LUDZKA NIE SPROSTA SZTUCZNEJ.
Autor jest p.o. zastępcą dziekana Wydziału Cybernetyki Wojskowej Akademii Technicznej.
ppłk dr inż. Rafał Kasprzyk
Wojny przyszłości, a tym samym największe wy-zwania, jakie stoją przed siłami zbrojnymi, w wielu opracowaniach są definiowane przez pryzmat przy-szłych uwarunkowań prowadzenia operacji, czyli:
– rozróżnienie między stanem pokoju „P” a woj-ny „W” będzie trudne lub niemożliwe;
– nie będzie linii frontu w tradycyjnym rozumieniu tego słowa i pojawi się większa asymetryczność kon-fliktów oraz wojen;
– wystąpią trudności w rozróżnieniu podsystemu militarnego i pozamilitarnego, a tym samym żołnierz stanie się bardziej podobny do cywila;
– działania niekinetyczne, w szczególności opera-cje w cyberprzestrzeni będą istotnie (być może wręcz
45
PRZEGLĄD SIŁ ZBROJNYCH nr 6 / 2020
PRZEGLĄD SIŁ ZBROJNYCH nr 6 / 2020
46
fundamentalnie) wpływać na przebieg konfliktów oraz wojen;
– rozwój sztucznej inteligencji (w tym robotyki) bę-dzie zmierzał do powstania systemów zdolnych do funkcjonowania w sposób coraz bardziej autonomicz-ny, co w konsekwencji może doprowadzić do koniecz-ności zdefiniowania na nowo roli człowieka w prze-biegu konfliktów oraz wojen.
Problematyka wojen przyszłości od zawsze zajmo-wała teoretyków i praktyków sztuki wojennej.
Współcześnie dynamika zmian technologii powo-duje, że trudno mówić o wojnach przyszłości, nie rozumiejąc istoty i kierunków rozwoju właśnie tech-nologii. O ile w przeszłości, mówiąc o tzw. techno-logiach podwójnego zastosowania, mieliśmy na my-śli technologie, które pojawiły się na potrzeby sił zbrojnych i mogły zostać wykorzystane na rynku cywilnym, o tyle obecnie kierunek transferu techno-logii wydaje się być odwrócony, to znaczy z rynku cywilnego rozwiązania trafiają do sił zbrojnych. Taki stan rzeczy wymaga od sił zbrojnych olbrzymiej czujności, kreatywności, zdolności identyfikowa-nia przyszłych technologii przełomowych (future disruptive technologies) oraz kształtujących się re-wolucyjnych pomysłów zmieniających zasady gry (emerging game-changers ideas). W tym kontekście warto zwrócić uwagę na dynamicznie rozwijającą się gałąź informatyki, jaką jest sztuczna inteligencja (Artificial Intelligence).
SZTUCZNA INTELIGENCJA I WOJNY MASZYN
Obecnie ciągle nie ma powszechnie uznanej defi-nicji sztucznej inteligencji. Co więcej, te istniejące kładą większy nacisk na wyjaśnienie słowa sztucz-na, mniej uwagi poświęcając terminowi inteligen-cja. Jako pierwszy sztuczną inteligencję zdefinio-wał w 1956 roku John McCarthy. Uznał ją za gałąź informatyki, która umożliwia budowę maszyn zdol-nych do wykonywania zadań będących domeną lu-dzi, szczególnie zadań wymagających ludzkiej inte-ligencji. Warto zwrócić uwagę na fakt, że maszyna, o której mowa w definicji sztucznej inteligencji, to w języku informatyki przede wszystkim algorytm, a więc program (software), który oczywiście jest uruchamiany na określonym sprzęcie (hardware).
Maszyny mogą funkcjonować w świecie fizycznym jako mniej lub bardziej autonomiczne obiekty, np. roboty, statki powietrzne, samochody lub być bytami bardziej abstrakcyjnymi, czyli wspomniany-mi algorytmawspomniany-mi niewchodzącywspomniany-mi bezpośrednio w interakcje ze światem fizycznym, lecz pośrednio wpływającymi na jego procesy, np. systemy reko-mendacyjne, nawigacyjne, reklamy internetowej czy cyfrowi asystenci.
