محدودیت‌های سامانه جدید ارتش آمریکا در برابر گرد و غبار

به گزارش خبرگزاری ۶۰ثانیه، گزارش اخیر ارتش آمریکا درباره «لایه تماس پهپادی مجهز به هوش مصنوعی» در لشکر ۱۰۱ هوابرد، تصویری از مسیری ارائه می‌کند که ارتش آمریکا برای جنگ آینده دنبال می‌کند: داده حسگرها وارد مدل‌های هوش مصنوعی می‌شود تا حجم عظیم اطلاعات سریع‌تر تحلیل، اهداف شناسایی و زمان برنامه‌ریزی کوتاه شود. اما منبع اولیه ارتش نشان می‌دهد این قابلیت هنوز یک «چشم خودمختار و همه‌کاره» نیست؛ بلکه در کنار انسان، حسگر، ارتباطات و سامانه‌های دیگر کار می‌کند و حتی فرمانده یگان صراحتاً از حوزه‌هایی سخن گفته که هوش مصنوعی در آنها عملکرد مناسبی نداشته است.

این تفاوت زمانی مهم می‌شود که همین ارتش در یوما، آریزونا، در حال آزمایش سامانه‌های مقابله با پهپاد در محیط واقعی‌تر است؛ محیطی با گرمای شدید، باد و گردوغبار. در این راستا فالکن پیک ۲۶.۲ از ۳۱ اوت تا ۲۵ سپتامبر برگزار شد و برای نخستین‌بار در میدان آزمایش یوما تلاش کرد شرایط طبیعی منطقه مرزی جنوب آمریکا را وارد ارزیابی سامانه‌های ضدپهپادی کند.

ارتش آمریکا خودش مرز توانایی هوش مصنوعی را دیده است لشکر ۱۰۱ هوابرد طی رزمایش ماه آوریل در مرکز آمادگی مشترک ارتش آمریکا، هوش مصنوعی را در فرایند برنامه‌ریزی خود ادغام کرد. سرهنگ رایان بل، فرمانده تیپ سوم این لشکر، گزارش داد طی ۱۰ روز بیش از ۲۵ هزار گزارش موقعیتی از حسگرهای پهپادی تولید شد و هوش مصنوعی برای پردازش و فهم این حجم اطلاعات به کار رفت.

هر بخش ستادی نیز بات مخصوص خود را داشت و بات اطلاعاتی تیپ، گزارش‌ها را برای درک و تجسم بهتر محیط عملیاتی تحلیل می‌کرد. در ظاهر، این همان چیزی است که از هوش مصنوعی در چرخه معروف «اُودا» (مشاهده، جهت‌یابی، تصمیم و اقدام سریع‌تر) انتظار می‌رود.

با این حال، تحلیل دقیق‌تر اظهارات همین فرمانده نشان می‌دهد این چرخه هنوز کاملاً اتوماتیک نشده است. بل تصریح می‌کند هوش مصنوعی برای تحلیل مأموریت مفید بود، اما برای تعیین «نیت فرمانده» به کار نرفت و برای توسعه گزینه‌های عملیاتی نیز کنار گذاشته شد.

دلیل او کاملاً فنی و مشخص بود: مدل‌های زبانی بزرگ هنوز در درک فضای سه‌بعدی و تبدیل آن به یک طرح تاکتیکی قابل اتکا مشکل دارند. در عوض، هوش مصنوعی برای آزمون مجدد گزینه‌های طراحی‌شده توسط انسان و سرعت‌بخشیدن به تولید دستورات استفاده شد.

به این ترتیب، ارتش آمریکا در میدان واقعی یک محدودیت حیاتی را رسماً به ثبت رسانده است: هوش مصنوعی می‌تواند حجم عظیمی از اطلاعات را سریع‌تر بخواند، اما هنوز الزاماً توانایی تبدیل معنای تاکتیکی آن اطلاعات در فضای سه‌بعدی جنگ به یک طرح عملیاتی دقیق را ندارد. آزمون دوم حتی برای خود ارتش هم بدون شکست نبود محدودیت دیگری نیز در جریان همین رزمایش نمایان شد.

