美陸軍用AI虛擬上級指揮部進行參謀訓練，警示過度依賴風險

美陸軍以AI補足訓練資源缺口

隨著現代戰爭複雜性不斷提升，美國陸軍指揮參謀學院（CGSC）持續探索利用人工智慧（AI）強化各層級參謀訓練。在FY25學年進行的實驗中，學院教師群將大型語言模型（LLM）整合至「進階作戰課程」的壓軸大規模作戰行動（LSCO）演習，以虛擬軍級指揮部的形式發揮作用。

破解HICON瓶頸的創新方案

陸軍面臨的核心挑戰是高層控制組（HICON）的人力限制。傳統演習中，該組負責管理師級作戰層面的軍級交付事項並持續插入主要情景事件清單（MSELs），但往往僅由一名非專業軍官組成，在戰損評估（BDA）、情蒐整合與目標打擊等領域缺乏主題專家（SME）支援。這造成師部參謀難以及時獲得必要回饋，進而影響訓練節奏。

為突破此瓶頸，研究團隊採用Vantage平台建立AI輔助系統，配置兩套獨立知識本體：「戰術本體」彙整師級資訊流，「作戰上級指揮部本體」提供歷史情報與背景脈絡。為確保教義保真度，AI模型經過驗證能引用陸軍作戰、參謀程序與中國戰術等手冊，進而可解析複雜作戰輸入並模擬完整規劃過程的認知負荷。

實驗成果與四大關鍵交付

這場涉及61名學員、為期兩週的實作演習證明AI的倍增效應。虛擬指揮部提供了多項高階交付成果：

作戰同步：AI為模擬中三個師提供24小時更新，確保參謀了解執行在時間與空間上的同步狀況。當模擬中一個友鄰師落後12小時時，系統即時生成新的優先情報需求，識別單位邊界間的潛在接縫。

多源情報更新：系統依據地理空間、開源與訊號情報參數生成更新，一例為AI模擬大規模人口遷移引發民事動亂，促使師部協調整合支援單元應對全作戰地區威脅。

威脅評估與目標打擊：AI評估敵方野戰砲兵火力集中時間，識別新型火箭系統位置，協助師情報單元聚焦關鍵地區並提升打擊效益。

重大行動報告：模型針對友鄰部隊行動生成詳細報告，提出工兵支援與障礙排除建議。

迭代學習的複利效應

研究最關鍵發現在於AI迭代學習的加乘優勢。到演習第三天，AI在接收生成摘要反饋後，開始提供敵方行軍序列、推進節奏，甚至預測未來五天的關鍵目標。同時，情報與執行摘要的深度產生根本轉變，從過去的3頁擴增至平均20頁，涵蓋指揮官意圖更新、近距空中支援重新分配指導，以及複雜民事議題分析。

現實隱憂：過度依賴的風險

儘管LLM作為虛擬上級指揮部提升了訓練效率，但也帶來重大隱患。LLM易產生「幻覺」現象，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。相關研究一致顯示LLM具有偏向激進與升高緊張態勢的傾向。

更深層的風險在於「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AI建議，侵蝕培養適應性作戰藝術所需的反覆人工審議過程。過度依賴可能產出大量文件卻流於表面分析，難以真正培養多域作戰所需的紀律主動性與情境判斷力。

前進方向

陸軍未來應配合嚴格的人工監督、驗證程序與教義保護措施，確保AI真正輔助而非取代參謀訓練。該模式並可下延至營級，使各部隊能按自身時程利用AI推動訓練，在不依賴實際上級指揮部的情況下增加重複次數與分析深度。