کپی‌کارهای جدید سیستم پهپادی ایران

کوبندگی و در عین حال به‌صرفه‌بودن پهپادهای ایران، از پنتاگون تا آزمایشگاه‌های سوئد و زوریخ را به کپی‌برداری ساختاری و توسعه هوش مصنوعی و بدنه انعطاف‌پذیر واداشته است.

گروه علم و پیشرفت خبرگزاری فارس - اخیراً شرکت سوئدی ساب اعلام کرد عامل‌های هوش مصنوعی خود را در سناریوهای نبرد هوایی روی جنگنده گریپن ئی آزمایش کرده است؛ همان روز، دانشگاه اِی‌تی‌اچ زوریخ نیز از پهپاد انعطاف‌پذیر فلکسی‌کواد رونمایی کرد که می‌تواند پس از برخورد با موانع به پرواز ادامه دهد.

این دو خبر دو پاسخ متفاوت به مسئله‌ای را نشان می‌دهند که جنگ ایران برجسته کرده است: چگونه می‌توان هم تصمیم‌گیری در نبرد هوایی را خودکارتر کرد و هم پهپادهایی ساخت که در محیط عملیاتی به‌آسانی از کار نیفتند؟

مرکز مطالعات راهبردی و بین‌المللی آمریکا (CSIS) در مارس ۲۰۲۶ تأکید کرد پهپادهای ایرانی نه تنها ابزارهای جنگی کمکی در کنار راهبرد و تاکتیک اصلی حملات ایران نبوده است که آن‌ها با حملات پرتعداد و نسبتاً ارزان، فشار اقتصادی و عملیاتی مستمری بر سامانه‌های دفاعی وارد می‌کنند.

مقایسه‌ها بسیار گیرا و خوانا هستند. در خود آمریکا استیو فلدستاین، پژوهشگر بنیاد کارنگی، هزینه هر پهپاد لوکاس آمریکایی را حدود ۳۵ هزار دلار و هزینه موشک تاماهاوک را حدود ۲.۵ میلیون دلار برآورد کرد. البته این دو سلاح مأموریت و عملکرد یکسانی ندارند؛ اما اختلاف هزینه نشان می‌دهد چرا ارتش‌ها به‌دنبال مهمات ارزان و قابل‌تولید در تعداد بالا هستند.

گزارش ۲۹ اکتبر همین مرکز نیز، با عنوان «دنباله‌روی سریع»، از انتقال درس‌های جنگ ایران و اوکراین به دیگر مناطق سخن می‌گوید. اینکه آمریکا از طراحی شاهد الگوبرداری کرده و متخصصان اوکراینی تجربه مقابله با پهپادهای روسی را به کشورهای خلیج فارس منتقل کرده‌اند.

نمودار زیر، ترکیب دارایی‌های تهاجمی (پهپاد و موشک) را در کشورهای حوزه خلیج فارس نشان می‌دهد. در مجموع، حدود ۷۱٪ از این دارایی‌ها را پهپادها و ۲۹٪ را موشک‌ها تشکیل می‌دهند که عمان بیشترین سهم پهپاد و قطر بیشترین سهم موشک را داراست.

نمودار زیر نیز حجم حملات روزانه ایران در هفته اول عملیات «خشم حماسی» (Operation Epic Fury) علیه کشورهای منطقه (امارات، بحرین، کویت، عربستان، قطر و عمان) را از ۱ تا ۷ مارس نشان می‌دهد. روندها حاکی از نوسانات شدید و کاهش یا تغییر حجم حملات در طول این بازه زمانی در کشورهای مختلف است.

در شرق آسیا نیز استرالیا، ژاپن و تایوان در حال تطبیق برنامه‌های نظامی خود با تجربه جنگ‌های اخیرند.

استرالیا تا ۱۵ میلیارد دلار استرالیا برای سامانه‌های بدون‌سرنشین و تا ۷ میلیارد دلار برای مقابله با پهپادها در برنامه دفاعی خود در نظر گرفته است.

ژاپن نیز در بودجه ۲۰۲۶ حدود ۲۷۷.۳ میلیارد ین برای تقویت توان دفاعی بدون‌سرنشین اختصاص داده و قصد دارد شبکه‌ای ساحلی از پهپادها و شناورهای بدون‌سرنشین ارزان و پرتعداد بسازد.

