स्वायत्त शस्त्रे, ड्रोन्स आणि पुढील सुरक्षा चर्चा 2026

केवळ मानवावर आधारित युद्धाचा काळ आता संपत चालला आहे. लष्करी दले आता पारंपारिक प्लॅटफॉर्म्सकडून अशा प्रणालींकडे वळत आहेत जिथे सॉफ्टवेअर युद्धभूमीवर अंतिम निर्णय घेते. हा बदल सायन्स फिक्शनमधील रोबोट्सबद्दल नसून डेटाच्या वेगाबद्दल आहे. आधुनिक युद्धभूमीवर मानवी मेंदूला रिअल-टाइममध्ये प्रक्रिया करता येईल त्यापेक्षा जास्त माहिती निर्माण होते. आपली आघाडी टिकवून ठेवण्यासाठी, सरकारे अशा स्वायत्ततेच्या मर्यादेत गुंतवणूक करत आहेत जी मशीनला कमीत कमी देखरेखीखाली लक्ष्य ओळखण्याची, त्यांचा मागोवा घेण्याची आणि त्यांना निष्प्रभ करण्याची परवानगी देते. हे संक्रमण आपल्याला ‘ह्युमन-इन-द-लूप’ प्रणालीकडून ‘ह्युमन-ऑन-द-लूप’ कॉन्फिगरेशनकडे नेते, जिथे एखादी व्यक्ती केवळ कारवाई थांबवण्यासाठी हस्तक्षेप करते. धोरणात्मक उद्दिष्ट म्हणजे धोका ओळखणे आणि तो नष्ट करणे यामधील वेळ कमी करणे. निर्णय घेण्याचे चक्र मिनिटांवरून मिलिसेकंदांवर येत असताना, अपघाती वाढीचा धोका वाढत आहे. आपण जागतिक स्तरावर सुरक्षा कशी खरेदी केली जाते, व्यवस्थापित केली जाते आणि राबवली जाते, यात एक मूलभूत बदल पाहत आहोत. लक्ष आता रणगाड्याच्या भौतिक टिकाऊपणावरून त्यातील चिप्सच्या प्रोसेसिंग पॉवरवर केंद्रित झाले आहे. ही आंतरराष्ट्रीय सुरक्षेची नवीन वास्तविकता आहे जिथे कोड हा काइनेटिक एनर्जीइतकाच घातक आहे.

सॉफ्टवेअर-डिफाइंड डिफेन्सकडे वाटचाल

पारंपारिक लष्करी खरेदी प्रक्रिया संथ आणि कठोर असते. नवीन फायटर जेट डिझाइन आणि तयार करण्यासाठी अनेकदा एक दशक लागते. जेव्हा हार्डवेअर तयार होते, तेव्हा त्यातील तंत्रज्ञान अनेकदा कालबाह्य झालेले असते. हे दुरुस्त करण्यासाठी, युनायटेड स्टेट्स आणि त्यांचे मित्र देश ‘सॉफ्टवेअर-डिफाइंड डिफेन्स’कडे वळत आहेत. हा दृष्टिकोन हार्डवेअरला अत्याधुनिक अल्गोरिदमसाठी एक डिस्पोजेबल कवच मानतो. या धोरणाचा मुख्य गाभा म्हणजे स्मार्टफोन अपडेटप्रमाणेच ड्रोन्स किंवा सेन्सर्सचा ताफा रातोरात अपडेट करण्याची क्षमता. खरेदी अधिकारी आता केवळ चिलखताची जाडी किंवा इंजिनचा जोर पाहत नाहीत. ते API सुसंगतता, डेटा थ्रूपुट आणि प्लॅटफॉर्मची सेंट्रल क्लाउड नेटवर्कशी जोडले जाण्याची क्षमता तपासत आहेत. हा बदल मोठ्या संख्येची गरज पूर्ण करण्याच्या उद्देशाने प्रेरित आहे. स्वस्त, स्वायत्त ड्रोन्सची मोठी संख्या महागड्या, मानवी-नियंत्रित प्लॅटफॉर्म्सवर मात करू शकते. तर्क सोपा आहे. जर हजार लहान ड्रोन्सची किंमत एका हाय-एंड इंटरसेप्टरपेक्षा कमी असेल, तर ज्या बाजूकडे ड्रोन्स आहेत ती बाजू युद्धाच्या संघर्षात जिंकते. हा तो औद्योगिक वेग आहे जो धोरणकर्ते गाठण्याचा प्रयत्न करत आहेत.