Algorytmy sztucznej inteligencji to przyszłość niemalże każdej dziedziny życia. Przyszłe konflikty zbrojne to również prawdopodobnie wojny maszyn (wojny na algorytmy i to już nie tylko z obszaru
kryptologii!). W wielu krajach, m.in. w USA, Rosji i Chinach, daje się zauważyć niebywałe zaintereso-wanie pracami nad rozwojem sztucznej inteligencji.
W tym kontekście warto zwrócić uwagę na ciekawe zjawisko napędzające jej rozwój, które można okre-ślić szałem danych lub szałem na dane. Ilość danych, jakie generuje (pozyskuje, przetwarza i przesyła) ludzkość, zwiększa się w sposób wykładniczy. Jed-nocześnie niemalże wszystkie dane są gromadzone często bez określonego celu (co w nieodległej prze-szłości było niespotykane), tylko dlatego, że takie możliwości daje współczesna technologia.
Opisane zjawisko doczekało się anglojęzycznego terminu Big Data i zaowocowało szczególnie inten-sywnym rozwojem jednej z dziedzin sztucznej inteli-gencji zwanej uczeniem maszynowym (Machine Learning – ML), inaczej uczeniem z danych, których w domyśle powinno być dużo lub bardzo dużo.
Szczególnie ciekawym spostrzeżeniem jest fakt, że jak się okazało, niekiedy nawet niezwykle zaawan-sowane algorytmy uczenia maszynowego można dość łatwo „oszukać”. Dlatego też w ostatnich la-tach zrodził się obszar antagonistycznego uczenia maszynowego (Adversarial Machine Learning – AML). Wydaje się, że jest to początek bardzo po-ważnych badań nad wojnami maszyn. Obszar nie-zwykle ciekawy i dynamicznie rozwijający się, ale również niełatwy ze względu choćby na trudności w interpretowalności zaawansowanych algorytmów uczenia maszynowego.
BUDOWA INTELIGENTNYCH MASZYN W PIGUŁCE
Istnieją różne kierunki badań sztucznej inteligen-cji. Dla wielu zespołów celem pracy jest budowa maszyn, które naśladują proces myślenia typowy dla człowieka. Jest to tzw. silna sztuczna inteligencja (strong artificial intelligence), mająca za zadanie od-wzorowanie ludzkiego umysłu. Wyniki tych prac służą nie tylko budowie inteligentnych maszyn, lecz również objaśniają, w jaki sposób ludzie myślą. Inne zespoły po prostu budują maszyny, których zacho-wania są inteligentne, a stosowane metody (np. „bru-talna” moc obliczeniowa współczesnych kompute-rów) mogą mieć niewiele wspólnego z ludzkim ro-zumowaniem. Jest to tzw. słaba sztuczna inteligencja (weak artificial intelligence), która ma za zadanie budowę maszyn przejawiających inteligentne zacho-wanie, ale nieobjaśniających, jak działa ludzki mózg. Jeszcze innym podejściem, stosowanym przez liczne zespoły badaczy, jest postrzeganie ludzkiego umysłu jedynie jako źródła inspiracji (np. sztuczne sieci neuronowe), a dokładne naśladowanie procesu rozumowania człowieka nie jest celem. Jest to kieru-nek pośredni między silną a słabą sztuczną inteli-gencją i właśnie w tę stronę idzie większość współ-czesnych prac nad rozwojem sztucznej inteligencji.
Istnieje jeszcze rozróżnienie między tzw. sztuczną wąską (wyspecjalizowaną) inteligencją (artificial
PRZEGLĄD SIŁ ZBROJNYCH nr 6 / 2020
47
narrow intelligence) oraz sztuczną szeroką (ogólną) inteligencją (artificial general intelligence). Celem tej pierwszej jest budowa maszyn, które są w stanie bardzo dobrze wykonywać (rozwiązywać) zdefinio-wane zadania (problemy) na poziomie ludzi lub na-wet lepiej. Przykładem są m.in. programy grające w szachy lub w Go (starochińska gra planszowa).
