ESSAY
Sværmintelligens: Den decentrale intelligens mellem geopolitik og teknologisk paradigmeskift
Af Alina Orsi og Chiho Genda
Pejlinger, den 7. april 2026
Når en stæreflok tegner skiftende mønstre på aftenhimlen, ser vi ikke blot naturens æstetik. Vi er vidner til en form for biologisk databehandling, der har inspireret en hel klasse af algoritmer inden for kunstig intelligens. Under betegnelsen sværmintelligens arbejder forskere og ingeniører med systemer, hvor mange simple agenter uden central styring koordinerer sig mod løsninger, som den enkelte agent aldrig kunne nå alene. Konceptet er ikke nyt. Men det har fået ny strategisk relevans i en periode, hvor stormagters konkurrence om AI-dominans intensiveres, og hvor spørgsmålet om decentralisering kontra centralisering af intelligens har konsekvenser langt ud over det tekniske.
Denne artikel undersøger sværmintelligensens teoretiske fundament, dens algoritmiske udtryk, dens placering i den kinesiske og europæiske teknologistrategi, og de udfordringer, der vil forme feltets udvikling i de kommende år.
Sværmintelligens kan defineres som den kollektive adfærd i decentrale, selvorganiserende systemer, hvad enten de er naturlige eller kunstige. Begrebet blev formaliseret i 1989 af Gerardo Beni og Jing Wang i forbindelse med forskning i cellulær robotik [1], men rødderne rækker dybt ind i biologiens studier af insektkolonier, fugleflokke og fiskestimer.
Kerneprincippet er fraværet af en central kontrolenhed. Ingen enkelt myre ved, hvordan hele tuen skal bygges, og ingen enkelt fugl dikterer flokkens rute. I stedet følger hver agent simple, lokale regler baseret på interaktioner med naboer og det omgivende miljø. Herfra opstår det, der i fagsproget betegnes som emergent adfærd: globale mønstre og løsninger, som ikke er eksplicit programmeret, men som overgår summen af de enkelte deles formåen.
Et centralt begreb er stigmergi, introduceret af den franske biolog Pierre-Paul Grassé i 1959 [2]. Stigmergi beskriver en form for indirekte koordination, hvor agenter efterlader spor i miljøet, som påvirker efterfølgende agenters adfærd. Myrers feromonspor er det klassiske eksempel. I AI-sammenhæng oversættes dette til algoritmer, hvor agenter opdaterer en fælles datastruktur, der guider den samlede søgeproces mod en optimal løsning.
I en periode, hvor AI-debatten domineres af stadig større sprogmodeller med centraliseret arkitektur og enorme beregningskrav, repræsenterer sværmintelligens en strukturelt modsatrettet tilgang. Hvor en stor sprogmodel som GPT-serien samler al intelligens i ét enormt neuralt netværk, distribuerer sværmen sin problemløsningskapacitet over mange simple enheder. Det er to fundamentalt forskellige svar på det samme spørgsmål om, hvad intelligens er, og hvordan den bedst organiseres.
Det algoritmiske fundament
De to mest etablerede algoritmiske udtryk for sværmintelligens er Particle Swarm Optimization (PSO) og Ant Colony Optimization (ACO).
PSO blev udviklet i 1995 af James Kennedy og Russell Eberhart, inspireret af fugleflokkes bevægelsesmønstre [3]. I denne algoritme betragtes hver “løsning” som en partikel, der bevæger sig i et flerdimensionelt søgerum. Hver partikel husker sin egen bedste position og kender flokkens samlede bedste position. Ved at justere sin hastighed og retning baseret på disse to faktorer konvergerer flokken gradvist mod de mest lovende områder af søgerummet. PSO bruges i dag til parameteroptimering i neurale netværk, hvor traditionel gradientnedstigning kan fange sig i lokale optima, altså løsninger, der er acceptable men ikke optimale.