स्वायत्ततेची मर्यादा (Autonomy thresholds) म्हणजे असे विशिष्ट नियम जे मशीन स्वतःहून कधी कृती करू शकते हे ठरवतात. या मर्यादा अनेकदा वर्गीकृत असतात आणि मिशननुसार बदलतात. सर्व्हिलन्स ड्रोनमध्ये उड्डाण मार्गासाठी उच्च स्वायत्तता असू शकते, परंतु शस्त्र सोडण्यासाठी शून्य स्वायत्तता असू शकते. तथापि, इलेक्ट्रॉनिक युद्धामुळे जेव्हा कम्युनिकेशन लिंक्स अविश्वसनीय होतात, तेव्हा मशीनला अधिक स्वातंत्र्य देण्याचा दबाव वाढतो. जर ड्रोनचा मानवी ऑपरेटरशी संपर्क तुटला, तर त्याला बेसवर परत जावे की स्वायत्तपणे मिशन सुरू ठेवावे, हे ठरवावे लागते. हे अधिकृत वक्तव्य आणि प्रत्यक्ष ऑपरेशन्स यांच्यातील दरी निर्माण करते. औद्योगिक दिग्गज आणि स्टार्टअप्स या प्रणालींसाठी ‘मेंदू’ पुरवण्यासाठी शर्यतीत आहेत, जे संगणक दृष्टी (computer vision) आणि पॅटर्न रिकग्निशनवर लक्ष केंद्रित करत आहेत जे क्लाउडशी सतत संपर्क न ठेवता काम करू शकतात. ध्येय अशी प्रणाली तयार करणे आहे जी मानवी शत्रूपेक्षा वेगाने पाहू आणि कृती करू शकेल.

या तंत्रज्ञानाचा जागतिक प्रभाव प्लॅटफॉर्म पॉवरशी जोडलेला आहे. जे देश क्लाउड इन्फ्रास्ट्रक्चर आणि प्रगत सेमीकंडक्टर उत्पादनावर नियंत्रण ठेवतात, त्यांना मोठा फायदा मिळतो. यामुळे आंतरराष्ट्रीय संबंधांमध्ये एक नवीन उतरंड निर्माण होते. युनायटेड स्टेट्सचे मित्र देश अनेकदा Amazon, Microsoft किंवा Google सारख्या कंपन्यांनी पुरवलेल्या विशिष्ट टेक इकोसिस्टममध्ये अडकलेले दिसतात. या कंपन्या लष्करी AI साठी आधार प्रदान करतात, ज्यामुळे पारंपारिक शस्त्र करारांच्या पलीकडे जाणारे सखोल अवलंबित्व निर्माण होते. जर एखादा देश त्याच्या संरक्षण प्रणाली चालवण्यासाठी परदेशी क्लाउडवर अवलंबून असेल, तर तो सार्वभौमत्वाचा काही भाग गमावतो. ही गतिशीलता देशांना त्यांच्या औद्योगिक पायाचा पुनर्विचार करण्यास भाग पाडत आहे. ते आता केवळ शस्त्रांसाठी कारखाने बांधत नाहीत, तर मॉडेल ट्रेनिंगसाठी डेटा सेंटर्स बांधत आहेत. डिफेन्स डिपार्टमेंटने स्पष्ट केले आहे की आगामी दशकात या तंत्रज्ञानामध्ये आघाडी टिकवून ठेवणे ही सर्वोच्च प्राथमिकता आहे. ही केवळ लष्करी शर्यत नसून संगणकीय वर्चस्वासाठीची शर्यत आहे.

