Con la creciente integración de sistemas de IA en todas las facetas militaries de Estados Unidos, las realidades en el terreno en Oriente Medio están planteando problemas serios para mantener la capacidad de cómputo y la conectividad necesarias para mantener operativas las plataformas.

Los drones, sensores, la focalización asistida por IA y la toma de decisiones impulsada por modelos dependen de estos sistemas, y la destrucción de un único centro de datos en primera línea puede dañar significativamente la capacidad de una fuerza para funcionar.

Sin embargo, los desafíos van más allá del hardware. ¿Cómo se adapta un dron a las condiciones de misión cuando no puede comunicarse? ¿Cómo pueden los modelos de IA continuar inferencia sin acceso a datos críticos del campo? ¿Qué compromisos deben hacerse para preparar IA de campo de batalla para estas condiciones?

La IA de campo de batalla debe seguir funcionando, incluso cuando las comunicaciones se caen o el hardware se desactiva

Aunque el conflicto en el estrecho de Hormuz es una empresa potencialmente muy costosa, Irán ofrece lecciones valiosas para los operadores. Confiar en centros de datos tradicionales en Oriente Medio ya ha mostrado sus debilidades. Estos inmensos almacenes resultan blancos fáciles para misiles asequibles, y sistemas enteros pueden quedar fuera de servicio con un solo impacto.

Palantir ya ha empezado a desplegar contenedores de envío equipados con hardware Nvidia como alternativa a los centros de datos tradicionales. Estos contenedores pueden desplegarse en las líneas del frente y conectarse directamente a flujos operativos, ofreciendo cómputo descentralizado donde más se necesita.

Scaleout es una empresa que construye infraestructura para IA en el borde y aprendizaje federado, que entrena modelos en datos distribuidos y sensibles sin centralizarlos. La empresa ha trabajado con la OTAN —más recientemente con la Fuerza Aérea Sueca— y con primes de defensa como BAE Systems.

Andreas Hellander es el CEO y cofundador de Scaleout. Posee un doctorado en Informática Científica y una maestría en Ingeniería Biotecnológica, y es Profesor Asociado en la Universidad de Uppsala, donde fundó uno de los grupos de investigación más destacados del Departamento de Tecnología de la Información antes de fundar Scaleout.

Conversé con Andreas para entender mejor cómo hacer que los sistemas de IA en el campo de batalla sean más resilientes y cómo los drones, sensores y otras tecnologías de primera línea pueden seguir funcionando cuando las condiciones se deterioran.

• ¿Qué ocurre cuando partes del cómputo y hardware de una IA de campo de batalla quedan fuera de línea? ¿Qué redundancias aseguran que las comunicaciones entre sistemas se mantengan operativas?

El objetivo no es prometer una conexión irrompible; es evitar que la pérdida de un componente elimine toda la capacidad. En nuestra arquitectura, un nodo desconectado continúa la inferencia local usando su último modelo aprobado, almacenando detecciones y telemetría hasta que regrese la conexión.

Pueden utilizarse múltiples puntos de agregación por encima del borde. Si alguno deja de estar disponible, se reasignan clientes y el entrenamiento puede continuar con los que sigan accesibles. No proveemos la red táctica de comunicaciones en sí; nuestro trabajo es garantizar que la carga de IA no asuma que cualquier enlace de radio, satélite u otro estará siempre disponible.

• ¿Cuáles son las compensaciones entre una red de IA de campo de batalla altamente centralizada y un enfoque más distribuido, especialmente en lo relativo a recolección de datos, focalización, coordinación en el campo y logística?

La centralización ofrece una imagen operativa coherente, una potencia de cómputo sustancial y un lugar claro para aplicar políticas de seguridad y aprobación de modelos. Apoya la coordinación teatral y la logística, pero concentra riesgos: perder un enlace o una instalación puede reducir de manera desproporcionada la capacidad, mientras que mover grandes o sensibles conjuntos de datos puede ser lento, prohibido o imposible.

Un sistema distribuido mantiene el análisis cerca del sensor, reduciendo la latencia y permitiendo funciones locales durante la desconexión. La desventaja es la fragmentación. La focalización basada en una imagen parcial o desactualizada es arriesgada, y decisiones logísticas locales pueden no ser óptimas para la fuerza en conjunto. El diseño óptimo suele ser híbrido: coordinación central cuando está disponible, con capacidad local claramente delimitada cuando no lo está. La autoridad permanece en el proceso humano de mando y control.

• ¿Cómo se adaptan estos drones y sensores de IA al campo de batalla y cuáles son las diferencias entre el comportamiento de un dron que aún puede comunicarse y el que ha perdido la comunicación?

Es importante distinguir entre ejecutar un modelo y retrainarlo. Las plataformas pequeñas suelen realizar inferencia en vuelo, mientras que el retrainado controlado y su aprobación ocurren en un nodo en tierra o en un equipo de borde más capable. El aprendizaje a bordo existe en investigación, pero el retrainado no controlado durante la misión crea problemas serios de aseguramiento.