ACO, udviklet af Marco Dorigo i 1992 [4], efterligner myrers evne til at finde den korteste vej mellem boet og en fødekilde. Algoritmen er særligt effektiv til diskrete optimeringsproblemer som ruteplanlægning. Ved at simulere fordampning af digitale feromonspor sikrer den, at systemet ikke låser sig fast på en middelmådig løsning, men konstant udforsker nye muligheder, indtil den mest effektive vej er identificeret. Ifølge brancheanalyser har sværmalgoritmer allerede vundet udbredelse i logistiksektoren til flådestyring og ruteoptimering [5].
Begge algoritmer er i dag modne teknologier. De er hverken eksperimentelle eller speculative. De løser veldefinerede problemer inden for logistik, netværksarkitektur og maskinlæring, og de gør det effektivt.
Sværmintelligens møder den agentbaserede AI
Den mest interessante aktuelle udvikling er ikke sværmalgoritmerne i sig selv, men deres konvergens med den bredere bevægelse mod agentbaseret AI. Når softwarevirksomheder designer multi-agent-systemer, hvor specialiserede AI-agenter samarbejder om komplekse opgaver, arbejder de inden for en arkitektonisk logik, der deler grundprincipper med sværmintelligens: decentralisering, specialisering og koordination uden monolitisk kontrol.
Der er dog en afgørende forskel, som sjældent artikuleres tydeligt nok. Klassisk sværmintelligens bygger på simple agenter med lavt beregningskrav, der kommunikerer indirekte gennem miljøet. De nye multi-agent-systemer drevet af store sprogmodeller er det modsatte: ressourcetunge, sprogbaserede og afhængige af avanceret prompt-arkitektur. En forskningsartikel fra 2025, der sammenligner klassiske og sprogmodeldrevne implementeringer af to velkendte sværmalgoritmer, fandt, at den sprogmodeldrevne variant krævede omkring 300 gange mere beregningstid i de konkrete benchmarks [6]. Samtidig konkluderer forskerne, at sprogmodeldrevne sværme udveksler beregningsmæssig hastighed for fleksibilitet og ræsonnement på et højere abstraktionsniveau.
Denne forskel er ikke triviel. Den peger på, at “sværm” i den kommercielle AI-diskurs i stigende grad bruges som metafor for distribueret agentkoordination snarere end som en præcis teknisk betegnelse. Det er vigtigt at holde denne skelnen klar, fordi de to tilgange har radikalt forskellige egenskaber med hensyn til skalerbarhed, energiforbrug og anvendelsesområder.
Swarm Learning: Decentraliseret AI uden datamonopoler
Et område, hvor sværmprincipperne har vist konkret og målbar værdi, er inden for det, der betegnes som Swarm Learning. Tilgangen kombinerer edge computing med blockchain-baseret peer-to-peer-koordination og blev præsenteret i det videnskabelige tidsskrift Nature i 2021 [7]. Et internationalt forskningshold demonstrerede, at AI-modeller trænet decentralt på tværs af flere hospitaler kunne diagnosticere sygdomme som leukæmi og COVID-19 med højere præcision end modeller trænet lokalt på det enkelte hospital, uden at patientdata nogensinde forlod den lokale enhed.
Swarm Learning adresserer et reelt og voksende problem: kløften mellem, hvad der er teknisk muligt med centraliserede datasæt, og hvad privatlivslovgivning tillader. Hvor traditionel federated learning stadig forudsætter en central koordinator, der aggregerer modelparametre, fjerner Swarm Learning dette enkeltpunkt ved hjælp af blockchain-baseret konsensus. I 2022 viste et opfølgende studie i Nature Medicine, at tilgangen kunne identificere handlingsbare molekylære ændringer i tarmkræft ved hjælp af histopatologiske billeder fra over 5.000 patienter fordelt på tre lande [8].
Tilgangen er især relevant i sundhedssektoren og i finansielle services, hvor data er følsom og reguleret, men hvor den samlede datamængde på tværs af institutioner ville muliggøre langt bedre modeller, end nogen enkelt institution kan producere alene. I en europæisk kontekst, hvor GDPR sætter strenge rammer for datadeling, er dette ikke et akademisk spørgsmål, men en praktisk nødvendighed.
