一句话看懂：瑞典 AI 创业公司 Scaleout Systems 用一块消费级 Nvidia Jetson Orin Nano 板卡，跑小型视觉模型，让无人机在无外部通信、AI 全程在机上推理的条件下自主选定并攻击了一辆装甲工程车，全程仅约 320 秒。
事件核心：发生了什么
这场演示发生在 BAE Systems Bofors 的 Winter Demo 2026 上。Scaleout 在一款低成本巡飞弹上部署了机载边缘 AI：无人机先自主搜索、识别并定位地面目标，再把一辆装甲工程车排到优先级最高，随后飞向该目标并投下爆炸物。除启动系统需要按下一次按钮，其余环节人工输入是可选项，飞行员仅作为失效保护（failsafe）角色。整个任务约 200 秒用于侦察，320 秒内完成。
关键硬件并不高端。在今年 2 月于瑞典 BTC Karlskoga 进行的一场 -18℃ 雪地测试中，Airolit S1 机体搭载了 YOLOv8 Nano 目标检测模型，运行在 Nvidia Jetson Orin Nano 上，Scaleout 称在约 20 m/s 飞行速度下达到 30 fps，目标延迟 30 ms 或更低，实测持续约 30 ms。无深度传感器时，用针孔相机模型结合已知目标尺寸来估算距离。
软件层面，Scaleout 把 Scaleout Edge 与联邦学习结合成“战术计算机视觉网络（TCVN）”：设备本地训练、只共享模型更新。其 FEDAIR 项目属于北约 DIANA 加速器，获得 10 万欧元开发资金、培训和测试权限。6 月 30 日的瑞典空军演示还测试了断网场景——一个节点连接被先降级、后完全切断，仍以满帧率本地推理并记录检测结果，重连后按优先级回填数据。
为什么重要
这次演示的价值不在“AI 能识别目标”，而在于整套自主目标选择跑在机上、且不依赖任何外部通信。目前公开信息显示，它没有用前沿大模型，而是小型视觉模型加边缘算力，这意味着这类能力可以部署在低成本、可批量制造的平台上，并且对电子战干扰有天然韧性。
把它放在行业坐标里看：过去自主打击的门槛是算力、模型和通信链路，现在一块几百美元的 Jetson 板卡和 YOLOv8 Nano 级别的模型就能撑起核心流程。联邦学习则让多台设备在带宽受限甚至断网条件下协同改进模型，这恰好是战术边缘场景的真实约束。当然，演示、许可和资金都还不等于北约正式采购或实战部署，UN 专家组近期报告也强调人类判断与控制是符合战争法的前提，相关建议将于 11 月在日内瓦审议。
对用户/开发者/创作者的影响
对边缘 AI 开发者来说，这是一个可复用的技术信号：小模型（Nano 级检测网络）+ 消费级 SoC + 量化推理，在 30 fps、30 ms 级延迟下可以满足实时视觉任务，且能在 -18℃ 户外稳定运行。联邦学习用于“本地训练、共享更新”的模式，也可迁移到网络条件差、隐私或带宽受限的工业、农业和安防场景。对做机器人、无人机或视觉产品的团队，Jetson Orin Nano 这类板卡的性价比值得重新评估。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对政策与合规相关方，双用途属性很直接：同一套机载推理栈既能做巡检，也能做目标排序。关注重点会落在出口管制、模型用途声明和自主武器监管进展上，而不是芯片本身。
值得关注的后续
一是 BAE Systems Bofors 是否会把 ALMA（可负担模块化巡飞弹药）项目从演示推进到采购。二是 Scaleout Edge 已“在有效许可下部署”，但具体客户和规模未公开，后续是否披露更多落地场景值得跟踪。三是 11 月日内瓦对 UN 专家组建议的审议结果，可能影响这类系统的合规边界与上线节奏。