تایوان هم بودجه پیشنهادی ۶.۶ میلیارد دلاری برای خرید بیش از ۲۰۸ هزار پهپاد تهاجمی یک‌طرفه ارائه کرده است. البته تهدید چین محرک اصلی برنامه تایوان است و این ارقام به معنای تحویل تجهیزات نیستند.

در کشورهای خلیج فارس نیز واکنش بیشتر بر بازسازی ذخایر پدافندی و رفع شکاف‌های دفاع هوایی متمرکز شده است. مؤسسه بین‌المللی مطالعات راهبردی (IISS) در مه ۲۰۲۶ نوشت حملات ایران ذخایر رهگیرها را کاهش داده و کشورهای منطقه را به جست‌وجوی سامانه‌های دفاعی بیشتر واداشته است.

بنابراین، همه کشورها به یک شکل پهپاد نمی‌خرند؛ برخی ناوگان تهاجمی و شناسایی را گسترش می‌دهند و برخی دیگر می‌کوشند هزینه مقابله با آن را کاهش دهند.

اعلامیه ساب فقط درباره نصب یک نرم‌افزار تازه روی جنگنده نیست. این شرکت می‌گوید عامل‌های هوش مصنوعی خود را در آکادمی خلبانی هوش مصنوعی آموزش داده و آن‌ها در محیط‌های شبیه‌سازی‌شده، میلیون‌ها ساعت پرواز را در سناریوهای مختلف تجربه کرده‌اند.

در سوم نوامبر، ساب تأیید کرد که توانایی نبرد هوایی فراتر از میدان دید (BVR) این عامل‌ها در شرایط واقعی پرواز آزمایش شده و عامل هوشمند در جریان آزمایش، کنترل هواپیما را به‌صورت خودکار بر عهده داشته است.

نکته فنی مهم، ترکیب آموزش گسترده در شبیه‌ساز با امکان آزمایش روی هواپیمای واقعی است.

در نبرد فراتر از میدان دید، خلبان نمی‌تواند صرفاً به مشاهده مستقیم هدف اتکا کند؛ تصمیم‌گیری به تحلیل اطلاعات حسگرها، موقعیت هواپیما و وضعیت تهدید وابسته است.

ساب می‌خواهد عامل هوشمند بتواند در چنین محیطی تصمیم تاکتیکی بگیرد و آن را به مانور پروازی تبدیل کند. معماری نرم‌افزارمحور گریپن ئی نیز امکان ادغام و آزمایش سریع الگوریتم‌های جدید را بدون ساخت یک هواپیمای آزمایشی اختصاصی فراهم می‌کند.

اهمیت دیگر پروژه، کنترل داخلی زنجیره توسعه است.

ساب می‌گوید عامل‌ها، محیط آموزش و ابزارهای ارزیابی را خودش ساخته است؛ زیرساخت محاسباتی ابتکار هوش مصنوعی مستقل سوئد، اسفریکال، نیز از این برنامه پشتیبانی می‌کند.

چنین مدلی می‌تواند وابستگی به تأمین‌کنندگان خارجی نرم‌افزار و زیرساخت را کاهش دهد. این نکته در فناوری نظامی مهم است، زیرا دسترسی به کد، داده آموزشی و امکان به‌روزرسانی الگوریتم می‌تواند به‌اندازه خود هواپیما اهمیت پیدا کند.

بااین‌حال، این دستاورد به معنای جنگنده کاملاً خودمختار نیست. ساب نتیجه یک درگیری واقعی با هواپیمای دشمن یا شلیک مستقل تسلیحات را اعلام نکرده و اطلاعاتی درباره نرخ موفقیت، تعداد آزمایش‌ها و مقایسه عملکرد عامل با خلبان انسانی منتشر نکرده است.

پیش‌تر نیز در سال ۲۰۲۵، هوش مصنوعی شرکت هلسینگ روی گریپن آزمایش شده بود؛ تفاوت پروژه جدید، توسعه داخلی عامل‌ها و زیرساخت آموزش توسط خود ساب است.

فلکسی‌کواد دانشگاه زوریخ از مسیر متفاوتی به مسئله بقاپذیری پهپاد پاسخ می‌دهد. بدنه این کوادکوپتر به‌جای ساختار صلب و بازوهای معمول، از یک قاب حلقه‌ای انعطاف‌پذیر تشکیل شده است. قاب هنگام برخورد از پهلو تغییر شکل می‌دهد و بخشی از انرژی ضربه را جذب می‌کند، اما در جهت عمودی به‌اندازه کافی سخت است تا نیروی لازم برای پرواز حفظ شود.