Kinas strategiske satsning
Sværmintelligens optræder ikke som et navngivet, selvstændigt prioritetsområde i den kinesiske 15. femårsplan (2026–2030) [9]. Men det, der optræder, er en række tilstødende koncepter, som tilsammen gør sværmintelligens til en central, indlejret muliggørende teknologi i planens arkitektur. Forbindelsen løber gennem tre spor.
Det første er militært. Femårsplanen signalerer en bredere drejning i Kinas militære tænkning mod informationsdominans, distribueret angrebskapacitet og “intelligentiserede operationelle systemer”. Under den militære parade i september 2025 fremviste Kina en ny generation af ubemannede kampsystemer, herunder dronesværme koblet til AI-styrede kommandostrukturer. I marts 2026 demonstrerede China Electronics Technology Group det fulde Atlas Drone Swarm Operation System, hvor ét kommandokøretøj styrer op til 96 droner udstyret med rekognoscering, angreb og kommunikation, drevet af sværmintelligens [10]. Forskning fra PLA-tilknyttede universiteter viser aktiv udvikling af autonome dronesværme specifikt designet til bykamp, med Taiwan-scenarier som den primære operationelle kontekst [11].
Det andet spor er industrielt. Begrebet “embodied intelligence” (具身智能), som knap eksisterede i kinesiske politiske dokumenter før 2023, har nu sin egen dedikerede boks blandt planens ti vigtigste nye industrisektorer [12]. Planen instruerer specifikt i at “koordinere layoutet af embodied intelligence-træningsfaciliteter, fremme virtuel-real fusionsbaseret samarbejdstræning og udvikle integrerede stor-hjerne/lille-hjerne embodied modeller og algoritmer.” Sværmintelligens er en central kandidatteknologi for koordinering af fysiske agenter, hvad enten de er droner, humanoide robotter eller industrirobotter, der skal samarbejde uden central styring. Kina installerede i 2024 295.000 industrirobotter, svarende til 54 procent af den globale total. Når antallet af autonome enheder i et system vokser, bliver central styring upraktisk, og sværmprincipper bliver et oplagt svar.
Det tredje spor er infrastrukturelt. Begrebet “kunstig intelligens” optræder mere end 50 gange i femårsplanen, som inkluderer en altomfattende “AI+”-handlingsplan rettet mod at integrere teknologien på tværs af industrier. Planen lover at opbygge hyperscale-computerklynger og har opløftet robotik og embodied intelligence til en af Kinas otte udpegede strategiske industrier, en markant opgradering fra den foregående femårsplan.
Den strategiske logik bag denne prioritering kan henføres til flere faktorer. Dronesværme er billigere end konventionelle våbensystemer og kan fortsætte operationer selv under elektronisk jamming. Klassiske sværmalgoritmer kræver ikke de avancerede halvledere, som Kina har sværest ved at producere under amerikanske eksportrestriktioner. Sværmtilgangen bygger på mange simple processorer snarere end få avancerede, hvilket er strukturelt fordelagtigt for et land, der er afskåret fra de nyeste chipgenerationer. Og princippet om civil-militær fusion betyder, at de samme algoritmer, der optimerer logistikruter, kan styre militære dronesværme. Kinas patentansøgninger inden for droneautonomi og relaterede sværmteknologier ser ifølge flere analyser ud til at overstige de amerikanske markant, selv om det præcise omfang er svært at verificere på tværs af klassifikationssystemer [13].
Europas position: Forsvar, forskning og industriel fragmentering
Europas tilgang til sværmintelligens er fundamentalt anderledes end den kinesiske. Hvor Kina opererer med en integreret strategi, der binder civil teknologiudvikling, militær modernisering og industriel politik sammen i ét dokument, er den europæiske indsats spredt over forsvarssamarbejder, forskningsprogrammer og nationale initiativer med begrænset indbyrdes koordination.
Forsvarsdimensionen er det område, hvor Europa bevæger sig hurtigst, drevet af krigen i Ukraine og den bredere sikkerhedspolitiske krise. Det EU-finansierede ALTISS-projekt, afsluttet i december 2025 under den europæiske forsvarsfond [14], har demonstreret autonome sværmmissioner for efterretning, overvågning og rekognoscering. Systemet er designet til, at en enkelt operatør kan overvåge en hel sværm af droner, understøttet af AI-assisteret missionsplanlægning og dynamisk opgavefordeling. Det er et bevidst skridt væk fra den traditionelle model, hvor hver drone kræver sin egen pilot.
