AI擔任虛擬上級指揮部：美陸軍指揮參謀學院的大型語言模型訓練實驗

AI擔任虛擬上級指揮部：美陸軍指揮參謀學院的大型語言模型訓練實驗

戰爭的本質持續演變，驅使陸軍不斷尋求以技術優勢取得決定性優勢。在FY25學年，指揮參謀學院（CGSC）教師群深入探索如何運用人工智慧（AI）達成各層級的訓練目標。將AI整合至「作戰程序」執行階段，代表這一追求的下一個前沿。CGSC「進階作戰課程」壓軸大規模作戰行動（LSCO）演習中的實際應用，提供了具體藍圖，說明大型語言模型（LLMs）如何以虛擬上級指揮部的形式革新模擬演習，使各層級部隊能按自身時程提升參謀熟練度，而不影響友鄰或上級單位。

本文彙整一項為期兩週、共61名學員參與的實作演習成果。學員代表第25步兵師參謀，在模擬演習中進行操演。我們的探索證明，在適當資源配置下，AI能成為強大的認知協作夥伴，填補人力資源有限與師級模擬複雜需求之間的落差。

建立框架：為作戰程序配置AI資源

初始階段涉及建構一個數位戰場，使AI代理人能依據與人類參謀相同的教義與作戰文件進行推理。我們使用Vantage平台，建立一套採用兩種獨立知識本體（ontology）的處理流程。「戰術本體」彙整所有師級資訊，從任務接收到命令後產出的聯合兵種演練及各作戰功能持續估算；「作戰上級指揮部本體」則包含往年情報與作戰摘要，以提供背景脈絡。

為確保教義嚴謹性，我們驗證模型引用教範的能力，涵蓋作戰、作戰程序及中國戰術等手冊。透過將教範轉換為結構化本體物件，AI得以解析複雜的作戰輸入，並模擬完整規劃參謀的認知負荷。

解決資源限制：AI高層控制組（HICON）

演習中一項重大挑戰，在於「高層控制組」（HICON）的容量有限。該組負責管理師級濕岸越越與前進通道作戰的軍級交付事項，並在作戰架構中持續插入「主要情境事件清單」（MSELs），卻僅由一名對目標打擊或情報蒐集整合經驗有限的醫療勤務（MS）軍官組成。這名軍官並非情報蒐集（IC）、目標打擊，或攻擊航空、火力與M2聯合兵種整合的主題專家（SME），因而形成摩擦點——師部參謀需要持續獲得戰損評估（BDA）與情蒐計畫的回饋，才能維持訓練節奏。

以Vantage AIP作為虛擬軍級指揮部，將此限制轉化為能力。透過建立具備兩套獨立本體的AIP，系統得以提供師部參謀在計畫、未來作戰（FUOPS）與當前作戰（CUOPS）等各單元跨時間規劃所需的資訊。一套本體引用陸軍教義與原始軍級基礎作戰命令（OPORD），另一套則整合師級簡報投影片，含地圖位置、情蒐計畫、高優先目標清單（HPTL）與高價值目標清單（HVTL）。AI生成敵情更新，並對參謀的「殲滅合約」提供即時BDA，使教師群能主導演習節奏，同時由AI承擔為師部處理資料的龐大認知負荷。

動態裁決：各層級AI交付成果

虛擬指揮部不僅提供基本回饋，更協助提供針對後方、主要及戰術指揮所的更新、限制條件與新挑戰，對訓練全體參謀極有助益，具體體現於多項高階交付成果：

1. 作戰同步：模型為模擬中三個師提供24小時更新，讓參謀了解執行如何在時間與空間上同步。其中一個案例模擬友鄰師落後12小時，促使AI生成兩項新的優先情報需求（PIR），關注單位邊界間潛在的接縫。此外，也讓師部參謀得以協調跨邊界火力支援任務，並透過BDA確認射擊成效，使參謀了解妥善配置的資源如何支撐整個軍作為系統運作。
2. 多源情報更新：系統依據課程參數生成地理空間、開源與訊號情報更新，並透過既有本體加以精煉。其中一例為AI生成大規模人口遷移，引發師後方地區民事動亂，促使各支援單元將技能整合至壓軸演習，讓師部參謀了解整個作戰地區（AO），並向指揮層提出建議。
3. 威脅評估與目標打擊：AI評估敵方野戰砲兵何時能集中火力，並識別越渡地點附近出現新型火箭系統，迫使師情報單元聚焦特定關注地區，提升打擊效益。我們也指派AI生成友鄰師每日BDA，展示軍如何在整個作戰地區布建條件。
4. 重大行動報告：模型針對友鄰部隊行動生成詳細報告，並提出工兵支援或障礙排除建議，推動當前與未來作戰的精進。

迭代優勢：預測分析與產出深度

此次演習最重要的發現，在於AI迭代學習的複利效應。到第三天，在將生成摘要反饋至系統供參考後，AI開始提供敵方行軍序列、節奏，以及預測未來五天的建議關鍵目標，既推動未來作戰規劃，也使參謀掌握敵方在縱深、近接與後方地形的行動態勢。

產出深度也出現根本性轉變。過去情報與執行摘要鮮少超過三頁；採用模型後，這些文件平均達20頁，涵蓋更新的指揮官意圖、近距空中支援重新分配指導，以及大量複雜的民事議題。

給部隊的啟示

這場AI輔助參謀訓練實驗，為陸軍提供若干重要啟示：

• 非SME倍增效應：AI使單一非主題專家軍官能在多個作戰功能上產出高品質、符合教義的指導文件。
• 跨層級重複訓練：此概念可下延至營級。參謀可在駐地執行兵棋推演，以模型提供每日指導，在不依賴實際上級指揮部的情況下增加重複次數、深化分析。
• 訓練自主性：各部隊得以按自身行事曆安排訓練，利用AI推動資訊流，維持高訓練節奏，並依AI模擬的情勢變化精進計畫。

LLM擔任虛擬上級指揮部的過度依賴風險

儘管LLM作為虛擬上級指揮部能在資源受限的訓練中帶來效率，但它對教義保真度與軍事專業判斷構成重大風險。LLM仍易產生「幻覺」（hallucination），即便有結構化本體與教義文件支撐，仍可能在戰損評估、威脅預測與優先情報需求上生成看似合理卻有誤的輸出。針對LLM用於兵棋推演的研究，一致顯示其具有偏向激進與升高緊張態勢的傾向，與人類專家判斷存在落差。所謂「非SME倍增效應」可能助長自動化盲從，導致參謀軍官在時間壓力下不加批判地接受機器生成的交付成果，侵蝕培養適應性作戰藝術所必需的反覆人工審議過程。因此，過度依賴AI輔助演習，有產出大量卻流於表面的文件之虞，僅模擬分析深度，而非真正培養多域作戰所需的紀律主動性與情境判斷力。嚴格的人工監督、驗證程序與教義保護措施，是確保AI輔助而非取代參謀訓練人的要素中不可或缺的一環。

結論

將人工智慧整合至決策過程，是當今現實，且具備顯著提升執行模擬速度與深度的潛力。透過為部隊配置適當資源的AI代理人，陸軍得以確保更多重複訓練與更深入分析，進而形成更嚴格測試的計畫，以及更能應對多域作戰複雜性的參謀隊伍。

---

（本文觀點屬作者個人意見，不代表陸軍部、國防部或美國政府的官方政策或立場。）

本文原發表於亞利桑那州立大學《小型戰爭雜誌》（Small Wars Journal）。

---

原文來源： 查看原文