अल्गोरिदमिक पाळत ठेवण्याचे दैनंदिन काम

भविष्यातील बॉर्डर पेट्रोल एजंटची कल्पना करा. त्यांचा दिवस शारीरिक गस्तीने सुरू होत नाही. तो पर्वतरांगांमध्ये विखुरलेल्या पन्नास स्वायत्त सेन्सर्सच्या स्थिती दर्शवणाऱ्या डॅशबोर्डने सुरू होतो. हे सेन्सर्स केवळ कॅमेरे नाहीत. ते ‘एज कॉम्प्युटिंग’ नोड्स आहेत जे हजारो तासांच्या व्हिडिओमधून एक विसंगती शोधून काढतात. एजंट स्क्रीनकडे पाहत नाही. ते सिस्टमकडून हाय-प्रोबेबिलिटी इव्हेंटची वाट पाहत असतात. जेव्हा एखादा ड्रोन हालचाल ओळखतो, तेव्हा तो पाठलाग करण्यासाठी परवानगी मागत नाही. तो आपला उड्डाण मार्ग बदलतो, इन्फ्रारेडवर स्विच करतो आणि ट्रॅकिंग सुरू करतो. एजंटला फक्त निकाल दिसतो. हे ‘ह्युमन-ऑन-द-लूप’ मॉडेल प्रत्यक्षात आहे. मशीन शोधण्याचे आणि ओळखण्याचे कठीण काम करते, तर मानव केवळ अंतिम हेतूची पडताळणी करण्यासाठी तिथे असतो. यामुळे थकवा कमी होतो पण सिस्टमच्या अचूकतेवर धोकादायक अवलंबित्व निर्माण होते. जर अल्गोरिदमने चुकून नागरिकाला धोका मानले, तर सिस्टम प्रोटोकॉलच्या पुढच्या टप्प्यावर जाण्यापूर्वी चूक सुधारण्यासाठी एजंटकडे फक्त काही सेकंद असतात.

युद्धक्षेत्रात, हे दृश्य अधिक तीव्र होते. ड्रोन स्वार्मला शत्रूची हवाई संरक्षण यंत्रणा दडपण्याचे काम दिले जाऊ शकते. ड्रोन्स त्यांच्या पोझिशन्स आणि लक्ष्यांचे समन्वय साधण्यासाठी एकमेकांशी संवाद साधतात. ते डेटा शेअर करण्यासाठी स्थानिक मेश नेटवर्क्सचा वापर करतात, ज्यामुळे जर एक ड्रोन पाडला गेला, तर इतर लगेच भरपाई करतात. ऑपरेटर शेकडो मैल दूर कंट्रोल सेंटरमध्ये बसून स्वार्मचे डिजिटल प्रतिनिधित्व पाहतो. ते पारंपारिक अर्थाने ड्रोन्स ‘उडवत’ नाहीत. ते उद्दिष्टांचे व्यवस्थापन करत आहेत. ताण शारीरिक नसून संज्ञानात्मक आहे. ऑपरेटरला ठरवावे लागते की स्वार्मचे वर्तन परिस्थितीला खूप वेगाने वाढवत आहे का. जर स्वायत्त प्रणालीने मूळ मिशन ब्रीफमध्ये नसलेले लक्ष्य ओळखले, तर ऑपरेटरला एका क्षणात निर्णय घ्यावा लागतो. इथेच वक्तव्य आणि प्रत्यक्ष अंमलबजावणीमधील दरी सर्वात स्पष्ट दिसते. सरकारे दावा करतात की मानव नेहमीच अंतिम निर्णय घेईल, परंतु जेव्हा मशीन हाय-स्पीड एंगेजमेंट दरम्यान ‘पुष्टी केलेले’ लक्ष्य सादर करते, तेव्हा मानव अल्गोरिदमच्या निवडीवर शिक्कामोर्तब करणारा बनतो.