Mere ambitiøst er det europæiske forsvarsindustriprogram EDIP, hvis arbejdsprogram for 2026–2027 blev vedtaget i marts 2026 med et budget på 1,47 milliarder euro [15]. Programmet retter sig eksplicit mod sværmkapable ubemannede systemer, AI-aktiveret autonomi og loitering munitions, og det allokerer over 232 millioner euro direkte til ubemannede systemer og relaterede elektroniske forsyningskæder.
Parallelt hermed har den tysk-baserede forsvarsteknologivirksomhed Helsing etableret sig som Europas mest fremtrædende aktør inden for AI-drevne autonome systemer. Virksomhedens HX-2 angrebsdrone, som allerede er indsat i Ukraine, er designet til sværmoperationer. Helsings CA-1 Europa, et autonomt ubemandet kampfly i tre-til-fem-tons-klassen, er konfigureret til at operere selvstændigt eller som del af en sværm. I september 2025 indgik Helsing partnerskab med den danske virksomhed Systematic om at levere AI-drevne sværmkapabiliteter integreret med eksisterende kommando- og kontrolsystemer, der allerede anvendes af over 50 nationer [16]. I februar 2026 blev partnerskabet med tyske HENSOLDT tilføjet for at integrere avanceret sensorteknologi [17]. Virksomheden har også afsløret SG-1 Fathom, en autonom sværmkapabel undervandsdrone, der ifølge Helsing kan operere nedsænket i op til 90 dage.
De fem største europæiske nationer, Frankrig, Polen, Tyskland, Storbritannien og Italien, har desuden lanceret et fælles program for produktion af billige luftforsvarssystemer og autonome droner baseret på ukrainsk kamperfaring [18]. EU-kommissionen har udvidet sit “drone wall”-koncept, nu formelt betegnet European Drone Defence Initiative, fra en østlig grænseløsning til et kontinent-dækkende initiativ, med de første operative kapabiliteter annonceret til udgangen af 2026.
Forskningsdimensionen adskiller sig markant. Horizon Europe-arbejdsprogrammet for 2026–2027 allokerer betydelige midler til digitale emner, herunder AI, robotik og decentral databehandling [19]. I en tidligere programrunde har Horizon Europe eksplicit finansieret forskning i “nye koncepter for distribueret computing og sværmintelligens” i samarbejde med den amerikanske National Science Foundation. Det nuværende arbejdsprogram inkluderer indkaldelser om “nye tilgange til decentral, føderal og bæredygtig AI-databehandling”, som metodisk grænser op til Swarm Learning-paradigmet.
Sammenligningen med Kina afslører en strukturel asymmetri. Kinas femårsplan fungerer som en integreret styringsinstrument, der kobler forskningsprioriteringer, industriel skalering, militær modernisering og regulatorisk rammesætning i ét hierarkisk system. Europas tilgang er distribueret, med EU-forskningsprogrammer, nationale forsvarsbudgetter, multinationale samarbejder og private virksomheder, der opererer i delvist overlappende men sjældent fuldt koordinerede spor.
Denne fragmentering har både fordele og ulemper. Den europæiske model producerer konkurrencedygtige enkeltinitiativer, som Helsings dronesystemer eller ALTISS-projektet viser. Men den mangler det systematiske gear mellem forskning og industriel skalering, som den kinesiske model leverer. Når Kina udpeger embodied intelligence som en strategisk industri, udløser det adgang til National AI Industry Investment Fund på 60 milliarder yuan (godt 55 milliarder kroner), provinsielle matchmidler og hele apparatet af statsstøttet venturekapital. Den europæiske pendant er et lappetæppe af nationale programmer, EU-fonde med komplicerede ansøgningsprocedurer og private investeringer, der ikke nødvendigvis følger strategiske prioriteringer.