Celem drugiej jest budowa maszyn, które mogą wy-konywać (rozwiązywać) bardzo szeroką gamę zadań (problemów), być może wszystkie, jakie realizuje człowiek – na poziomie człowieka.
Ogólna sztuczna inteligencja zakłada również, że maszyny będą w stanie uczyć się wykonywać (roz-wiązywać) nowe zadania (problemy), które nie zo-stały przewidziane na etapie konstrukcji owych ma-szyn. Powstanie ogólnej sztucznej inteligencji, jeśli taki etap jej rozwoju w ogóle nastąpi, otworzyłoby zupełnie nowy rozdział w historii ludzkości. Prowa-dziłby on do pojawienia się tzw. sztucznej superinte-ligencji (artificial super intelligence) i prawdopo-dobnie zmarginalizowania roli człowieka, unice-stwienia go lub połączenia człowieka z maszyną.
Przedstawione kierunki badań i rodzaje sztucznej inteligencji oczywiście nie wyczerpują możliwych taksonomii, lecz oddają istotę prac nad jej rozwo-jem. Z informatycznego, niejako technicznego punktu widzenia można dokonać jeszcze jednej kla-syfikacji, która zdaniem autora jest kluczowa, a mianowicie: kto lub co jest źródłem wiedzy dzie-dzinowej (o czym dalej), będącej podstawą budowy tzw. modeli, a w konsekwencji konstrukcji inteli-gentnych maszyn.
W tym miejscu warto zdefiniować pojęcie mode-lu jako w pewnym sensie obrazu mode-lub inaczej wy-obrażenia na temat obiektu rzeczywistego lub abs-trakcyjnego wraz ze wszystkimi wadami i zaletami właściwymi każdemu obrazowi lub wyobrażeniu.
Większość modeli, w szczególności modeli syste-mów złożonych, prędzej czy później okazuje się niepoprawnymi, co dowodzi, jak mało wiemy o świecie, w którym żyjemy i jak nasze obrazy lub wyobrażenia wypaczają rzeczywistość. Warto też przytoczyć słowa przypisywane jednemu z wiel-kich statystyków XX wieku George’owi Boxowi, które brzmią: Wszystkie modele są niepoprawne, ale niektóre są użyteczne. Słowa te pesymistyczne dla teoretyków są optymistyczne dla praktyków, któ-rzy dostarczają rozwiązań pozwalających osiągać założone cele.
Istnieją dwa zasadnicze warianty pozyskiwania wiedzy, będące podstawą budowy modeli, a w kon-sekwencji konstrukcji inteligentnych maszyn:
– wariant nr 1 to EKSPERT. Do konstrukcji inteli-gentnej maszyny jest wykorzystywana wiedza eks-perta stanowiąca podstawę budowy modelu, zgodnie z którym są implementowane algorytmy funkcjono-wania maszyny. W tym wypadku model jest znany człowiekowi i jawnie przez niego definiowany, a tym samym możliwy do interpretacji. Dzięki temu
czło-wiek rozumie zbudowaną maszynę i jest w stanie od-tworzyć oraz przewidzieć możliwe jej zachowanie.
Poniżej pseudokod, który oddaje idę budowy inte-ligentnej maszyny według wariantu nr 1.
…if object contains red then mark is-enemy;
if object contains … then …;
if object contains … then …;
…
Wariant nr 2 to DANE, DANE, DANE. Do kon-strukcji inteligentnej maszyny są wykorzystywane dane, których powinno być dużo lub bardzo dużo.
Są one podstawą budowy modelu wnioskowanego przez algorytm uczenia maszynowego właśnie z dostarczonych danych. Zasadniczym zadaniem człowieka jest określenie tzw. metryki sukcesu, która jest wykorzystywana jako wskazówka, jak skutecznie aktualny model realizuje założony cel oraz strategii walidacji (uczenia i testowania) mo-delu. Zbudowany w ten sposób model (nauczony algorytm) jest podstawą funkcjonowania maszyny.