Una plataforma conectada puede compartir detecciones, recibir tareas y contribuir a una imagen operativa más amplia. Después de perder su enlace, un dron sigue su fallo seguro preaprobado: según la misión, puede continuar una tarea acotada, regresar, mantenerse o aterrizar. El procesamiento a bordo puede mantener la percepción y la navegación, pero la plataforma pierde contexto externo, nuevas instrucciones y coordinación con la flota. La desconexión debe ser un estado operativo diseñado, con límites explícitos, no un modo de emergencia improvisado.

• ¿Cómo se utiliza la data recopilada por estos drones y sensores para ayudar a la IA de campo de batalla a adaptarse a nuevas condiciones, amenazas y tácticas?

La data útil es a menudo la más difícil de mover, por lo que enviamos el modelo a la data en lugar de centralizar las imágenes. El software de aprendizaje activo identifica los fotogramas más probables de mejorar, como detecciones inciertas, objetos poco familiares o condiciones cambiadas. Una persona aún etiqueta el material seleccionado; el software reduce la búsqueda, no elimina la necesidad de juicio humano.

El modelo se ajusta localmente y se prueba contra un punto de referencia. Un candidato también puede ejecutarse junto al modelo actual en modo sombra antes de que un operador lo apruebe. Donde la política y la conectividad lo permitan, los sitios intercambian actualizaciones de modelos protegidos en lugar de footage de entrenamiento sin procesar, combinándolos en un modelo compartido. El aprendizaje federado reduce el movimiento de datos, pero las actualizaciones deben seguir siendo seguras, validadas y auditadas.

• ¿Cuáles son los principales desafíos que encuentras al desplegar drones y sensores de IA? ¿Qué capacidades hay disponibles para que las fuerzas militares obtengan el cómputo y la producción de energía necesarios cerca de la primera línea?

Los constraints más duros suelen ser potencia, calor, peso, condiciones climáticas, vibración, guerra electrónica, datos inconsistentes y actualizaciones de software seguras a través de una flota mixta. La integración y la acreditación pueden ser tan exigentes como el aprendizaje automático.

El cómputo es comercialmente disponible: módulos de bajo consumo como NVIDIA Jetson para plataformas pequeñas, y servidores GPU robustos o unidades de borde contenedorizadas para sitios terrestres. La energía es más difícil. Cada procesador compite con propulsión, sensorización y comunicaciones, mientras que generadores, baterías y equipos de distribución añaden carga logística y nuevos puntos de fallo. En nuestra demostración pública con BAE Systems Bofors, la carga de percepción se ejecutó en cómputo a bordo a -18°C sin conectividad. El principio es usar la huella más pequeña posible y partir de la premisa de que tanto la energía como el ancho de banda serán escasos.

• Existe una involucración cada vez más difusa de empresas comerciales que prestan servicios para uso militar, como centros de datos de AWS en Oriente Medio y producción de drones en el Reino Unido para Ucrania. ¿Cómo se están adaptando estas empresas a la presión de ser consideradas posibles blancos legítimos en un conflicto?

Hablando en nombre de Scaleout, y no del sector en su conjunto, diseñamos nuestra plataforma para que la operación de un cliente no dependa de la disponibilidad continua de Scaleout. Funciona en la infraestructura del cliente, puede operar aislada del aire y no requiere una llamada de licencia, una conexión a nuestro sistema o a una nube pública.

Eso importa en cualquier entorno disputado o desconectado: depender de un proveedor remoto puede convertirse en una vulnerabilidad operativa. Por ello, nuestra aproximación ha sido mantener el control y la continuidad local al cliente, en lugar de convertir nuestra propia infraestructura en una dependencia crítica.

La cuestión más amplia de cómo se perciben los proveedores comerciales en un conflicto es una materia para responsables de políticas, expertos legales y las empresas implicadas. No queremos adentrarnos en especulaciones sobre evaluaciones de riesgo o modelos operativos de otros proveedores.

• ¿Cuál es la trayectoria futura de estos sistemas? ¿Cada dron y sensor tendrá su propia conectividad que pueda retroalimentarse a través de una red satelital global? ¿Podrán operar de forma autónoma durante varios días o semanas sin intervención humana?

La conectividad mejorará, también a través de satélites de órbita baja, pero es poco probable que conectar cada sensor directamente al espacio sea la solución universal. Los terminales consumen energía y espectro, agregan costo y pueden generar una firma electrónica. Un patrón más resiliente combina enlaces locales en malla, sincronización oportunista y puertas de enlace seleccionadas a satélite u otras comunicaciones de largo alcance.

Una operación desconectada por más tiempo es realista, pero la autonomía está a menudo limitada por baterías, clima y mantenimiento, más que por software de IA. También existe una distinción crítica entre operar sin conexión y operar sin autorización humana. Lo primero es una propiedad de resiliencia; lo segundo es una decisión de política, legal y ética. Por lo tanto, el futuro no es simplemente más autonomía, sino control verificable: saber qué modelo corrió en cada plataforma, qué lo produjo, dónde estuvieron sus límites y quién lo aprobó.