7月6日，乌克兰扎波罗热，一架俄罗斯小型无人机俯冲而下并发生爆炸，弹片四处飞散，造成3名平民死亡。

乌克兰军方技术专家拆开无人机残骸后发现，它搭载着一枚英伟达的人工智能（AI）芯片。这架无人机在与原操控者失去连接后，依靠机载人工智能系统自主识别目标并投放致命载荷。

军事专家认为，这是全球首起有明确记录的、AI自主决策的无人机致命袭击。它意味着无人作战迈入人工智能自主猎杀的新阶段。

早在2017年，俄罗斯政府就投入数十亿美元用于发展俄罗斯人工智能产业。但近年来的战争和制裁加剧了俄罗斯与国际学术界的隔绝，也导致高科技人才外流。在最热门的大语言模型领域，俄罗斯一直远落后于中美。

但俄罗斯另辟蹊径，将大量资源投入更加专门化的应用场景，并逐渐形成独特优势：将机器学习技术应用于战场。

自主武器（LAWS）也被称作“杀手机器人”，指的是能够在无人干预情况下独立搜索、识别并攻击目标的武器系统。

其中一个重要方向是卷积神经网络（CNN）。这是一种机器学习技术方法，可以将图像拆解为不同特征，经过数百万个样本的训练后，能够对图像模式进行分类。

2023年，俄罗斯国家航空系统研究所（GosNIIAS）推出了“Platform-GNS”系统，用于简化卷积神经网络的训练，并向俄罗斯国防工业体系内符合条件的企业免费开放。

GosNIIAS还建立了一个规模庞大的战场和目标图像数据库，合作企业可以利用这些数据训练自己的模型。

俄罗斯最大的IT论坛Habr上，开发者公开分享针对军事及军工场景的卷积神经网络训练的教程和指南。

这一领域逐渐形成了一个名为“YOLO”（You Only Look Once）的技术路线。与逐一分析图像特征的方法不同，YOLO可以一次性分析整张图像，因此训练和识别效率更高。

一篇发布在Habr上的文章显示，YOLO仅凭不到2万张图像，就能对战场目标作出判断。

这种经过优化的图像识别模型，在运行时所需的算力和内存远低于大语言模型。

但要让这些技术真正应用于战场，人工智能模型还必须适应轻型无人机的硬件限制。

无人机本身已经受到飞行和机动所需的电力和计算能力限制。模型越大，所需电力越多，无人机需要搭载的设备也越重；功耗越高，产生的热量越多，就需要更多空间和重量来进行散热。

为此，俄罗斯采取了多种工程手段。例如，只在飞行的最后阶段启动人工智能模型，并在模型压缩程度和识别准确率之间寻找平衡。

当然，更高效的芯片才能从根本上缓解这些限制。目前，英伟达Jetson Orin Nano是唯一能够达到所需性能指标的芯片。7月6日扎波罗热袭击中的无人机就使用了这款芯片。

俄乌战争爆发后不久，美国及多数西方国家便禁止向俄罗斯出售高性能芯片。但俄罗斯很快找到了替代进口渠道。例如，在新加坡的二级市场上，英伟达芯片仍然可以买到。

美国战略与国际问题研究中心（CSIS）的一份报告显示，俄罗斯无人机使用的大多数电子元件都来自西方。

随着俄乌战争持续，完全自主的致命武器可能得到更加广泛的应用。未来，AI模型的准确率和运行效率还将继续提升，搭载这些模型的芯片也将变得更加强大、高效、节能。在自主武器系统上，俄罗斯可能已经走出了一条足以改变不同未来战争形态的道路。