स्वायत्त युद्धखर्च झपाट्याने वाढत असताना पेंटागॉन अधिक स्मार्ट ड्रोन पथकांवर भर देत आहे

कमी ऑपरेटरसह प्रमाण वाढवू शकणारी स्वायत्तता पेंटागॉनला हवी आहे

पेंटागॉन अधिक मोठ्या स्वायत्त-युद्ध प्रयत्नांकडे वळत आहे, पण एक मूलभूत कार्यकारी समस्या अजूनही सुटलेली नाही: ड्रोन प्रणाली मानवरहित असू शकतात, तरीही त्यांना मोठ्या प्रमाणावर मानवी श्रम लागतात. Defense One च्या एका नव्या अहवालानुसार, रोबोट अधिक बुद्धिमान, अधिक स्व-संघटित, आणि सततच्या मानवी दिशानिर्देशांवर किंवा असुरक्षित नेटवर्क दुव्यांवर कमी अवलंबून बनवण्यासाठी DARPA प्रकल्प पुढे नेत आहे.

तातडीचे उद्दिष्ट केवळ अधिक मानवरहित प्रणाली तैनात करणे नाही, तर तुलनेने कमी कर्मचाऱ्यांनी खूप मोठ्या संख्येतील रोबोटिक प्लॅटफॉर्मचे व्यवस्थापन करणे वास्तववादी करणे हेही आहे. ड्रोन युद्धाचे नेतृत्व करणाऱ्या पेंटागॉन कार्यालयासाठी प्रस्तावित 2027 अर्थसंकल्प यंदाच्या $226 दशलक्षवरून नवीन खर्च प्रस्तावानुसार $54 अब्जांपर्यंत वाढणार असल्याने ही आव्हाने अधिकच तातडीची झाली आहेत.

दोन DARPA कार्यक्रम मुख्य अडथळ्यांना लक्ष्य करतात

अहवालानुसार, DARPA ने उद्योगासाठी दोन विनंत्या जारी केल्या आहेत ज्या एकाच कार्यकारी समस्येच्या वेगवेगळ्या बाजूंना हात घालतात. पहिली, Materials for Physical Compute in Untethered Robotics, दूरस्थ संगणकीय संसाधनांवर मोठ्या प्रमाणावर अवलंबून न राहता स्वायत्त प्रणाली अधिक बुद्धिमान करण्यासाठी आहे. दुसरी, Decentralized Artificial Intelligence through Controlled Emergence, रोबोटांना संघ तयार करून मोहिमा एकत्रितपणे पार पाडण्यास मदत करण्यासाठी आहे.

एकत्र पाहता, हे प्रयत्न अशा मॉडेल्सपासून धोरणात्मक बदल सूचित करतात ज्यात स्वायत्त प्रणाली केंद्रीय पायाभूत सुविधेशी जोडल्या गेल्या किंवा मोठ्या मानवी सहाय्यक कर्मचाऱ्यांपर्यंत पोहोचल्या तरच उपयुक्त ठरतात. पेंटागॉन अशा यंत्रांची मागणी करत असल्याचे दिसते जी अधिक स्थानिक स्तरावर विचार करू शकतील आणि एकमेकांशी अधिक प्रभावीपणे समन्वय साधू शकतील.

हे स्पर्धात्मक वातावरणात महत्त्वाचे आहे, जिथे डेटा दुवे कमजोर, जॅम केलेले किंवा उघडे पडलेले असू शकतात. जर एखाद्या रोबोटला प्रक्रिया करण्यासाठी मोठ्या प्रमाणात डेटा बाहेर पाठवावा लागला आणि नंतर आदेश परत येण्याची प्रतीक्षा करावी लागली, तर तो कमी लवचिक आणि कमी कार्यक्षम ठरतो. DARPA चे physical-compute प्रयत्न रोबोटांना अधिक ऑनबोर्ड बुद्धिमत्ता देऊन आणि बॅटरी आयुष्य वाचवून ही असुरक्षितता कमी करण्यासाठी आहेत.

मागील ड्रोन ऑपरेशन्समधून मनुष्यबळाचा भार दिसतो

अहवालात उद्धृत केलेल्या ऐतिहासिक उदाहरणांमधून या समस्येचे प्रमाण स्पष्ट होते. निवृत्त आर्मी जनरल डेव्हिड पेट्रेयस आणि अभ्यासक इसाक फ्लॅनागन यांनी अलीकडील एका टिप्पणीमध्ये मांडले की मध्य पूर्वेतील पूर्वीच्या अमेरिकी ड्रोन ऑपरेशन्सना मुख्यत्वे विमानांच्या संख्येने नव्हे, तर ती चालवण्यासाठी लागणाऱ्या मनुष्यबळ आणि संघटनात्मक रचनेने मर्यादा घातली होती.

सतत निगराणी देणाऱ्या प्रत्येक Predator combat air patrol साठी जवळपास 150 कर्मचारी आवश्यक असत, असे त्यांनी नमूद केले. ड्रोन कव्हरेजची मागणी वाढत गेली तसा मर्यादा घालणारा घटक केवळ उपलब्ध प्लॅटफॉर्मची संख्या नव्हता, तर प्रशिक्षित लोकांची संख्या आणि त्यांचा प्रभावी वापर करण्यासाठी आवश्यक संस्था होत्या.

हे निरीक्षण पेंटागॉनच्या सध्याच्या खर्चाच्या महत्त्वाकांक्षांवर थेट परिणाम करते. ऑपरेटर, प्रशिक्षण, देखभाल, आणि एकत्रीकरणाच्या समस्या सोडवण्यापूर्वी मोठ्या संख्येने स्वायत्त प्रणाली खरेदी केल्यास कागदावर प्रभावी साठा दिसू शकतो, पण प्रत्यक्ष रणांगणात त्यातून तेवढेच लष्करी मूल्य मिळेलच असे नाही.

