隨著歐洲各國軍隊適應現代戰爭中人工智慧和無人機的應用，一家受北約支持的新創公司正協助部署由 AI 驅動的目標偵測與選擇系統，使其能在小型無人機上執行監視和攻擊任務。
這家名為 Scaleout Systems 的公司於 2018 年由瑞典烏普薩拉大學的研究人員創立，最初專注於在商用卡車和其他車輛的硬體上訓練和部署機器學習模型。然而，自從俄羅斯於 2022 年全面入侵烏克蘭後，該公司便轉向國防應用。
Scaleout Systems 共同創辦人暨執行長 Andreas Hellander 向 Ars Technica 表示：「隨著烏克蘭戰爭和世界局勢的變化，我們意識到這項技術對於將邊緣數據和感測器數據應用於機器學習至關重要，以確保北約盟友能獲得戰略優勢。」
Scaleout 並未使用 OpenAI 或 Anthropic 的尖端 AI 模型，而是採用更精簡的模型，例如能在無人機或前線基地電腦硬體上執行電腦視覺任務的機器學習模型。Hellander 說：「這些模型需要適應前線部署的硬體和邊緣硬體，其範圍從小型嵌入式設備到功能強大的邊緣工作站都有。」
Scaleout 獲選加入北約 2025 年的「北大西洋國防創新加速器挑戰計畫」（DIANA Challenge Program）。在此計畫中，該公司參與了「聯邦式空中情報偵察」專案，旨在將機器學習模型應用於無人機、無人機飛行員平板電腦和野戰指揮所中的邊緣運算硬體。
這些 AI 模型可以協助無人機操作員執行目標識別等任務，即使無人機的攝影機和感測器正在收集周圍戰場環境的數據。它們可以間歇性地與當地排或連總部的運算節點分享選擇性的更新，而無需傳輸敏感的原始數據。這些總部運算節點有助於利用從多個來源匯總的新戰場數據來重新訓練 AI 模型，然後在適當時機將更新後的功能推送到邊緣設備。
Hellander 向 Ars Technica 表示：「模型可能是在沙漠環境中訓練的，如果我們試圖將它們部署在城市環境中，它們的表現就不會很好。」他說：「如果我們能在一天的時間內，或在一次行動中，發布多個新版本的模型，這些模型能從實際邊緣產生的大量感測器數據中不斷學習和改進，這就是可持續的優勢。」
這項技術意味著軍用無人機和設備可以受益於獨立運作的本地 AI 模型，而無需依賴與資料中心中託管大型 AI 模型的中央伺服器進行持續通訊。在美伊戰爭期間，大型資料中心曾成為攻擊目標並被摧毀，此時依賴集中式位置運行 AI 模型顯得風險更高。這種方法在現代戰場上也極為有用，因為電子戰和敵方干擾會頻繁地干擾通訊訊號。越來越多的烏克蘭軍用無人機已經將機載 AI 功能整合到廉價的自殺式無人機中。
Hellander 向 Ars Technica 表示：「我們已經為基於無人機的監視和偵察系統建立了一個可運作的概念。」「這也是我們在瑞典公開展示過的成果。」Scaleout 正在參與由 BAE Systems Bofors 主導的「平價滯空模組化彈藥」（ALMA）專案，該專案旨在開發一種低成本的自主自殺式無人機。
ALMA 概念於今年一月在瑞典舉行的 Winter Demo 2026 活動中首次公開展示。
根據 Scaleout Systems 關於 ALMA 功能的簡報，該次展示顯示無人機如何能自主地「利用 AI 偵測、識別並定位所有潛在的發現威脅」。簡報指出：「所有數據都由專用的機載運算處理，使系統能夠即時運行，無需任何外部處理。」利用其機載 AI 功能，無人機自動將任務定義的最高價值目標（在此案例中為一輛裝甲工程車）列為優先，並飛向該目標投下炸藥。
人類操作員仍可控制和指揮無人機，但無人機是在沒有直接人類指令的情況下自行執行任務的。
今年六月，Scaleout 也在烏普薩拉的瑞典空軍基地測試了其技術，瑞典軍方已獲得使用 Scaleout 主要軟體平台的許可。該次展示顯示，即使軍事基地的前線部署運算節點與 Scaleout Systems 實驗室的中央運算節點失去連線，它仍能運行自己的 AI 推論和主動學習過程。
一旦連線恢復，本地 AI 模型更新便會與中央運算節點共享。Hellander 解釋說，這種聯邦式學習策略允許 AI 模型的去中心化網路從匯總數據中學習，最終可以擴展到整個地理區域或國家。「原則上，你可以開啟北約成員國之間的合作。」他說。