لشکر ۱۰۱ روی سناریوی کنترل «یک به چند» پهپادها تمرکز داشت؛ الگویی که در آن یک اپراتور انسانی مدیریت چند پهپاد را به دست می‌گیرد. بل اذعان کرد در مرکز آمادگی مشترک، تلاش برای کنترل هم‌زمان پنج پهپاد با شکست مواجه شد، هرچند همین قابلیت بعدها در رزمایش دیگری در مونتانا به‌صورت یک به پنج اجرا گردید.

بررسی این جزئیات نشان می‌دهد «خودمختاری» یک کلید روشن/خاموش ساده نیست. گذار از کنترل یک پهپاد به چند پهپاد، مستلزم حل هم‌زمان چالش‌های متعدد در حوزه ارتباطات، آگاهی موقعیتی، کنترل پلتفرم‌ها، تخصیص مأموریت و ارتقای سطح اعتماد اپراتور است.

فرمانده لشکر ۱۰۱ در همین زمینه هشدار داد: میزان استرس واقعی یک سرباز در صحنه نبرد را نمی‌توان به‌طور کامل در محیط‌های آموزشی بازسازی کرد؛ بنابراین سامانه‌ها باید دقیقاً برای شرایطی طراحی شوند که اپراتور ممکن است خسته، تحت فشار شدید و درگیر چند مأموریت هم‌زمان باشد. این یعنی عملکرد موفق یک سامانه در شرایط ایزوله آزمایشگاهی، ضمانتی برای پایداری کل زنجیره در زمانی که انسانِ داخل حلقه خسته و شبکه ارتباطی تحت فشار است، ایجاد نمی‌کند.

فالکن پیک یک چشم واحد نیست؛ یک زنجیره چندلایه است در رزمایش فالکن پیک ۲۶.۲، ارتش آمریکا از الگوی سامانه تک‌محور دست کشیده و ساختار آزمایش را به سه حوزه اصلی تقسیم کرده است: حسگرها، مقابله الکترونیکی و درگیری جنبشی. هدف نهایی این ساختار، ایجاد یک زنجیره یکپارچه برای کشف، رهگیری، شناسایی و انهدام تهدیدات است.

این طراحی چندلایه اثبات می‌کند که حتی پیشرفته‌ترین الگوریتم‌های تشخیص هدف به‌تنهایی قادر به ایفا نقش یک پدافند ضدپهپاد جامع نیستند. چنانچه حسگر در گام نخست موفق به کشف هدف نشود، مدل هوش مصنوعی داده‌ای برای تحلیل در اختیار نخواهد داشت.

با قطع ردگیری، فرایند شناسایی مختل می‌شود؛ با اخلال در شبکه ارتباطی، انتقال داده‌ها یا فرمان‌ها با تأخیر روبه‌رو خواهد شد؛ و در نهایت اگر سامانه درگیری نتواند بر اساس داده ورودی اقدام کند، شناسایی صحیح نیز فاقد ارزش عملیاتی خواهد بود. از همین رو، موفقیت یک مدل هوش مصنوعی را صرفاً باید در طول کل زنجیره «حسگر تا تیر» سنجید.

یوما واقعاً سخت است؛ اما هنوز میدان جنگ کامل نیست نکته حائز اهمیت درباره فالکن پیک این است که میدان آزمایش یوما یک آزمایشگاه خنک و ایزوله نیست. ارتش آمریکا از این منطقه به عنوان مرکز تخصصی سنجش تجهیزات در گرمای شدید و شرایط بیابانی بهره می‌برد و گرما و شرایط سخت طبیعی را بخش اصلی فلسفه آزمایشی آن قرار داده است.

در جریان فالکن پیک ۲۶.۲، برای نخستین بار شرایط طبیعی منطقه مرزی جنوب آمریکا وارد چرخه ارزیابی ضدپهپادی شد. گزارش‌های میدانی «بریکینگ دیفنس» حاکی از دمای بالای ۱۰۰ درجه فارنهایت و وزش بادهای شدید همراه با ابرهای گردوغبار در محل آزمون بود؛ گردوغباری که تا عمیق‌ترین سطوح تجهیزات نفوذ می‌کرد.