या प्रणालींमागील खरेदीचा तर्क ‘अट्रिटेबल’ (attritable) तंत्रज्ञानावर केंद्रित आहे. हे असे प्लॅटफॉर्म आहेत जे युद्धात गमावले तरी धोरणात्मक किंवा आर्थिक संकट निर्माण होणार नाही इतके स्वस्त आहेत. यामुळे कमांडरसाठी जोखमीचे गणित बदलते. जर शंभर ड्रोन्स गमावणे स्वीकारार्ह असेल, तर ते त्यांचा आक्रमकपणे वापर करण्याची शक्यता जास्त असते. यामुळे संघर्षांची वारंवारता आणि अनपेक्षित वाढीची शक्यता वाढते. दोन स्वायत्त स्वार्म्स् मधील लहान चकमक राजकीय नेत्यांना समजण्यापूर्वीच मोठ्या संघर्षात रूपांतरित होऊ शकते. मशीनचा वेग अशी पोकळी निर्माण करतो जिथे पारंपारिक मुत्सद्देगिरी काम करू शकत नाही. रॉयटर्स सारख्या संस्थांनी दस्तऐवजीकरण केले आहे की सक्रिय संघर्ष क्षेत्रांमध्ये जलद ड्रोन विकासामुळे आंतरराष्ट्रीय संस्थांची नियमावली तयार करण्याची क्षमता कमी पडत आहे. स्वायत्तता जागतिक सुरक्षा आराखड्यात ही अस्थिरता आणते. हे असे जग आहे जिथे पहिली स्ट्राइक सॉफ्टवेअर बग किंवा चुकीच्या पद्धतीने वाचलेल्या सेन्सर रीडिंगमुळे सुरू होऊ शकते.

स्वायत्त देखरेखीची छुपी किंमत

स्वायत्त संरक्षण स्थितीकडे जाण्याचे छुपे खर्च काय आहेत? स्वायत्त प्रणाली अयशस्वी झाल्यास जबाबदार कोण, हे आपण विचारले पाहिजे. जर एखाद्या ड्रोनने त्याच्या ट्रेनिंग डेटामधील त्रुटीमुळे युद्ध गुन्हा केला, तर जबाबदारी कमांडरची, प्रोग्रामरची की सॉफ्टवेअर विकणाऱ्या कंपनीची असेल? सध्याची कायदेशीर चौकट या प्रश्नांची उत्तरे देण्यासाठी सज्ज नाही. डेटा गोपनीयता आणि सुरक्षेचाही प्रश्न आहे. या प्रणालींना प्रशिक्षित करण्यासाठी आवश्यक असलेला प्रचंड डेटा अनेकदा नागरिक लोकसंख्येबद्दलची संवेदनशील माहिती समाविष्ट करतो. हा डेटा कसा साठवला जातो आणि कोणाला प्रवेश आहे? ‘ब्लॅक बॉक्स’द्वारे जीवघेणे निर्णय घेण्याचा धोका हा युनायटेड नेशन्स सारख्या गटांसाठी मुख्य चिंतेचा विषय आहे, ज्यांनी अनेक वर्षांपासून घातक स्वायत्त शस्त्रांच्या नैतिकतेवर चर्चा केली आहे. या प्रणाली राखण्यासाठी आवश्यक असलेल्या प्रचंड डेटा सेंटर्सचा पर्यावरणीय खर्चही आपण विचारात घेतला पाहिजे. लष्करी AI चा ऊर्जा वापर हा एकूण मालकी खर्चामधील एक महत्त्वपूर्ण परंतु क्वचितच चर्चिला जाणारा घटक आहे.

दुसरा संशयास्पद प्रश्न ट्रेनिंग डेटाच्या अखंडतेबद्दल आहे. जर शत्रूला माहित असेल की टार्गेट रिकग्निशन मॉडेल प्रशिक्षित करण्यासाठी कोणता डेटा वापरला जात आहे, तर ते सिस्टमला फसवण्यासाठी ‘ॲडव्हर्सरियल अटॅक्स’ विकसित करू शकतात. टेपचा एक साधा तुकडा किंवा वाहनावरील विशिष्ट पॅटर्न रणगाड्याला AI साठी स्कूल बससारखे दाखवू शकतो. यामुळे डेटा पॉयझनिंग आणि मॉडेल रोबस्टनेसवर केंद्रित शस्त्रास्त्रांची नवीन शर्यत निर्माण होते.