Der er også et tempospørgsmål. Ukraine har opskaleret sin droneproduktion fra 2,2 millioner enheder i 2024 til 4,5 millioner i 2025. EU’s forsvars- og rumkommissær Andrius Kubilius har estimeret, at EU i tilfælde af en bredere krig med Rusland vil have brug for tre millioner droner årligt alene til at forsvare Litauen [20]. Det er et produktionsvolumen, der kræver en fundamentalt anderledes industriel tilgang end Europas nuværende kapacitet.
Begrænsninger og sorte huller
Sværmintelligens er ikke en mirakelkur, og den entusiasme, der præger dele af den kommercielle og militære diskurs, fortjener at blive tempereret med en ærlig vurdering af feltets begrænsninger.
Præmatur konvergens er en af de mest veldokumenterede risici. Sværmens agenter kan blive “enige” for hurtigt og samle sig om en suboptimal løsning. Det svarer til en myreflok, der samles om en sukkerknald, mens der ligger en hel kage få meter væk. Balancen mellem udforskning af nye muligheder og udnyttelse af kendte gode løsninger er et vedvarende teknisk problem uden generel løsning.
Parameterfølsomhed er en beslægtet udfordring. Effektiviteten af en sværm afhænger kritisk af fintuning. Hvor hurtigt skal feromonerne fordampe? Hvor meget skal partiklerne vægte deres egen erfaring kontra flokkens? Forkerte indstillinger kan føre til enten totalt kaos eller komplet stagnation. I praksis kræver kalibrering af disse parametre betydelig ekspertise og ofte trial and error.
Manglende teoretisk transparens er den tredje store udfordring. Emergens er per definition uforudsigelig, og det kan være vanskeligt matematisk at bevise, hvorfor en sværm når frem til en bestemt løsning. I sikkerhedskritiske systemer, fra selvkørende biler til militære dronesværme, er dette ikke et akademisk problem men en operationel begrænsning med potentielt katastrofale konsekvenser.
Metafor-inflation er et problem, som den akademiske litteratur selv har identificeret. Et stort antal nyere algoritmer pakker begrænset algoritmisk nyskabelse ind i udførlige biologiske metaforer. Denne tendens gør det vanskeligere at skelne mellem reel innovation og rebranding af eksisterende metoder.
Perspektiverende overvejelser
Fire temaer fortjener opmærksomhed, når man vurderer sværmintelligensens fremtidige betydning.
For det første er den militære anvendelse af sværmintelligens i færd med at skabe et nyt teknologisk våbenkapløb med potentielt destabiliserende konsekvenser. Kinas udvikling af autonome dronesværme til bykamp, Europas hastige opbygning af sværmkapabiliteter, og USA’s 100-millioner-dollar-konkurrence om dronesværmsoftware peger alle i samme retning: sværmintelligens er ved at blive en afgørende kapabilitet i moderne krigsførelse. Men den autonome karakter af sværmsystemer rejser grundlæggende spørgsmål om menneskelig kontrol, ansvar og folkerettens status. Når et sværmsystem kan fortsætte operationer selv under elektronisk jamming, altså uden kommunikation med en menneskelig operatør, bevæger vi os ind i et juridisk og etisk ingenmandsland. Den internationale regulering af autonome våbensystemer har ikke holdt trit med den teknologiske udvikling, og Kinas bevidste juridiske tvetydighed på området forstærker risikoen.
For det andet indeholder forholdet mellem sværmintelligens og de store sprogmodeller en latent spænding, der endnu ikke er afklaret. De to paradigmer bygger på modsatrettede principper. Sværmintelligens distribuerer simpel intelligens over mange agenter. Store sprogmodeller koncentrerer enorm beregningskraft i én central model. Den kommercielle tendens til at kombinere de to, med sprogmodeller som “hjerner” i multi-agent-systemer, er lovende men møder hårde fysiske begrænsninger. Den størrelsesordensforskellen i beregningstid, der er dokumenteret i tidlige benchmarks, er ikke blot et ingeniørproblem, der vil forsvinde med hurtigere hardware. Den afspejler en fundamental uoverensstemmelse mellem sværmens princip om simpelhed og sprogmodellens princip om kompleksitet. Hybridarkitekturer, hvor sprogmodeller håndterer strategisk ræsonnement og klassiske sværmalgoritmer håndterer taktisk koordinering, er en oplagt vej frem, men kræver ny forskning i grænsefladen mellem de to paradigmer.