W tym wypadku model nie jest więc jawnie defi-niowany przez człowieka, a tym samym często bar-dzo trudny do interpretacji. W konsekwencji czło-wiek nie rozumie zbudowanej maszyny, bardzo trudno jest wówczas odtworzyć, jak również prze-widywać możliwe jej zachowanie. Ten sposób budo-wy maszyn zyskuje na znaczeniu za sprawą ilości danych, jakimi dysponujemy o niemalże każdym obiekcie (w tym zjawisku).
Poniżej pseudokod oddający idę budowy inteli-gentnej maszyn według wariantu nr 2.
…try to classify some objects;
change self to reduce errors;
repeat;
…
PROBLEMY
Z INTELIGENTNYMI MASZYNAMI
Budując takie maszyny według jednego z wa-riantów, a w praktyce najczęściej w wariancie będą-cym hybrydą dwóch zaprezentowanych skrajnych podejść, należy zdawać sobie sprawę, że pojawia się w nich podatność na ataki. W wypadku warian-tu nr 1 mogą one wynikać z niepoprawności mode-lu zbudowanego przez eksperta mode-lub pojawić się na etapie implementacji owego modelu. Z kolei w wy-padku wariantu nr 2 – z błędnych danych, jakie zo-stały dostarczone na wejściu algorytmu uczenia maszynowego, z ograniczeń wykorzystanego algo-rytmu uczenia maszynowego lub po prostu powsta-wać na skutek przyjęcia złej metryki sukcesu oraz strategii walidacji (uczenia i testowania) modelu.
W obu wariantach dochodzi jeszcze kwestia podat-ności występujących w narzędziach informatycz-nych (biblioteki, komponenty, platformy wytwórcze,
PRZEGLĄD SIŁ ZBROJNYCH nr 6 / 2020
48
systemy operacyjne itd.) użytych do budowy inteli-gentnej maszyny.
Największe trudności związane są z problemem identyfikacji podatności w modelu powstałym we-dług wariantu nr 2. W praktycznych przypadkach, jak już zostało to wspomniane, postać tego modelu jest często bardzo kłopotliwa lub wręcz niemożliwa do in-terpretacji przez człowieka. Powstaje więc pokusa wykorzystania algorytmów uczenia maszynowego do
„zrozumienia” działania modelu „niezrozumiałego”
dla człowieka, w celu identyfikacji lub „wstrzyknię-cia” podatności, co określane jest mianem wspomnia-nego już antagonistyczwspomnia-nego uczenia maszynowego (Adversarial Machine Learning). Naturalną konse-kwencją jest rozpoczęcie wyścigu zbrojeń na algoryt-my, co prowadzi nieuchronnie do badań nad wojnami maszyn (wojnami na algorytmy).
Równoległym problematycznym obszarem badaw-czym, który prowadzi do zacierania granic między światem rzeczywistym a wirtualnym, jest wykorzy-stanie algorytmów uczenia maszynowego do udosko-nalania działania modeli „niezrozumiałych” dla czło-wieka. Idea uczenia się algorytmów od siebie, czyli udoskonalania modeli, jest bardzo obiecująca i docze-kała się pierwszych praktycznych zastosowań, np. do generacji światów wirtualnych, z czego zasłynęły tzw.
sieci GAN (Generative Adversarial Networks), któ-rych historia rozpoczęła się w 2014 roku.
Kwestią czasu było wykorzystanie zaawansowa-nych algorytmów uczenia maszynowego do genero-wania materiałów zmanipulowanych lub całkowicie sfabrykowanych, co po raz pierwszy miało miejsce pod koniec 2017 roku. Materiał tego typu został wów-czas udostępniony w serwisie Reddit przez użytkow-nika o nicku Deepfakes. W ten sposób nazwa użyt-kownika stała się nazwą własną materiałów zmanipu-lowanych lub całkowicie sfabrykowanych, tworzonych z wykorzystaniem szeroko rozumianej sztucznej inte-ligencji, najczęściej jednak tzw. głębokich sieci neu-ronowych (deep neural networks) o specjalizowanej architekturze, np. wspomnianej sieci GAN.