با وجود این، یک تمایز ساختاری میان این آزمایش‌ها و صحنه واقعی نبرد وجود دارد: یوما یک محیط آزمایشگاهیِ کنترل‌شده است. ارتش در این منطقه مدیریت کامل طیف فرکانسی رادیویی را در دست دارد؛ عاملی که آن را به منطقه‌ای ایده‌آل برای ارزیابی اولیه حسگرها و سامانه‌های پهپادی تبدیل کرده است.

علاوه بر این، در فالکن پیک از یک معماری مشترک فرماندهی و کنترل استفاده شده و استانداردهای اندازه‌گیری برای سه مسیر آزمایش تثبیت شده‌اند. در مقابل، لشکر ۱۰۱ هوابرد میدان نبرد واقعی را محیطی با ارتباطات به‌شدت مورد مناقشه توصیف می‌کند.

این یگان در رزمایش مرکز آمادگی مشترک مجبور شد پست‌های فرماندهی را تفکیک، ارتباطات بی‌سیم را محدود و بخشی از عملیات را در سکوت کامل الکترومغناطیسی اجرا کند. بنابراین، داده‌های منتشرشده از فالکن پیک اثبات نمی‌کند که سطح اخلال، قطع ارتباطات، فریب حسگرها و فشار بر شبکه، هم‌زمان با عوامل محیطی نظیر گرما و گردوغبار بازسازی شده باشند.

واقعیت این است که یک محیط سخت محیطی، لزوماً یک محیط خصمانه عملیاتی نیست. گرما فقط سرباز را خسته نمی‌کند؛ حسگر را هم تحت فشار می‌گذارد فشار محیطی تنها متوجه نیروی انسانی نیست، بلکه عملکرد حسگرها را نیز مستقیماً مختل می‌کند.

ارتش آمریکا در سال ۲۰۲۵ ناچار شد برای حسگرهای الکترواپتیکی/فروسرخ سامانه «گری‌ایگل» سیستم خنک‌کننده اختصاصی طراحی کند؛ چرا که قرارگیری حسگر در دمای بالای باند پرواز موجب داغ‌شدن بیش از حد، خاموشی یا آسیب‌دیدگی تجهیزات کشف و طبقه‌بندی تهدیدات می‌شد. تجربیات ارتش در یوما نشان داده که گردوغبار از سرسخت‌ترین موانع در برابر عملکرد حسگرهاست.

در برنامه‌های آزمایشی این مرکز، از ترکیب داده‌های حسگرهای مختلف از جمله فروسرخ، رادار و لیدار برای بازسازی تصویر محیط استفاده می‌شود. این مسئله چالش بنیادی هوش مصنوعی را نمایان می‌سازد: پیش از آنکه الگوریتم دچار خطای محاسباتی شود، تصویر ورودی به دلیل اختلالات حسگری ناقص یا مخدوش شده است.

مدلی که مسئولیت تشخیص یک پهپاد را از طریق تصویر دوربین یا داده‌های حرارتی بر عهده دارد، «واقعیت» را به‌طور مستقیم درک نمی‌کند، بلکه صرفاً خروجی حسگرها را پردازش می‌نماید. افت کیفیت این خروجی، کل فرایند پردازش الگوریتم را پیش از آغاز تحلیل مخدوش می‌سازد.

هرمز یک یوما با آب بیشتر نیست! این تفاوت تحلیلی هنگام بررسی محیط‌های پیچیده‌تر مانند خلیج فارس و تنگه هرمز اهمیت دوچندان می‌یابد.

یوما محیطی بیابانی، خشک و دارای طیف فرکانسی کاملاً تحت کنترل است، در حالی که جغرافیای دریایی متغیرهای کاملاً متفاوتی را تحمیل می‌کند. نیروی دریایی آمریکا در اسناد فنی سامانه‌های لیزری دریایی تصریح کرده است که بخار آب، ذرات نمک، شن و گردوغبار و آشفتگی‌های جوی موجب جذب یا پراکندگی نور لیزر و کاهش شدید برد مؤثر آن می‌شوند.

