Один код. Один дрон. Один шаг до автономной войны
NewsMakerГенеративный ИИ создал летающий командный центр.
Впервые удалось доказать, что робот может не просто выполнять команды, но и сам программировать собственную «мозговую систему» — от начала и до финальной реализации. Этот прорыв продемонстрировал профессор электротехники и информатики из Калифорнийского университета в Ирвайне Питер Бёрк. В своём препринте он описывает, как с помощью генеративных ИИ-моделей можно создать полноценную командно-управляющую станцию для дрона, причём размещённую не на земле, как обычно, а прямо на борту летательного аппарата.
По задумке, «роботом» в проекте называются сразу два объекта. Первый — это ИИ, генерирующий программный код, второй — дрон на базе Raspberry Pi Zero 2 W, который этот код выполняет. Обычно управление полётом осуществляется через наземную станцию — например, с помощью программ Mission Planner или QGroundControl, которые связываются с дроном по телеметрическому каналу. Эта система выполняет функции промежуточного «мозга» — от планирования миссий до отображения в реальном времени. На борту дрона работает низкоуровневая прошивка, вроде Ardupilot, а за более сложные задачи отвечает система автономной навигации, например, ROS.
Бёрк показал, что при грамотной постановке задач генеративным ИИ-моделям можно поручить написание всего программного комплекса — от взаимодействия по MAVLink до построения веб-интерфейса. В результате получился WebGCS: веб-сервер, размещённый на самой плате дрона и обеспечивающий полный цикл управления в воздухе. Пользователь может подключиться к этой системе по сети и отдавать команды через браузер, пока устройство находится в полёте.
Проект реализовывался поэтапно, через серию спринтов с разными ИИ-инструментами: Claude , Gemini , ChatGPT , а также специализированными средами разработки вроде Cursor и Windsurf . В начальной фазе сессии с Claude включали запросы на написание кода Python для подъёма дрона на 50 футов, создание веб-страницы с кнопкой взлёта, отображение карты с позицией по GPS и возможность кликом указать точку назначения. Затем ИИ должен был сгенерировать скрипт установки, включая всю файловую структуру. Однако из-за ограниченного окна контекста Claude не смог обработать всю цепочку запросов.
Сессия с Gemini 2.5 потерпела неудачу из-за ошибок в bash-скриптах, а Cursor привёл к рабочему прототипу, но потребовал рефакторинга, поскольку объём кода превышал лимиты модели. Успешным оказался четвёртый спринт с Windsurf: он занял 100 часов работы человека за 2,5 недели и завершился созданием 10 000 строк кода. Для сравнения, аналогичный по функциональности проект Cloudstation разрабатывался 4 года усилиями нескольких студентов.
Результат подчеркивает важное ограничение современных ИИ — неспособность эффективно справляться с объёмами кода, превышающими 10 тыс. строк. По словам Бёрка, это согласуется с предыдущим исследованием , где показано, что у модели Claude 3.5 Sonnet точность на LongSWEBench падает с 29% до 3% при увеличении контекста от 32K до 256K токенов.
Несмотря на футуристичность проекта, разработчики предусмотрели элемент контроля: всё время в процессе сохранялась возможность ручного вмешательства через резервный передатчик. Это необходимо, учитывая потенциал систем для автономной навигации, который уже сегодня привлекает внимание военных и индустрии пространственного ИИ.
В компании Geolava назвали эксперимент Бёрка знаковым: по мнению компании, автономный сбор командного центра в небе открывает путь к новой парадигме пространственного интеллекта, в которой сенсоры, планирование и принятие решений объединяются в единое целое в режиме реального времени. Даже частично автоматизированные платформы, вроде Skydio, уже начинают менять подход к анализу окружающей среды.
Специалисты также подчеркнули, что главное испытание подобных ИИ-систем — это устойчивость к изменениям условий, когда меняется ландшафт, задача или структура системы. Создание самопрограммируемых летающих платформ, способных адаптироваться по ходу миссии, — шаг в сторону универсальной автономии, а не просто узкоспециализированной робототехники.
Авторы проекта сохраняют осторожный оптимизм. Как выразился сам Бёрк, он надеется, что сценарий из «Терминатора» так и останется в жанре фантастики. Но в эпоху, когда ИИ учится писать собственный код и размещать его прямо в облаках — или на крыльях дронов — уверенности в этом всё меньше.
