и ONNX — это выбор между бесшовной интеграцией в конкретную экосистему и максимальной гибкостью.
TensorFlow Lite — идеальный кандидат, если вы работаете преимущественно с TensorFlow и нацелены на мобильные/встраиваемые продукты, где важна стабильная поддержка аппаратных ускорителей и минимальный размер рантайма. Он дает отлаженный путь «от обучения до программы» с минимумом сюрпризов, но ограничивает свободу маневра за пределами мира TF.
ONNX незаменим в гетерогенных средах, где модели создаются в разных фреймворках или требуется единый стандарт для обмена моделями между командами. ONNX Runtime демонстрирует впечатляющую производительность на серверных и десктопных платформах и активно догоняет лидеров в мобильной нише. Платой за интероперабельность становится более сложный процесс отладки и конвертации, а также менее зрелая поддержка на слабых устройствах.
На практике многие компании используют оба инструмента: обучают в TensorFlow/PyTorch, экспортируют в ONNX для серверного тестирования, а затем конвертируют в TFLite для массового использования во встраиваемых приложениях. Понимание сильных и слабых сторон каждого из них позволяет выбрать оптимальный стек и избежать типичных подводных камней, связанных с потерей точности, несовместимостью операций или неожиданно низкой производительностью на целевом устройстве.
Тактический ИИ-координатор. Образует мозг системы — программный комплекс, развернутый на защищенном сервере или распределенный по узлам.
Слияние данных. Объединяет треки от акустики, камер, редких радаров и данных РЭР, формирует единую картину воздушной обстановки в масштабе бригады/дивизии.
Классификация и приоритезация. Отличает ложные цели, определяет наиболее опасные маршруты, прогнозирует точки возможного удара.
Автоматическое назначение перехватчиков. С учетом расстояния, остатка энергетического ресурса у целей, количества доступных дронов-перехватчиков. Исключает двойной расход боеприпасов на одну цель.
Поддержка принятия решения. Оператор только санкционирует поражение (или система действует полностью автоматически в зоне ответственности). Реакция ускоряется в разы по сравнению с цепочкой «наблюдатель — голос — командир — стрелок».
Себестоимость уничтожения. Если вражеский «Хорнет» стоит условно $30–50 тыс., а перехватчик с ИИ — $500–1000, то даже с учетом вероятности поражения 0,7–0,8, обмен экономически оправдан.
Снижение потребности в личном составе. Автоматические сенсорные посты и автономные пусковые установки обслуживаются малым числом техников. Сотни ПНВ и МОГ заменяются десятками сенсоров и несколькими мобильными пусковыми платформами.
Масштабируемость. Такая архитектура легко наращивается в глубину и по фронту, а добавление новых объектов — это просто включение в ИИ-сеть очередного узла.
Дополнительный слой — ИИ-РЭБ
Для целей, управляемых по радиоканалу или спутниковой навигации, эффективна и значительно дешевле кинетического поражения автоматическая радиоэлектронная борьба.
ИИ-анализатор спектра в реальном времени вычленяет каналы управления и телеметрии «Хорнета», ставит интеллектуальную помеху.
Система способна имитировать команды на посадку или возврат, подменять координаты спутниковой навигации (GPS/ГЛОНАСС) посредством спуфинга, заставляя БЛА противника терять ориентацию или садиться на нашей территории, где его безопасно обезвредят или изучат.
Включение РЭБ в общую ИИ-сеть позволяет гибко выбирать способ воздействия: дешевый перехватчик — на автономную цель, РЭБ — на радиоуправляемую, максимально экономя ресурс.
Реализуемость и первые шаги
Современный уровень микроэлектроники и нейросетевых фреймворков позволяет создать большинство компонентов в разумные сроки и с приемлемыми затратами. Для этого необходимо:
- разработать эталонный акустический и визуальный датасет по основным типам БЛА противника, обучить компактные нейромодели (TensorFlow Lite / ONNX) для работы на микрокомпьютерах сенсоров и на борту перехватчиков;
- спроектировать FPV-перехватчик с автономным оптическим захватом, провести полигонные испытания роевого взаимодействия;
- интегрировать все элементы в единый боевой софт, реализовав помехозащищенную Mesh-сеть передачи данных (например, на основе технологии MANET).
Искусственный интеллект не просто помогает — он становится системообразующим элементом. Он переводит борьбу с БЛА из плоскости «человек с биноклем и ПЗРК» в плоскость «распределенная роботизированная оборона», где удается:
- увеличить радиус обнаружения в 6–10 раз по сравнению с 500 м ПНВ и МОГ;
- кратно сократить количество огневых позиций за счет большой зоны действия интеллектуальных перехватчиков;
- сделать стоимость перехвата сопоставимой со стоимостью вражеского дрона;
- резко снизить нагрузку на личный состав.
Именно такую интегрированную ИИ-систему можно масштабировать на фронт любой протяженности — без необходимости выставлять сотни стационарных постов.
Враг будет разбит, победа будет за нами!