ZASTOSOWANIA
INTELIGENTNYCH MASZYN
Z punktu widzenia problematyki artykułu zasad-nicze jest wskazanie ich militarnych zastosowań.
Stanisław Lem w Bibliotece XXI wieku, w rozdziale WEAPON SYSTEMS OF THE TWENTY FIRST CENTURY or The Upside-down Evolution, antycy-pując militarne zastosowania sztucznej inteligencji (jak również sztucznej „nieinteligencji”), napisał:
Z sił żywych zaczęły się armie przemieniać w siły martwe. Początkowe efekty tej przemiany były skromne… po prostu pomniejszano jedynie prze-strzeń, jaką uprzednio zajmowała złożona z ludzi załoga takich bądź innych jednostek bojowych
PURE ARTS LIMITED
Nowy, sztuczny superżołnierz wymaga zupełnie nowego, rewolucyjnego i radykalnego podejścia do wszystkich zagadnień taktyki i strategii.
Fot. Terminator T-800 (inteligentna maszyna) z filmu Terminator 2
„Judgment Day”
w reżyserii Jamesa Camerona
PRZEGLĄD SIŁ ZBROJNYCH nr 6 / 2020
49
miej ilości danych w celu pozyskania wiedzy z pew-nego obszaru i aplikowanie jej do osiągania określo-nych celów. Tak zdefiniowane zastosowanie inteli-gentnych maszyn może się wydawać nazbyt ogólne, jednak de facto jest wspólnym mianownikiem współ-czesnych aplikacji sztucznej inteligencji, a co wię-cej, podkreśla aktualne podejście do ich budowy.
Przykładowe projekty realizowane w USA na po-trzeby militarnych zastosowań sztucznej inteligencji do zapanowania nad coraz większą ilością danych, które należy przeanalizować, by dostarczyć informa-cji lub wiedzy będącej podstawą podejmowania decy-zji, to m.in. XData, HPKB (High Performance Know-ledge Bases) i RKF (Rapid KnowKnow-ledge Formation).
W tym miejscu pojawia się potrzeba przyjęcia pewnej klasyfikacji, która porządkuje bogaty wa-chlarz już wdrożonych lub potencjalnych zastosowań sztucznej inteligencji w ramach podejścia adaptacyj-nego sił zbrojnych do wprowadzania innowacyjnych technologii. Ponieważ aktualne podejście do plano-wania i programoplano-wania rozwoju Sił Zbrojnych RP jest realizowane na podstawie tzw. zdolności opera-cyjnych, przykładowe zastosowania sztucznej inteli-gencji można przedstawić według taksonomii tzw.
obszarów zdolności, np.: Dowodzenie, Rozpoznanie, Rażenie, Przetrwanie i ochrona wojsk oraz Logi-styczne zabezpieczenie działań.
W obszarze zdolności Dowodzenie zasadniczym zastosowaniem sztucznej inteligencji jest fuzja da-nych (różne formaty, redundancja, rozbieżności) z różnych domen operacyjnych, co umożliwia two-rzenie wspólnego obrazu operacyjnego (Common Operational Picture – COP) na różnych poziomach dowodzenia, a w konsekwencji podniesienie świado-mości sytuacyjnej. Przykładowe projekty realizowa-ne w tym obszarze w USA to stanowiska dowodze-nia przyszłości (The Command Post of the Future – CPOF) oraz Program wojny mozaikowej (Mosaic Warfare Program). Celem projektu CPOF jest opra-cowanie rozwiązań umożliwiających dynamiczne
„powoływanie” w trakcie działań bojowych wę-złów C2 (Command and Control) dla wielodomeno-wych operacji prowadzonych z wykorzystaniem licz-nych, możliwie heterogenicznych platform (efekto-rów i senso(efekto-rów), w celu uzyskania przewagi charakterystycznej dla działań asymetrycznych. Ko-lejnym krokiem będzie wykorzystanie algorytmów sztucznej inteligencji do wypracowywania możli-wych kierunków działania (Courses of Action) na podstawie analizy pozyskanych w czasie rzeczywi-stym danych, co ma służyć podniesieniu jakości i szybkości procesu decyzyjnego.