به همین علت، ارزیابی این سامانه‌ها مستلزم شبیه‌سازی رطوبت، نمک، مه، چگالی متغیر هوا و نوسانات دماست. دفتر پژوهش‌های نیروی دریایی نیز ارتقای حسگرهای الکترواپتیکی و فروسرخ برای شرایط دید محدود و جوی متغیر را به عنوان یک حوزه تحقیقاتی مجزا دنبال می‌کند.

این به معنای شکست مطلق هوش مصنوعی در محیط‌های دریایی نیست، بلکه نشان می‌دهد نتایج به دست آمده از یک محیط بیابانی را نمی‌توان بدون آزمون‌های مجدد به جغرافیای دریایی تعمیم داد. در سناریوهای ساحلی یا دریایی، مدل هوش مصنوعی علاوه بر تشخیص فرم و حرکت هدف، با چالش‌هایی نظیر نوسانات شدید پس‌زمینه حرارتی، رطوبت، بازتاب‌های سطح آب و ذرات معلق روبه‌رو است که فاصله میان داده‌های آموزشی و داده‌های عملیاتی واقعی را افزایش می‌دهد.

اختلال ارتباطی می‌تواند همان چشم را کور کند سامانه‌های هوشمند برای دریافت، همجوشی داده‌ها و ایجاد هماهنگی میان حسگرها و ابزارهای درگیری به شدت به شبکه ارتباطی وابسته‌اند. ارتش آمریکا در پروژه‌های تحقیقاتی خود توسعه هوش مصنوعی برای «محیط‌های الکترومغناطیسی مورد مناقشه» را در اولویت قرار داده و تأکید می‌کند که نبردهای آتی با نبرد الکترونیک فشرده و به‌کارگیری گسترده پهپادهای خودمختار همراه خواهد بود.

اسناد پژوهشی ارتش نشان می‌دهد در یک نبرد خصمانه، احتمال نابودی پلتفرم‌ها، قطع ارتباطات و ارسال داده‌های مخدوش از سوی حسگرها وجود دارد، در حالی که سیستم هوش مصنوعی باید همچنان تصمیم درست را اتخاذ کند. بر این اساس، سنجش واقعی هوش مصنوعی تنها به توانایی تشخیص هدف محدود نمی‌شود، بلکه سنجش این نکته است که آیا سامانه در صورت دریافت داده‌های فریبکارانه یا ناقص، قادر به درک میزان عدم قطعیت محاسبات خود هست یا خیر.

ارزیابی میزان اعتماد به هوش مصنوعی به حدی اهمیت یافته که آزمایشگاه تحقیقات ارتش در اوت ۲۰۲۶ گزارشی اختصاصی با عنوان «اعتماد و همکاری سرباز ـ هوش مصنوعی» منتشر نمود. این سند بررسی می‌کند که سامانه‌های هوشمند چگونه بر بار کاری، اعتماد، انسجام تیمی و سازگاری انسان و ماشین اثر می‌گذارند و اذعان دارد که معیارهای قدیمی ارزیابی تیم‌های انسانی برای سامانه‌های هوشمند جدید کافی نیستند.

هم‌زمان، مؤسسه نوآوری هوش مصنوعی ارتش در گزارش‌های فنی خود موضوعاتی چون «استحکام در برابر حملات خصمانه» و تصمیم‌گیری در شرایط نبرد الکترونیک را در اولویت تحقیقاتی قرار داده است. این اقدامات اثبات می‌کند که خود ارتش هنوز هوش مصنوعی را یک فناوری کاملاً پخته و قابل اتکا در محیط‌های خصمانه نمی‌داند.