परिपूर्ण अल्गोरिदम अशी कोणतीही गोष्ट नाही. प्रत्येक मॉडेलमध्ये पूर्वग्रह आणि अंधबिंदू असतात. जेव्हा हे अंधबिंदू शस्त्र प्रणालीमध्ये असतात, तेव्हा परिणाम घातक असतात. आपण सामरिक वेगाच्या बदल्यात ‘अल्गोरिदमिक त्रुटींची’ ठराविक टक्केवारी स्वीकारण्यास तयार आहोत का? या प्रणाली वेगाने तैनात करण्याचा दबाव अनेकदा चाचणी आणि मूल्यमापनात शॉर्टकट्स घेण्यास प्रवृत्त करतो. यामुळे एक ठिसूळ सुरक्षा वातावरण निर्माण होते जिथे ताकदीचा देखावा खोल तांत्रिक कमतरता लपवतो. आपण असत्यापित कोडच्या पायावर पत्त्यांचा बंगला उभारत आहोत.

तांत्रिक मर्यादा आणि एज इंटिग्रेशन

स्वायत्त शस्त्रांची तांत्रिक वास्तविकता मर्यादांनी परिभाषित केली आहे, अमर्याद क्षमतेने नाही. सर्वात महत्त्वाचा अडथळा म्हणजे एज कॉम्प्युटिंग. ड्रोन मोठा सर्व्हर रॅक वाहून नेऊ शकत नाही. त्याला त्याचे AI मॉडेल्स लहान, कमी-शक्तीच्या चिप्सवर चालवावे लागतात. यासाठी मॉडेल क्वांटायझेशन आवश्यक आहे, जी एक जटिल न्यूरल नेटवर्क लहान करण्याची प्रक्रिया आहे जेणेकरून ते मर्यादित हार्डवेअरवर चालू शकेल. ही प्रक्रिया अनेकदा मॉडेलची अचूकता कमी करते. इंजिनिअर्सना प्लॅटफॉर्मच्या बॅटरी आणि प्रोसेसिंग पॉवरच्या भौतिक मर्यादांसह उच्च-फिडेलिटी ओळखीची गरज यांचा सतत समतोल साधावा लागतो. API मर्यादा देखील भूमिका बजावतात. जेव्हा वेगवेगळ्या विक्रेत्यांच्या अनेक प्रणालींना एकमेकांशी बोलावे लागते, तेव्हा प्रमाणित प्रोटोकॉलचा अभाव मोठा संघर्ष निर्माण करतो. एका कंपनीचा सर्व्हिलन्स ड्रोन दुसऱ्या कंपनीच्या स्ट्राइक ड्रोनसोबत क्लिष्ट आणि संथ मिडलवेअर लेयरशिवाय डेटा शेअर करू शकणार नाही. म्हणूनच ‘प्लॅटफॉर्म पॉवर’ इतकी महत्त्वाची आहे. जर एक कंपनी संपूर्ण स्टॅक पुरवते, तर एकत्रीकरण अखंड असते, परंतु सरकार त्या विक्रेत्याकडे ‘लॉक-इन’ होते.

