Serwis Ars Technica opisał 17 września 2026 r. technologię Scaleout Systems, która pozwala uruchamiać modele uczenia maszynowego bezpośrednio na dronach i komputerach polowych. Rozwiązanie ma wspierać rozpoznanie oraz wybór celów bez stałego połączenia z centrum danych, co ma znaczenie podczas zakłócania łączności i pracy z dala od infrastruktury obliczeniowej.
Dlaczego Scaleout zmienił kierunek rozwoju
Scaleout Systems założyli w 2018 r. badacze z Uppsala University w Szwecji. Firma początkowo zajmowała się trenowaniem i wdrażaniem modeli uczenia maszynowego na sprzęcie dostępnym w komercyjnych ciężarówkach oraz innych pojazdach.
Po rozpoczęciu przez Rosję pełnoskalowej inwazji na Ukrainę w 2022 r. Scaleout skierował technologię do zastosowań obronnych. Według współzałożyciela i dyrektora generalnego firmy Andreasa Hellandera możliwość wykorzystania danych z czujników bezpośrednio w terenie może dać sojusznikom NATO przewagę operacyjną.
Firma nie opiera rozwiązania na dużych modelach granicznych oferowanych przez OpenAI lub Anthropic. Korzysta z mniejszych modeli, między innymi do rozpoznawania obrazu, które można uruchomić na pokładowych komputerach dronów i sprzęcie znajdującym się w wysuniętych bazach.
Modele muszą pracować na urządzeniach o różnych możliwościach, od niewielkich systemów wbudowanych po wydajne stacje robocze. W 2025 r. Scaleout zakwalifikował się do programu NATO Defence Innovator Accelerator for the North Atlantic, czyli DIANA, i rozpoczął prace nad projektem Federated Aerial Intelligence for Recon.
Jak modele działają na dronie i uczą się federacyjnie
Projekt zakłada wykorzystanie przetwarzania brzegowego (edge computing). Model wykonuje inferencję na dronie, tablecie operatora albo komputerze w stanowisku dowodzenia, zamiast wysyłać cały strumień danych do centralnego serwera.
- Kamery i pozostałe czujniki drona rejestrują otoczenie pola walki.
- Model działający lokalnie analizuje obraz i wspiera operatora w identyfikowaniu potencjalnych celów.
- Urządzenie okresowo przekazuje wybrane aktualizacje do węzła obliczeniowego w dowództwie plutonu lub kompanii, bez wysyłania wrażliwych danych surowych.
- Węzeł agreguje informacje z wielu źródeł, doucza model i przy najbliższej możliwości przesyła jego nowszą wersję na urządzenia terenowe.
Taki obieg odpowiada strategii uczenia federacyjnego. Poszczególne węzły współpracują przy rozwijaniu modelu, ale nie muszą gromadzić wszystkich danych w jednym centrum ani utrzymywać z nim ciągłego połączenia.
Scaleout wskazuje też na problem zmiany warunków pracy modelu. System trenowany na obrazach z pustyni może działać gorzej po przeniesieniu do środowiska miejskiego. Firma chce więc przygotowywać kolejne wersje modelu w trakcie dnia lub pojedynczej operacji, wykorzystując dane zbierane przez urządzenia znajdujące się w terenie.
Źródło nie podaje, jak dużo danych potrzeba do takiego douczenia ani jak szybko można bezpiecznie wdrożyć nową wersję. Brakuje również wyników porównujących skuteczność modelu przed aktualizacją i po niej.
Co pokazano podczas demonstracji ALMA
Scaleout uczestniczy w projekcie Affordable Loitering Modular Ammunition, prowadzonym przez BAE Systems Bofors. Celem ALMA jest opracowanie niedrogiego, autonomicznego drona kamikaze, który może samodzielnie wykonać część misji po określeniu jej parametrów.
Koncepcję pokazano publicznie w styczniu podczas wydarzenia Winter Demo 2026 w Szwecji. Według prezentacji Scaleout Systems pokładowy system AI wykrywał, identyfikował i lokalizował potencjalne zagrożenia bez zewnętrznego przetwarzania danych. Analiza odbywała się na komputerze umieszczonym w dronie i miała przebiegać w czasie rzeczywistym.
Podczas demonstracji system automatycznie nadał najwyższy priorytet celowi zdefiniowanemu w parametrach misji. Był nim opancerzony pojazd inżynieryjny. Dron poleciał w jego kierunku i zrzucił na niego ładunek wybuchowy, nie otrzymując po drodze bezpośrednich poleceń od człowieka.
Operator zachował możliwość sterowania dronem i kierowania jego działaniem, ale w pokazanym scenariuszu system sam wykonał misję. Materiał nie wyjaśnia, jakie reguły dotyczą zatwierdzania celu, przerwania ataku lub obowiązkowego udziału człowieka w decyzji o użyciu uzbrojenia.
Jak system pracował po zerwaniu połączenia
W czerwcu Scaleout przetestował technologię w bazie Swedish Air Force w Uppsali. Szwedzkie wojsko ma już licencję na główną platformę programową firmy. Próba dotyczyła zachowania lokalnego węzła obliczeniowego po utracie łączności z centralnym węzłem działającym w laboratorium Scaleout Systems.
Komputer w bazie nadal wykonywał inferencję i procesy uczenia aktywnego (active learning). Po przywróceniu połączenia lokalne aktualizacje modelu trafiły do węzła centralnego. Test miał więc pokazać, że przerwa w komunikacji nie zatrzymuje całego procesu analizy i rozwijania modelu.
Według Hellandera podobna architektura mogłaby docelowo objąć większe regiony lub całe państwa. Uczenie federacyjne mogłoby też umożliwić współpracę między państwami NATO, choć źródło opisuje to jako przyszłą możliwość, a nie działający obecnie system o takiej skali.
Praca bez stałej łączności odpowiada warunkom, w których przeciwnik używa zagłuszania i innych narzędzi walki elektronicznej. Ars Technica wskazuje również, że coraz więcej tanich ukraińskich dronów kamikaze otrzymuje pokładowe funkcje AI. Lokalna inferencja zmniejsza też zależność od centrów danych, które mogą stać się celem ataku.
Jak oceniać dojrzałość rozwiązania
Opisane próby potwierdzają, że Scaleout zbudował działającą koncepcję dla drona rozpoznawczego oraz uczestniczył w demonstracji autonomicznego ataku. Nie oznacza to jednak, że źródło dokumentuje gotowość systemu do wdrożenia na dużą skalę. Publikacja nie podaje dokładności wykrywania, liczby fałszywych wskazań, opóźnień ani parametrów komputerów pokładowych.
Nie wiadomo także, ile kosztuje platforma, jak długo trwa jej dostosowanie do konkretnego drona i kiedy kolejne siły zbrojne mogłyby rozpocząć użytkowanie. Ars Technica nie przedstawia niezależnej oceny demonstracji ALMA ani wyników testów przeprowadzonych przez podmiot inny niż uczestnicy projektu.
Dla polskich integratorów systemów bezzałogowych i dostawców oprogramowania obronnego najważniejszy jest pokazany wzorzec architektury: lokalna inferencja, ograniczona wymiana danych oraz synchronizacja po odzyskaniu łącza. Przy ocenie podobnych rozwiązań potrzebne będą jednak wyniki testów dla konkretnych sensorów, platform sprzętowych i warunków terenowych, których publikacja nie zawiera.