For det tredje er sværmintelligensens betydning for privatlivets fred og datasuverænitet måske det mest underspillede tema. Swarm Learning tilbyder en teknisk løsning på det politisk ophedede spørgsmål om, hvordan man kan udnytte store datamængder uden at centralisere dem. I en europæisk kontekst, hvor GDPR og den voksende skepsis over for amerikanske og kinesiske tech-platformes datapraksis sætter den politiske ramme, er dette potentielt mere betydningsfuldt end de militære anvendelser. Hvis sundhedssystemer, finansielle institutioner og offentlige myndigheder kan træne AI-modeller decentralt uden at dele rådata, ændrer det fundamentalt de kommercielle og regulatoriske betingelser for AI-adoption i Europa. Men udbredelsen kræver standardisering, interoperabilitet og en grad af teknisk modenhed, som feltet endnu ikke har nået.
For det fjerde afslører sammenligningen mellem Kina og Europa en dybere strukturel udfordring. Kinas styrke er integreret strategisk planlægning og hurtig industriel skalering. Europas styrke er forskningsdybde, regulatorisk sofistikering og et mere pluralistisk innovationsøkosystem. Men i en verden, hvor sværmintelligens bevæger sig fra laboratorierne og ind i kritisk infrastruktur, forsvarssystemer og sundhedsdata, er det ikke tilstrækkeligt at producere fremragende forskning, hvis den ikke kan skaleres til operationel kapacitet inden for en relevant tidsramme. Europas udfordring er ikke mangel på talent eller teknologi. Den er mangel på et gear, der kobler forskningsresultater til industriel virkelighed med den hastighed og det volumen, som den geopolitiske situation kræver.
Sværmintelligens repræsenterer i sidste ende en fundamental erkendelse om, at intelligens ikke nødvendigvis kræver en stor hjerne, men ofte blot de rette regler for interaktion. Den erkendelse er både teknologisk og politisk ladet. For den peger mod en fremtid, hvor AI ikke er noget, der bor i et enkelt datacenter ejet af en enkelt virksomhed, men noget, der potentielt kan opstå distribueret, decentralt og under lokal kontrol. Hvorvidt det løfte indfries, afhænger mindre af algoritmerne selv og mere af de institutionelle strukturer, der bestemmer, hvem der finansierer, regulerer og kontrollerer dem.
Illustration: Image by Gerd Altmann from Pixabay
Kilder og noter
[1] Beni, G. & Wang, J. (1989). “Swarm Intelligence in Cellular Robotic Systems”. Proceedings of the NATO Advanced Workshop on Robots and Biological Systems, Tuscany.
[2] Grassé, P. P. (1959). “La reconstruction du nid et les coordinations interindividuelles chez Bellicositermes natalensis et Cubitermes sp.” Insectes Sociaux, 6(1), 41–80.
[3] Kennedy, J. & Eberhart, R. (1995). “Particle Swarm Optimization”. Proceedings of ICNN’95 — International Conference on Neural Networks, vol. 4, 1942–1948.
[4] Dorigo, M. (1992). Optimization, Learning and Natural Algorithms. Ph.d.-afhandling, Politecnico di Milano.
[5] Fortune Business Insights, Swarm Intelligence Market Share, Size, Trend, 2034 (marts 2026). Rapporten citerer U.S. Department of Transportation for adoptionstal, men den præcise primærkilde er ikke identificeret i markedsanalysen. Påstanden bør derfor betragtes som en brancheestimation.
[6] Rahman, M. A. U., Schranz, M. & Hayat, S. (2025). “LLM-Powered Swarms: A New Frontier or a Conceptual Stretch?” Preprint indsendt til IEEE Intelligent Systems. arXiv:2506.14496. Den rapporterede forskel i beregningstid gælder de specifikke benchmarks (Boids og ACO) i artiklens testopsætning og kan ikke uden videre generaliseres.