حتی موفقیت یک سامانه واحد هم کافی نیست همان‌طور که فرمانده جی‌آی‌ا‌تی‌اف-۴۰۱ در پایان رزمایش فالکن پیک تصریح کرد، هیچ راهکار یگانه‌ای برای مواجهه با تهدیدات پهپادی وجود ندارد و سامانه‌های مختلف باید مانند قطعات یک ساختار ماژولار به یکدیگر متصل شوند. این امر نیازمند ایجاد اکوسیستمی انعطاف‌پذیر از حسگرها، سامانه‌های فرماندهی و ابزارهای مقابله است.

توسعه چنین اکوسیستمی چالش‌های نوینی در حوزه همجوشی داده‌ها، استانداردسازی رابط‌ها، تامین انرژی، امنیت ارتباطات و مدیریت خطاهای سیستمی ایجاد می‌کند. فرمانده لشکر ۱۰۱ هوابرد نیز به موانع لجستیکی اشاره کرده است: با افزایش تعداد پهپادها، تامین انرژی و باتری به چالش اصلی تبدیل شده و ارتش نیازمند باتری‌های پرظرفیت‌تر و مولدهای قابل حمل است.

علاوه بر این، ارتش تأکید کرده که توان تولید کارگاهی خود پاسخگوی نیازهای نبرد در مقیاس وسیع نیست و وابستگی به زنجیره تامین صنعتی همچنان باقی است. آزمون واقعی هنوز بعد از یوما شروع می‌شود رزمایش فالکن پیک ۲۶.۲ گامی کلیدی در ارتقای آزمون‌های میدانی آمریکا محسوب می‌شود؛ چرا که معیارهای ارزیابی را استاندارد کرده و مسیرهای دائمی آزمون را در شرایط سخت جغرافیایی پایه‌گذاری نموده است.

با این حال، تحلیل دقیق داده‌ها نیازمند دوری از بزرگ‌نمایی است. در گزارش‌های عمومی، آمار دقیقی درباره نرخ کشف، هشدار کاذب، خطای تشخیص، پایداری در برابر اهداف فریبکار و افت عملکرد در شرایط اختلال ارتباطی منتشر نشده است.

هوش مصنوعی آمریکا وارد فاز میدانی شده، اما آزمون‌های واقعی هنوز در پیش است. فاصله میان یک الگوریتم آزمایشگاهی و یک هوش مصنوعی قابل اتکا در صحنه نبرد، همچنان به عنوان یکی از چالش‌های بنیادین در استراتژی نظامی آمریکا باقی مانده است.

بمنظور دسترسی پایدار به اخبار و مطالب ما، آخرین نسخه اپلیکیشن را می‌توانید از اینجا و در فروشگاه‌های « کافه بازار » و « مایکت » دانلود و نصب کنید.

منابع https://www.army.mil/article/293499/3rd_mobile_brigade_combat_team_101st_airborne_division_continuous_transformation_media_roundtable_interview_with_col_richard_ryan_bell https://www.realcleardefense.com/2026/10/02/the_army_builds_an_ai-enabled_drone_contact_layer_for_combat_1209449.html https://www.army.mil/article/295865/u_s_army_yuma_proving_ground_hosts_major_counter_uas_test_event https://www.northcom.mil/Newsroom/News/Article/Article/4587063/usnorthcom-jiatf-401-launch-falcon-peak-262-experiment-at-yuma-proving-ground/ https://breakingdefense.com/2026/10/battling-sand-and-wind-pentagon-evaluates-counter-drone-tech-at-southern-border-exercise/ https://arl.devcom.army.mil/arlreport/arl-tr-10403/ https://arl.devcom.army.mil/arlreport/arl-tr-10274/ https://cpeisw.army.mil/2025/06/02/pd-sai-to-deliver-updated-csp-cooling-shroud-design/ https://www.army.mil/article/153223/yuma_proving_ground_enabling_pilots_to_see_through_clouds_of_dust https://www.history.navy.mil/research/library/online-reading-room/title-list-alphabetically/n/navy-shipboard-lasers.html https://nrewwwtest.nre.navy.mil/organization/departments/code-31/division-312/eoir-sensors-and-sensor-processing