W obszarze zdolności Rozpoznanie sztandarowym zastosowaniem sztucznej inteligencji jest identyfika-cja (namierzanie), rozpoznanie, następnie śledzenie obiektów na obrazach rejestrowanych przez satelity lub bezzałogowe statki powietrzne (BSP). Tego typu funkcjami dysponuje system wykorzystywany w praktyce, powstały w ramach pionierskiego pro-i przestawpro-iano je na sterowanpro-ie
komputerowo--programowe. Był to jednak anarchizm. Nowy, mar-twy mikrożołnierz wymagał zupełnie nowego, rewo-lucyjnie radykalnego podejścia do wszystkich zagad-nień taktyki i strategii. Obecnie jesteśmy właśnie na bardzo wczesnym etapie przemiany sił zbrojnych, próbujących, niestety, jedynie znaleźć zastosowanie nowoczesnych technologii końca XX i początku XXI wieku, w tym sztucznej inteligencji do realiza-cji klasycznych celów i zadań w ramach istniejącej sztuki wojennej (poza nielicznymi wyjątkami).
Przyszłość będzie jednak wymagała rewolucyjnie radykalnego podejścia, a siły zbrojne gotowe do zmia-ny sposobu myślenia zyskają niesamowitą przewagę.
Wyzwanie przyszłości doskonale streszcza Lem, pi-sząc: Otóż kiedy czas podejmowania służącej pokojowi decyzji jest dłuższy aniżeli czas powstawania takich militarnych innowacji, które radykalnie zmieniają stan podległy decydowaniu, każda decyzja staje się w chwi-li jej podjęcia – anachronizmem. Choć w tym momen-cie nie wiemy, dokąd zastosowania sztucznej inteli-gencji nas zaprowadzą, w wypadku adaptacyjnego, a tym bardziej rewolucyjnego podejścia, to z całą pew-nością idziemy tam bardzo szybko…
Zasadniczym zastosowaniem sztucznej inteligen-cji, w szczególności uczenia maszynowego (zarów-no w obszarze cywilnym, jak i militarnym), jest umożliwienie przetwarzania i analizowania
olbrzy-PRZEGLĄD SIŁ ZBROJNYCH nr 6 / 2020
50
jektu Pentagonu o nazwie Znawca (Project Maven).
Innym przykładem jest projekt Strefa walki, która widzi (Combat Zone That See). Jego celem było śle-dzenie wszystkiego, co się rusza. Według założeń obrazy do analizy przez algorytmy sztucznej inteli-gencji są pozyskiwane w tym wypadku z kamer mo-nitorujących budynek, miasto lub dowolny obszar.
Standardowe już rozwiązania sztucznej inteligencji do analizy obrazu, w tym efekty dwóch przedstawio-nych projektów, umożliwiają identyfikację obiektów niezwykle skutecznie. Jednak wciąż dużym wyzwa-niem jest rozumienie kontekstu, w jakim zidentyfi-kowano obiekt na obrazie. Upraszczając, ale oddając istotę sprawy, współczesne algorytmy doskonale ra-dzą sobie z nazywaniem obiektów (lista rzeczowni-ków) na obrazach, jednak dużą trudnością jest iden-tyfikacja czynności realizowanych przez nie (lista czasowników), czyli opisywanie dynamiki. Przykła-dowym projektem, który ten problem w ramach za-stosowań militarnych częściowo rozwiązuje, jest projekt Oko umysłu (Mind’s Eye).