[7] Warnat-Herresthal, S. et al. (2021). “Swarm Learning for decentralized and confidential clinical machine learning”. Nature, 594(7862), 265–270.
[8] Saldanha, O. L. et al. (2022). “Swarm learning for decentralized artificial intelligence in cancer histopathology”. Nature Medicine, 28(6), 1232–1239.
[9] Den 15. femårsplan (2026–2030) blev vedtaget af den Nationale Folkekongres i marts 2026. Analysen bygger på flere uafhængige gennemgange af plandokumentet, herunder Rödl & Partner, “China’s new Five-Year Plan 2026–2030” (26. marts 2026); ICAS, “China’s Fifteenth Five-Year Plan: Stability, Modernization, and the Strategic Logic Behind Its Domestic Priorities” (december 2025); og The Diplomat, “China’s New Five-Year Plan Prioritizes Robotics. The World Should Pay Attention” (marts 2026).
[10] Demonstrationen af Atlas Drone Swarm Operation System (Swarm-2) blev rapporteret bredt i kinesiske og internationale medier i marts 2026. Systemet er udviklet af China Electronics Technology Group Corporation (CETC) og blev først præsenteret ved Airshow China 2024.
[11] Loftus, M. C. (2026). “Machines in the Alleyways: China’s Bet on Autonomous Urban Warfare”. The Diplomat, 3. februar 2026. Artiklen dokumenterer forskning fra PLA-tilknyttede universiteter, herunder de såkaldte “Seven Sons of National Defense”.
[12] The Diplomat (marts 2026), op.cit. [9]. Den specifikke formulering om embodied intelligence fremgår af plandokumentets kapitel 5, afsnit 2, om “fremtidsindustrier” (未来产业), samt den tilhørende indsatsboks (Box 3, Item 02).
[13] eWeek (28. januar 2026). “China’s Military Labs Build ‘Apex Predator’ Drones, Robot Packs”. Henviser til analyser af patentaktivitet fra Wall Street Journal og Georgetown University’s Center for Security and Emerging Technology.
[14] Europa-Kommissionen, DG DEFIS (26. februar 2026). “Strengthening Europe’s drone capabilities with ALTISS under the European Defence Fund”. ALTISS-konsortiet ledes af Magellium SAS og omfatter Sagax, Radionor og M3S Belgium.
[15] EDIP-programmet blev vedtaget 8. december 2025. Arbejdsprogrammet for 2026–2027 blev vedtaget af Europa-Kommissionen 30. marts 2026 (gennemførelsesafgørelse C(2026) 2174) med et samlet budget på 1,467 mia. euro.
[16] Systematic A/S (10. september 2025). “Europe’s tech leaders join forces for sovereign control of drone swarms”. Partnerskabet integrerer Helsings AI-drevne sværmkapabiliteter med Systematics SitaWare C4ISR-suite.
[17] HENSOLDT AG (12. februar 2026). “HENSOLDT and Helsing join forces for CA-1 Europa autonomous combat aircraft”. Partnerskabet omfatter integration af radar, optronik, selvbeskyttelse og elektronisk krigsførelse.
[18] PBS News / Associated Press (21. februar 2026). “5 European allies pledge millions to build cheap drone defenses with Ukrainian know-how”. E5-initiativet (Frankrig, Polen, Tyskland, Storbritannien, Italien) blev lanceret i Warszawa.
[19] Horizon Europe-arbejdsprogrammet 2026–2027, Cluster 4: Digital, Industry and Space. Vedtaget af Europa-Kommissionen 11. december 2025. NSF-samarbejdet om distribueret computing og sværmintelligens stammer fra en tidligere programrunde (2022–2023). Det aktuelle arbejdsprogram inkluderer emnet “New approaches for decentralized, federated and sustainable AI data processing” (HORIZON-CL4-2027-04-DATA-03).
[20] Produktionstal og Kubilius-estimat citeret i MIT Technology Review (6. januar 2026). “The future of autonomous warfare is unfolding in Europe”.
Pejlinger 