این مقاله سامانه AERIS (Aerial-Edge Role-Driven Intelligence at Runtime via Orchestrated Language-Model Swarm) را معرفی میکند؛ معماری جدیدی که بهجای استفاده از یک مدل زبانی واحد، از مجموعهای از عاملهای مبتنی بر مدلهای زبانی بزرگ (LLM Swarm) با نقشهای تخصصی استفاده میکند. این عاملها بهصورت هماهنگ بر روی پهپادها و تجهیزات Edge اجرا شده و وظایفی مانند برنامهریزی مأموریت، تحلیل محیط، هماهنگی گروهی، تصمیمگیری بلادرنگ و مدیریت منابع را انجام میدهند. هدف اصلی این معماری، افزایش مقیاسپذیری، تابآوری، سرعت تصمیمگیری و استقلال عملیاتی سامانههای هوشمند هوایی در محیطهای پویا و فاقد زیرساخت ارتباطی پایدار است. 
چالش استفاده از مدلهای زبانی در پهپادها
نویسندگان بیان میکنند که اگرچه مدلهای زبانی بزرگ توانایی بالایی در استدلال و تصمیمگیری دارند، اما اجرای یک مدل واحد برای کنترل همزمان چندین پهپاد یا سامانه Edge با محدودیتهایی مانند مصرف زیاد منابع پردازشی، تأخیر بالا، نبود مقیاسپذیری و ایجاد یک نقطه شکست واحد (Single Point of Failure) مواجه است. برای رفع این مشکل، معماری AERIS رویکرد «ازدحام عاملهای هوشمند» را پیشنهاد میکند.
معرفی معماری AERIS
AERIS یک معماری توزیعشده است که در آن چندین عامل مبتنی بر مدل زبانی بزرگ بهطور همزمان فعالیت میکنند. هر عامل مسئول انجام یک نقش مشخص است و تمامی عاملها از طریق یک لایه هماهنگکننده با یکدیگر تعامل دارند. این معماری به گونهای طراحی شده است که بتواند در زمان اجرا (Runtime) وظایف را میان عاملها توزیع کرده و با تغییر شرایط مأموریت، ساختار همکاری خود را بهصورت پویا بازآرایی کند.
عاملهای تخصصی با نقشهای متفاوت
برخلاف سامانههای متداول که یک مدل همه وظایف را انجام میدهد، در AERIS هر عامل دارای نقش مشخصی است. برخی عاملها مسئول برنامهریزی مأموریت، برخی مسئول ناوبری، برخی مسئول تحلیل دادههای حسگر، برخی مسئول مدیریت ارتباطات و برخی مسئول هماهنگی گروهی هستند. این تقسیم وظایف باعث افزایش کارایی و کاهش بار پردازشی هر عامل میشود.
هماهنگی مبتنی بر Swarm Intelligence
یکی از ویژگیهای کلیدی AERIS استفاده از اصول Swarm Intelligence است. عاملها بدون نیاز به یک کنترلکننده متمرکز، اطلاعات را با یکدیگر به اشتراک گذاشته و برای رسیدن به اهداف مشترک تصمیمگیری میکنند. این روش امکان ادامه مأموریت حتی در صورت از کار افتادن برخی عاملها یا قطع بخشی از ارتباطات را فراهم میکند.
اجرای بلادرنگ روی تجهیزات Edge
معماری پیشنهادی برای اجرا بر روی تجهیزات Edge طراحی شده است. بخشی از پردازشها مستقیماً روی پهپادها یا رایانههای لبه انجام میشود و تنها در صورت نیاز از منابع ابری استفاده میشود. این رویکرد تأخیر ارتباطی را کاهش داده و امکان تصمیمگیری در محیطهایی با ارتباط محدود یا قطع ارتباط را فراهم میکند.
مدیریت پویای نقشها
AERIS قابلیت تغییر نقش عاملها در زمان اجرا را دارد. اگر شرایط مأموریت تغییر کند یا یکی از عاملها از دسترس خارج شود، سایر عاملها میتوانند نقشهای جدید را بر عهده گرفته و ساختار همکاری خود را بازتنظیم کنند. این ویژگی باعث افزایش تابآوری و انعطافپذیری سامانه در عملیات واقعی میشود.
کاربردهای نظامی و غیرنظامی
نویسندگان کاربردهای متعددی برای این معماری مطرح میکنند؛ از جمله عملیات شناسایی و مراقبت، جستوجو و نجات، پایش بلایای طبیعی، مدیریت بحران، لجستیک هوشمند، کشاورزی دقیق، امنیت مرزی و مأموریتهای نظامی که در آن چندین پهپاد باید بهصورت هماهنگ و نیمهخودمختار فعالیت کنند.
مزایای معماری چندعاملی
بر اساس نتایج پژوهش، استفاده از چند عامل تخصصی باعث افزایش مقیاسپذیری، کاهش زمان تصمیمگیری، توزیع بهتر بار پردازشی، افزایش قابلیت اطمینان و کاهش وابستگی به یک مدل منفرد میشود. همچنین این معماری امکان توسعه تدریجی قابلیتهای جدید را بدون بازطراحی کل سامانه فراهم میکند.
چالشهای امنیتی
نویسندگان اشاره میکنند که معماریهای مبتنی بر ازدحام عاملهای هوشمند، علاوه بر مزایا، چالشهای امنیتی جدیدی نیز ایجاد میکنند. احراز هویت عاملها، اعتماد میان عاملهای توزیعشده، امنیت ارتباطات، مقاومت در برابر نفوذ، جلوگیری از دستکاری پیامها و محافظت در برابر حملات به عاملهای منفرد از مهمترین موضوعاتی هستند که در توسعه عملی چنین سامانههایی باید مورد توجه قرار گیرند.
اهمیت راهبردی
AERIS نشاندهنده روند جدیدی در تکامل سامانههای خودمختار است؛ روندی که در آن یک مدل زبانی بزرگ بهتنهایی کنترلکننده سامانه نیست، بلکه مجموعهای از عاملهای تخصصی مبتنی بر LLM بهصورت هماهنگ تصمیمگیری میکنند. این معماری میتواند مبنای نسل آینده سامانههای چندپهپادی، رباتهای توزیعشده، عملیات نظامی شبکهمحور و سامانههای Edge AI باشد و نقش مهمی در توسعه هوش جمعی مبتنی بر عاملهای زبانی ایفا کند.