स्थानिक स्टोरेज हा आणखी एक गंभीर मुद्दा आहे. अशा संघर्षपूर्ण वातावरणात जिथे लांब पल्ल्याचे दळणवळण जॅम केले जाते, तिथे ड्रोनला त्याचा सर्व मिशन डेटा स्थानिक पातळीवर साठवावा लागतो. यामुळे सुरक्षेचा धोका निर्माण होतो. जर ड्रोन पकडला गेला, तर शत्रू मिशन लॉग, ट्रेनिंग मॉडेल्स आणि सेन्सर डेटा मिळवू शकतो. यामुळे हार्डवेअरमध्ये सेल्फ-डिस्ट्रक्टिंग स्टोरेज आणि एन्क्रिप्टेड एन्क्लेव्ह्सचा विकास झाला आहे. शिवाय, या प्रणालींचे विद्यमान लष्करी संरचनांमध्ये वर्कफ्लो एकत्रीकरण अनेकदा गोंधळलेले असते. पारंपारिक उपकरणांची सवय असलेले सैनिक स्वतःहून काम करणाऱ्या मशीनवर विश्वास ठेवण्यास कठीण मानू शकतात. स्वायत्त ताफ्यांचे व्यवस्थापन करण्यासाठी शिकण्याची प्रक्रिया कठीण आहे. लष्कराचा ‘गीक विभाग’ आता ‘DevSecOps’ वर लक्ष केंद्रित करत आहे, जी शस्त्राच्या ऑपरेशनल लाइफसायकलमध्ये सुरक्षा आणि विकास एकत्रित करण्याची पद्धत आहे. याचा अर्थ असा की सॉफ्टवेअर पॅच ड्रोनवर तैनात केला जाऊ शकतो जेव्हा तो वाहक डेकवर लाँचसाठी तयार असतो. अडथळा आता फॅक्टरी लाईन नसून डिप्लॉयमेंट पाइपलाइनची बँडविड्थ आहे.

• मॉडेल क्वांटायझेशन कमी वीज वापराच्या बदल्यात लक्ष्य ओळखीची अचूकता कमी करते.
• मेश नेटवर्किंग ड्रोन्सना प्रोसेसिंग टास्क शेअर करण्याची परवानगी देते, ज्यामुळे आकाशात प्रभावीपणे एक वितरित सुपरकॉम्प्युटर तयार होतो.
• स्वायत्त नोड्समधील संवाद सुरक्षित करण्यासाठी ‘झिरो-ट्रस्ट’ आर्किटेक्चर मानक बनत आहे.
• सेन्सर-टू-शूटर लिंक्समधील लेटन्सी हे सिस्टमच्या प्रभावीतेचे मूल्यमापन करण्यासाठी प्राथमिक मेट्रिक आहे.

शेवटचा तांत्रिक अडथळा म्हणजे स्वतः डेटा. विविध हवामान परिस्थितीत विशिष्ट प्रकारच्या छद्मवेषातील वाहनाला ओळखण्यासाठी मॉडेल प्रशिक्षित करण्यासाठी लाखो लेबल केलेल्या प्रतिमांची आवश्यकता असते. हा डेटा गोळा करणे आणि लेबल करणे हे एक मोठे मानवी काम आहे. यातील बरेच काम खाजगी कंत्राटदारांना दिले जाते, ज्यामुळे डेटा कामगारांची एक मोठी सप्लाय चेन तयार होते. यामुळे सुरक्षेचा आणखी एक धोका निर्माण होतो. जर डेटा लेबलिंग प्रक्रिया धोक्यात आली, तर परिणामी AI मॉडेल सदोष असेल. संरक्षण उद्योगाचा ‘गीक विभाग’ सध्या सिंथेटिक डेटा जनरेशनमध्ये मग्न आहे. यामध्ये AI प्रशिक्षित करण्यासाठी ‘फेक’ डेटा तयार करण्यासाठी हाय-फिडेलिटी सिम्युलेशनचा वापर केला जातो. जरी यामुळे प्रक्रिया वेगवान होत असली, तरी यामुळे ‘सिम-टू-रिअल’ दरी निर्माण होऊ शकते जिथे AI सिम्युलेशनमध्ये उत्तम कामगिरी करते परंतु भौतिक जगाच्या गोंधळलेल्या, अनपेक्षित वास्तवात अपयशी ठरते. ही दरी जिथे सर्वात धोकादायक त्रुटी उद्भवतात.

संपादकाची नोंद: आम्ही ही साइट बहुभाषिक AI बातम्या आणि मार्गदर्शिका केंद्र म्हणून अशा लोकांसाठी तयार केली आहे जे संगणक तज्ञ नाहीत, परंतु तरीही कृत्रिम बुद्धिमत्ता समजून घेऊ इच्छितात, अधिक आत्मविश्वासाने तिचा वापर करू इच्छितात आणि आधीच येत असलेल्या भविष्याचा मागोवा घेऊ इच्छितात.

