Die US-Marine hat ihre aktualisierte Liste der Technologieprioritäten veröffentlicht und bietet damit eine Roadmap für Startups und Investoren, die Anwendungen für militärische Zwecke entwickeln möchten.
Marine-CTO Justin Fanelli teilte die Liste mit — gemeinsam herausgegeben von seinem Büro und dem Portfolio-Erwerbsexekutiven für Missionssysteme — nachdem sie mit namentlich nicht genannten Risikokapitalgebern geprüft wurde. Die fünf Prioritätsbereiche sind:
Angewandte KI, die maschinelles Lernen und agentische Software für Sensorfusion, Zielunterstützung, autonomes Verhalten und Cyberoperationen umfasst. Dies ist die höchste Priorität.
Quanteninformationswissenschaft, weniger auf den Besitz von Quantenhardware als auf die Anwendung quanten- oder quantennaher Techniken für Navigation, sichere Kommunikation und Kryptographie ausgerichtet.
Fortschrittliches Networking, das darauf abzielt, Daten sicher über degradierte oder intermittierende Verbindungen zu übertragen — sei es ein Schiff auf hoher See oder das Netzwerk eines Koalitionspartners.
Elektromagnetische Spektroperationen, Technologie, die das Spektrum selbst unter umkämpften Bedingungen erkennt und verwaltet.
Digitale Technik und Interoperabilität, die offene APIs, modellbasierte Systemtechnik und Zero-Trust-Architektur zur Systemintegration abdecken.
Die Prioritätenliste kommt zu einem Zeitpunkt, an dem die Marine ihre Beschaffungsstrategie ändert. Fanelli sagte, dass die Marine nun hauptsächlich von Series-D- bis Series-F-Unternehmen kauft, nachdem sie zuvor ihre eigene Forschung in der Frühphase finanziert hatte. Sie versucht, diese Rolle stattdessen an kommerzielle Investoren zu übertragen — deshalb existiert die Prioritätenliste als klareres Signal darüber, wo die Marine einzukaufen plant.
Aktuelle Käufe veranschaulichen den Wandel. Die Marine vergab diesen Monat einen Auftrag über 562 Millionen Dollar für die autonome Betankungsdrohne MQ-25 Stingray. Sie kaufte auch Edge-Compute-Hardware von Armada, holte Gecko Robotics für automatisierte Inspektionsarbeiten und setzte Domino Data Lab für ihre Machine-Learning-Pipeline ein.
