軍事電子行業的人工智能（AI）正在以超現實的速度增長。各個領域的最新創新恰逢將計算、傳感器技術和軟件方面最強大的進步帶到關鍵任務場景中。正如GPU在原始計算能力方面繼續超過摩爾定律一樣，新的傳感器和網絡接口帶來了越來越大的數據集需要計算。這些新技術為將商業和科學人工智能進步的力量帶入軍事可運輸設施提供了關鍵機會。民用數據中心型人工智能應用和軍用可運輸部署之間的主要區別（和障礙）是任務的環境、電力和安全要求。

需要在邊緣部署人工智能系統的一個明顯例子是軍用陸地、空中或海上車輛的威脅檢測。與民用自動駕駛汽車物體識別一樣，軍事威脅檢測系統正在捕獲傳入的傳感器數據，將數據提供給預先訓練的AI模型，并在傳感器數據中推斷威脅的跡象。此工作流雖然只有幾個步驟，但需要幾個不同的復雜硬件層。傳感器向計算節點提供數據流，計算節點又將可操作的智能分發到適當的子系統，所有這些子系統都在高速存儲和互連的框架上運行。

構建硬件架構圖成為根據車輛的尺寸、重量和功率 （SWaP） 限制優化連續數據吞吐量的一項練習。雖然可以通過添加另一個計算機系統機架來優化民用數據中心的工作流程，但大多數軍用車輛的獨特功率、外形和環境條件使得對優化的人工智能可移動系統的挑戰和需求顯而易見。

應對此工作流程挑戰的可能解決方案是將傳感器數據流廣播到遠程或移動數據中心，這可以支持邊緣優化程度較低的計算機系統;從而消除了對 AI 計算節點進行加固的需要。然而，隨著數據量的增長，傳感器數據存儲與“云”或遠程數據中心之間的通信路徑很快成為吞吐量瓶頸。為了在軍事可移動人工智能應用中充分利用最新的人工智能技術，應使用邊緣優化的融合系統來集成整個工作流程。

這些堅固耐用的軍用系統可最大限度地提高傳感器數據攝取速率，并將其與整個計算、存儲和網絡速度相匹配。在這種無瓶頸體系結構中，平衡的數據流可以以可縮放的方式滿足數據的計算需求，該方式可以隨著數據的增長而增長。無需遠程計算意味著可以捕獲、處理傳感器數據并將其用于實時推理和決策。

打破對遠程數據中心和云計算的依賴可以優化AI工作流程的吞吐量，但確實帶來了新的挑戰。與軍用車輛中的所有電子系統一樣，融合AI系統的設計必須滿足嚴格的MIL-STD環境條件以及各自車輛的獨特動力傳輸系統。為數據中心構建的商用現貨 （COTS） 服務器可在配備 220VAC 單相電源的空調房中運行。為了真正優化通常在不太理想條件下運行的軍用車輛的AI工作流程，托管AI構建塊的系統必須經過設計，測試和認證，以滿足它們將繼續支持的任務的嚴格要求。

審核編輯：郭婷