काही चूक आढळली किंवा काही दुरुस्त करायचे आहे का? आम्हाला कळवा.

येत्या वर्षात अर्थपूर्ण प्रगती

2026 मध्ये खरी प्रगती कशाला म्हणता येईल? नवीन ड्रोनचे अनावरण करणे ही प्रगती नाही. स्वायत्ततेच्या मर्यादेसाठी स्पष्ट, अंमलबजावणीयोग्य प्रोटोकॉलची स्थापना करणे ही प्रगती आहे. आपल्याला असे आंतरराष्ट्रीय करार पाहायचे आहेत जे प्रत्यक्षात ‘अर्थपूर्ण मानवी नियंत्रण’ कसे दिसते हे परिभाषित करतात. टेक उद्योगासाठी, प्रगती म्हणजे लष्करी API साठी ओपन स्टँडर्ड्स तयार करणे जेणेकरून वेगवेगळ्या प्रणाली विक्रेत्याच्या लॉक-इनशिवाय एकत्र काम करू शकतील. सरकारांसाठी, याचा अर्थ ‘AI श्रेष्ठतेच्या’ वक्तव्याच्या पलीकडे जाऊन दायित्व आणि वाढीच्या जोखमीच्या कठीण प्रश्नांना संबोधित करणे आहे. आपण संरक्षण प्रणालींमध्ये ‘एक्स्प्लेनेबल AI’ च्या तैनातीकडे पाहिले पाहिजे, जिथे मशीन मानवी ऑपरेटरला त्याच्या निर्णयांचे तर्क देऊ शकते. जर आपण हे अल्गोरिदम कसे कार्य करतात याबद्दल पारदर्शकतेची किमान पातळी गाठू शकलो, तर आपण जग थोडे सुरक्षित केले असेल. 2026 साठीचे ध्येय हे सुनिश्चित करणे असावे की जसे आपली मशीन्स स्मार्ट होत आहेत, तशी आपली त्यांच्यावरील देखरेख अधिक मजबूत होत आहे. औद्योगिक वेग आणि धोरणात्मक संथपणा यामधील दरी पुढील मोठा संघर्ष सुरू होण्यापूर्वी भरून काढली पाहिजे. स्वयंचलित शक्तीच्या युगात स्थिरता राखण्याचा हा एकमेव मार्ग आहे.

थोडक्यात सांगायचे तर, स्वायत्त शस्त्रे आता भविष्यातील धोका राहिलेली नाहीत. ती वर्तमानातील वास्तविकता आहेत. खरेदी, पाळत ठेवणे आणि स्वायत्ततेच्या मर्यादेवर लक्ष केंद्रित केल्यामुळे जागतिक सुरक्षा चर्चा पुन्हा आकार घेत आहे. जरी हे तंत्रज्ञान जलद, अधिक कार्यक्षम संरक्षणाचे आश्वासन देत असले, तरी ते सखोल अस्थिरता आणि नैतिक पेच निर्माण करते. आपण अशा काळात प्रवेश करत आहोत जिथे राष्ट्राची शक्ती त्याच्या क्लाउड नियंत्रणाद्वारे आणि एजवर कोड तैनात करण्याच्या क्षमतेद्वारे मोजली जाते. पुढील वर्षाचे आव्हान म्हणजे न्याय्य आणि स्थिर जगासाठी आवश्यक असलेला मानवी घटक न गमावता हे संक्रमण व्यवस्थापित करणे आहे. आपण हे लक्षात ठेवले पाहिजे की मशीन लक्ष्याची गणना करू शकते, परंतु ते युद्धाचे परिणाम समजू शकत नाही. ती जबाबदारी केवळ आपली आहे. सुरक्षेचे भविष्य केवळ चांगले ड्रोन्स बनवण्याबद्दल नाही, तर आपण आधीच तयार केलेल्या मशीनसाठी चांगले नियम बनवण्याबद्दल आहे.