Kolejne zastosowania algorytmów sztucznej inte-ligencji w obszarze Rozpoznanie to m.in.: ocena sta-nu zdrowia, wydolności (skuteczności) lub zachowa-nia osoby (żołnierza) w zależności od warunków, wielojęzyczne rozpoznawanie i tłumaczenie mowy w „hałaśliwym otoczeniu”, geolokalizacja obiektów ze zdjęć pozbawionych metadanych czy w końcu niezwykle intrygujące wnioskowanie o funkcji bu-dynku – zgodnie z analizą wzorca zachowania do-mowników (pracowników).
W wypadku obszaru zdolności Rażenie zastosowa-nie inteligentnych maszyn wzbudza najwięcej kontro-wersji, w szczególności jeśli chodzi o śmiercionośne działania kinetyczne, czyli tzw. Lethal Autonomous Weapon Systems (LAWS). Warto jednak zwrócić uwagę, że autonomiczne, bez udziału człowieka, dzia-łanie systemów uzbrojenia może być konieczne przy-najmniej w dwóch sytuacjach. Po pierwsze, w środo-wisku niedostępnym dla tradycyjnych systemów uzbrojenia, po drugie, w razie utraty możliwości ko-munikacji. Pokusa użycia tego rodzaju uzbrojenia zdaniem autora jest niezwykle duża w wypadku roz-woju chociażby programów podboju Kosmosu.
W obszarze zdolności Ochrona i przetrwanie wojsk prace w USA nad zastosowaniem inteligent-nych maszyn są bardzo liczne i obiecujące. Wpisuje się to w spostrzeżenie, że prawdziwa inteligencja (jak by ją nie definiować) w wielu zadaniach nie jest potrzebna. We wspomnianej już Bibliotece XXI wie-ku Stanisław Lem pisał: Przecież dla olbrzymiej większości zadań, jakie wykonują ludzie, na 97,8%
stanowisk pracy zarówno fizycznej, jak i umysłowej, inteligencja nie jest w ogóle potrzebna. A co jest po-trzebne? Dobra orientacja, rutyna, zręczność, bie-głość. Ideą licznych projektów jest zastąpienie ludzi we wszystkich zadaniach, które są dull, dangerous, or dirty, systemami autonomicznymi lub częściowo autonomicznymi. Przykładowe projekty z tego
ob-szaru to m.in.: Multi Utility Tactical Transport (MUTT), Robotic Combat Vehicle (RCV), Loyal Wingman, Sea Hunter, Atlas, BigDog, Spot czy Energetically Autonomous Tactical Robot (EATR).
Warto w tym miejscu zwrócić uwagę na bardzo obiecujące prace nad rojami inteligentnych maszyn.
Celem ich, np. Collaborative Operations in Denied Environment (CODE), jest umożliwienie kooperacji między dużą liczbą zwykle małych maszyn, tzw.
swarming. Przykładowym zastosowaniem militar-nym jest np. maskowanie przez roje BSP obiektu lub manewru wojsk czy też budowa mostu linowego.
W obszarze zdolności Logistyczne zabezpieczenie działań intuicyjne zastosowanie inteligentnych ma-szyn to wykorzystanie systemów autonomicznych lub częściowo autonomicznych do przemieszczania sił i środków, zaopatrywania oraz załadunku i rozładun-ku. Przykładowym projektem jest choćby wspomnia-ny Multi Utility Tactical Transport. Analogiczne roz-wiązanie z rynku cywilnego, które może znaleźć sze-rokie zastosowanie w wojsku, to np. pomysł firmy Amazon dotyczący wykorzystania BSP na potrzeby
W obszarze zdolności Logistyczne zabezpieczenie działań intuicyjne zastosowanie inteligentnych ma-szyn to wykorzystanie systemów autonomicznych lub częściowo autonomicznych do przemieszczania sił i środków, zaopatrywania oraz załadunku i rozładun-ku. Przykładowym projektem jest choćby wspomnia-ny Multi Utility Tactical Transport. Analogiczne roz-wiązanie z rynku cywilnego, które może znaleźć sze-rokie zastosowanie w wojsku, to np. pomysł firmy Amazon dotyczący wykorzystania BSP na potrzeby