این طراحی در آزمایش‌ها توانسته سرعت پروازی تا ۸۰ کیلومتر بر ساعت را تحمل کند و پس از برخورد با مانع در سرعت حدود ۲۵ کیلومتر بر ساعت، پرواز را ادامه دهد.

هزینه مواد قاب نیز کمتر از ۱۵ فرانک سوئیس اعلام شده است؛ نه قیمت کل پهپاد. پژوهشگران برای آن کاربردهایی مانند بازرسی مخازن کشتی، جست‌وجوی افراد در ساختمان‌های فروریخته و اندازه‌گیری محیطی در فضاهای دشوار را مطرح کرده‌اند.

هوش مصنوعی در اینجا نقش خلبان یا سامانه رهگیری هدف را ندارد. پژوهشگران از یادگیری تقویتی (Reinforcement Learning) استفاده کرده‌اند تا پهپاد با کمک حسگرهای حرکتی، پس از برخورد ابتدا تعادل خود را بازیابد و سپس پرواز خودکار را از سر بگیرد.

دلیل اهمیت این قابلیت آن است که لرزش قاب انعطاف‌پذیر پس از برخورد می‌تواند تصویر دوربین را مخدوش کند و کنترل پرواز را دشوار سازد. الگوریتم باید پیش از هر کار دیگری، وضعیت پرنده را پایدار کند.

کاربرد ضدپهپادی نیز برای این طراحی مطرح شده است: پژوهشگر پروژه پیشنهاد داده در فضای خالی مرکز قاب توری نصب شود تا پهپادهای مزاحم به دام بیفتند.

اما این هنوز یک امکان طراحی است، نه قابلیت رهگیری اثبات‌شده. دانشگاه تصریح می‌کند که فلکسی‌کواد برای خروج از محیط آزمایشگاهی به ادراک مطمئن محیط و ناوبری خودکار نیاز دارد. افزون بر این، توسعه آن حدود پنج سال پیش آغاز شده است؛ بنابراین نباید آن را محصول مستقیم جنگ ایران دانست.

گریپن ئی نشان می‌دهد رقابت به سمت واگذاری بخشی از تصمیم‌گیری تاکتیکی به هوش مصنوعی پیش می‌رود؛ فلکسی‌کواد نشان می‌دهد در سوی دیگر، حتی طراحی فیزیکی یک پهپاد کوچک نیز می‌تواند برای ادامه مأموریت پس از برخورد بازنگری شود. اولی به خودکارسازی در سطح جنگنده پیشرفته مربوط است و دومی به تاب‌آوری و کنترل یک پرنده کوچک. هیچ‌یک هنوز به‌تنهایی اثبات‌کننده برتری رزمی نیستند؛ اما کنار هم نشان می‌دهند مسابقه پهپادی در کنار مسابقه تعداد و برد، توان تصمیم‌گیری، تحمل آسیب، هزینه تولید و قابلیت اطمینان الگوریتم‌ها نیز به میدان رقابت وارد شده‌اند.

https://carnegieendowment.org/emissary/2026/03/iran-drones-shahed-us-lessons

https://www.csis.org/analysis/fast-following-military-emulation-and-twenty-first-century-transformation

https://budget.gov.au/content/06-security-and-investment.htm

https://www.mod.go.jp/en/d_act/d_budget/pdf/fy2026_20251226a.pdf

https://www.iiss.org/online-analysis/online-analysis/2026/05/challenge-for-the-gulf-states-rearming-after-the-war/

https://www.saab.com/newsroom/press-releases/2026/saab-unveils-its-ai-agents-for-future-fighter-systems

https://www.janes.com/defence-intelligence-insights/defence-news/air/ifc-2026-saabs-ai-fighter-pilot-academy-to-chart-autonomous-future-for-gripen-e-and-beyond

https://ethz.ch/en/news-and-events/eth-news/news/2026/11/new-flexible-drone-can-withstand-collisions.html

#جنگ_ایران #پهپاد #هوش_مصنوعی #جنگ_هوایی #فناوری_دفاعی