Впервые удалось доказать, что робот может не просто выполнять команды, но и сам программировать собственную «мозговую систему» — от начала и до финальной реализации. Этот прорыв продемонстрировал профессор электротехники и информатики из Калифорнийского университета в Ирвайне Питер Бёрк. В своём препринте он описывает, как с помощью генеративных ИИ-моделей можно создать полноценную командно-управляющую станцию для дрона, причём размещённую не на земле, как обычно, а прямо на борту летательного аппарата.
По задумке, «роботом» в проекте называются сразу два объекта. Первый — это ИИ, генерирующий программный код, второй — дрон на базе Raspberry Pi Zero 2 W, который этот код выполняет. Обычно управление полётом осуществляется через наземную станцию — например, с помощью программ Mission Planner или QGroundControl, которые связываются с дроном по телеметрическому каналу. Эта система выполняет функции промежуточного «мозга» — от планирования миссий до отображения в реальном времени. На борту дрона работает низкоуровневая прошивка, вроде Ardupilot, а за более сложные задачи отвечает система автономной навигации, например, ROS.
Бёрк показал, что при грамотной постановке задач генеративным ИИ-моделям можно поручить написание всего программного комплекса — от взаимодействия по MAVLink до построения веб-интерфейса. В результате получился WebGCS: веб-сервер, размещённый на самой плате дрона и обеспечивающий полный цикл управления в воздухе. Пользователь может подключиться к этой системе по сети и отдавать команды через браузер, пока устройство находится в полёте.
Проект реализовывался поэтапно, через серию спринтов с разными ИИ-инструментами: Claude , Gemini , ChatGPT , а также специализированными средами разработки вроде Cursor и Windsurf . В начальной фазе сессии с Claude включали запросы на написание кода Python для подъёма дрона на 50 футов, создание веб-страницы с кнопкой взлёта, отображение карты с позицией по GPS и возможность кликом указать точку назначения. Затем ИИ должен был сгенерировать скрипт установки, включая всю файловую структуру. Однако из-за ограниченного окна контекста Claude не смог обработать всю цепочку запросов.
Сессия с Gemini 2.5 потерпела неудачу из-за ошибок в bash-скриптах, а Cursor привёл к рабочему прототипу, но потребовал рефакторинга, поскольку объём кода превышал лимиты модели. Успешным оказался четвёртый спринт с Windsurf: он занял 100 часов работы человека за 2,5 недели и завершился созданием 10 000 строк кода. Для сравнения, аналогичный по функциональности проект Cloudstation разрабатывался 4 года усилиями нескольких студентов.
Результат подчеркивает важное ограничение современных ИИ — неспособность эффективно справляться с объёмами кода, превышающими 10 тыс. строк. По словам Бёрка, это согласуется с предыдущим исследованием , где показано, что у модели Claude 3.5 Sonnet точность на LongSWEBench падает с 29% до 3% при увеличении контекста от 32K до 256K токенов.
Несмотря на футуристичность проекта, разработчики предусмотрели элемент контроля: всё время в процессе сохранялась возможность ручного вмешательства через резервный передатчик. Это необходимо, учитывая потенциал систем для автономной навигации, который уже сегодня привлекает внимание военных и индустрии пространственного ИИ.
В компании Geolava назвали эксперимент Бёрка знаковым: по мнению компании, автономный сбор командного центра в небе открывает путь к новой парадигме пространственного интеллекта, в которой сенсоры, планирование и принятие решений объединяются в единое целое в режиме реального времени. Даже частично автоматизированные платформы, вроде Skydio, уже начинают менять подход к анализу окружающей среды.
Специалисты также подчеркнули, что главное испытание подобных ИИ-систем — это устойчивость к изменениям условий, когда меняется ландшафт, задача или структура системы. Создание самопрограммируемых летающих платформ, способных адаптироваться по ходу миссии, — шаг в сторону универсальной автономии, а не просто узкоспециализированной робототехники.
Авторы проекта сохраняют осторожный оптимизм. Как выразился сам Бёрк, он надеется, что сценарий из «Терминатора» так и останется в жанре фантастики. Но в эпоху, когда ИИ учится писать собственный код и размещать его прямо в облаках — или на крыльях дронов — уверенности в этом всё меньше.