स्व-संघटित प्रणाली का महत्त्वाच्या आहेत

विकेंद्रीकृत AI आणि controlled emergence यांवर केंद्रित दुसरा DARPA प्रयत्न लष्करी स्वयंचलनातील सर्वात कठीण आव्हानांपैकी एक दाखवतो: अनेक रोबोटांनी असह्य मानवी सूक्ष्म-निर्देशांशिवाय संघासारखे कसे वागावे? यंत्रे भूमिका आणि कृती गतिशीलपणे समन्वय करू शकली, तर एकच मानवी पर्यवेक्षक खूप मोठ्या दलाचे व्यवस्थापन करू शकेल.

याचा अर्थ मानवी देखरेखीची गरज संपते असे नाही. उलट, लोक कोणत्या स्तरावर कार्य करतात ते बदलते. प्रत्येक हालचाल किंवा सेन्सर कार्याचे निर्देशन करण्याऐवजी, ऑपरेटर उद्दिष्टे आणि मर्यादा ठरवू शकतात, तर स्वायत्त प्रणाली स्थानिक समन्वयाचा अधिक भाग सांभाळतील. आधुनिक सैन्यांसाठी, ही AI-समर्थित स्वायत्ततेची सर्वात आकर्षक आश्वासनेपैकी एक आहे.

हेच क्षेत्र चुकल्यास सर्वाधिक जोखमीचेही आहे. swarmसदृश किंवा संघ-आधारित रोबोटिक वर्तन कमांडरना विश्वास ठेवता येईल, देखभाल करता येईल, आणि व्यापक दलरचनेत समाकलित करता येईल इतके अंदाजनीय असले पाहिजे. controlled emergence मध्ये पेंटागॉनची रुची हीच तणावस्थिती दाखवते. त्यांना अनुकूलता हवी आहे, अराजकता नाही.

खर्चवाढ सिद्धांत आणि शिस्तीवर दबाव वाढवते

$226 दशलक्षवरून $54 अब्जांपर्यंतचा प्रस्तावित उडी इतकी मोठी आहे की चर्चेचे स्वरूपच बदलते. त्या पातळीवर, स्वायत्त प्रणाली महत्त्वाच्या आहेत का हा प्रश्न उरत नाही; पेंटागॉन त्यांना समजूतदारपणे आत्मसात करू शकेल का, हा प्रश्न उरतो. ऑपरेटर स्वायत्त शस्त्रे कशी विकत घेतील, प्रशिक्षण घेतील, वापरतील, आणि देखभाल करतील याची स्पष्ट समज स्थापित करण्यापूर्वीच सैन्याने खर्च केला, तर अशा निधीचा मोठा भाग वाया जाऊ शकतो, असे Defense One नमूद करते.

ही चेतावणी महत्त्वाची आहे, कारण संरक्षण-तंत्रज्ञानातील अपयश सहसा आशादायक हार्डवेअरच्या कमतरतेमुळे नव्हे, तर कमकुवत ऑपरेशन संकल्पना, खंडित खरेदी प्रक्रिया, आणि अपुरी sustainment योजना यांमुळे उद्भवतात. म्हणजेच, आव्हान तांत्रिक जितके आहे तितकेच ते संघटनात्मकही आहे.

सध्याचे DARPA प्रकल्प हे ओळखत असल्याचे दिसते. ते फक्त चांगले ड्रोन मागत नाहीत. ते अशा प्रणाली मागत आहेत ज्या ऐतिहासिकदृष्ट्या ड्रोन ताफ्यांना कार्यक्षमतेने विस्तारण्यापासून रोखणारे भार कमी करतील.

व्यापक धोरणात्मक संदेश

हा अहवाल ड्रोन संख्येपासून स्वायत्त परिणामकारकतेकडे जाण्याचा प्रयत्न करणाऱ्या लष्करी संस्थेचे चित्रण करतो. या संदर्भात onboard processing आणि decentralized teamwork हे अमूर्त संशोधन विषय नाहीत. वर्षानुवर्षे मानवरहित प्रणालींची उपयुक्तता मर्यादित ठेवणाऱ्या प्रत्यक्ष अडथळ्यांना सोडवण्याचे ते प्रयत्न आहेत.

हे प्रयत्न यशस्वी झाले, तर एखादा तुकडा विश्वासार्हपणे किती रोबोट वापरू शकतो आणि स्पर्धात्मक वातावरणात त्या प्रणाली किती लवचिक असतील यामध्ये बदल घडू शकतो. ते अपयशी ठरले, तर पेंटागॉन स्वायत्ततेवर मोठा खर्च करताना, पूर्वीच्या ड्रोन ऑपरेशन्सना श्रमप्रधान बनवणाऱ्या त्याच मनुष्यबळ आणि संघटनात्मक मर्यादा कायम ठेवण्याचा धोका पत्करेल.

मुख्य धडा सरळ आहे. पायलटशिवाय यंत्रे उडू, चालू, किंवा जाणवू शकतात म्हणूनच स्वायत्त युद्ध स्केलेबल होत नाही. आजूबाजूची command, computation, आणि coordination यांची व्यवस्था टिकाऊ मानवी प्रयत्नांची मागणी करत नाही, तेव्हाच ते स्केलेबल होते. पेंटागॉन स्वायत्त रणभूमीसाठी खूप मोठ्या रकमा बांधण्याआधी DARPA नेमके हेच सोडवण्याचा प्रयत्न करत असल्याचे दिसते.

हा लेख Defense One च्या अहवालावर आधारित आहे. मूळ लेख वाचा.