多視角人工智慧作戰規劃系統在臺海防衛作戰之應用與挑戰
2026.07.20
瀏覽數
274
壹、前言
現代戰爭的戰場環境已是前所未有的劇烈變化，各項感測器網路的高度普及與各型無人載具的廣泛運用，使戰場匯集之數據呈現急劇的指數增長。因此，在高度動態且充滿不確定性的作戰環境中，各級指揮官必須在極短時間內處理大量情報、監視與偵察（ISR）等資訊，傳統仰賴參謀人員進行人工判讀與兵棋推演的決策模式，已難以應付高科技飽和攻擊能力的顯著威脅。[1]近期，美國空軍特種作戰司令部（AFSOC）開始導入由Selas Defense開發的「MultiLens」多視角人工智慧作戰規劃系統，可以看出軍事指揮與管制（C2）正式邁入多模型協同運算的新紀元。[2]
MultiLens系統突破過去單一語言模型（Single-model systems）的限制，透過整合六個具備不同戰略與作戰偏好（Biases）的大型語言模型（LLMs），能夠針對複雜且不完整（破碎）的各種戰場數據進行同步的平行分析，此種架構不僅能提供指揮官並排（Side-by-side）的決策選項比較，更能減少高達70%的分析時間，同時大幅降低人類在極端壓力下易產生的認知偏誤。[3]本文旨在探討此類多視角人工智慧系統應用於臺海防衛作戰的潛力，並剖析國軍現行體制在此趨勢下的實際安全困境，進而提出具體可行的戰術精進與準則修訂建議，期在未來的高強度聯合作戰中，建立具備強大韌性的分散式殺傷網。
貳、安全意涵
審視國軍現行的指揮管制體系、作戰準則與軟、硬體配置，若要應對未來臺海可能爆發的全面性或不對稱戰爭，當前面臨三個作戰想定下的結構性困境：
一、資訊過多與認知偏誤需克服
首先，在聯合防空與飽和攻擊狀況下，資訊過多與認知偏誤將成為決策致命傷。敵方若發動首波打擊，勢必伴隨遠程火箭、無人機蜂群、彈道飛彈與巡弋飛彈等多波次攻擊，各級防空指揮中心將瞬間湧入眾多且複雜的雷達軌跡、電磁頻譜截收與前線之作戰報告。國軍現有之指管系統雖具備部分自動化功能，但針對「敵軍意圖研判」與「戰術行動方案（COA）擬訂」，仍高度依賴高階指揮官的個人經驗與參謀協同之團隊分析。在瞬息萬變的戰場中，人類大腦極易落入確認偏誤（Confirmation bias），無法迅速且客觀地從不完整資訊中拼湊全貌，導致OODA循環（觀察、導向、決策、行動）的運作速度嚴重落後。[4]
二、邊緣運算之部署與能力缺乏
在電子戰與通信阻絕情境下，邊緣運算（Edge Computing）能力之匱乏將導致國軍「斷網作戰」之風險劇增。[5]敵軍的作戰重心必然包含透過實體打擊或網路癱瘓衡山指揮所等重要據點，並設法切斷光纖網路與微波通訊。然而，國軍目前的各型資料庫與決策支援系統多採集中指揮式架構，一旦前線戰術單位（如機動飛彈車、雷達車或野戰防空連）與上級失去聯繫，便難以獲取足夠之戰場圖像與精算後的射擊指導。相較之下，美軍MultiLens系統強調其具備在連線與離線（Disconnected environments）環境下皆能維持高敏捷回應的邊緣部署能力，這正是國軍基層部隊在面臨通訊斷線時，極度缺乏的生存與反擊能力。
三、聯合作戰準則的整合與一致性
國軍雖推動聯合作戰多年，但各軍種間的戰術資料鏈路與後勤補給系統仍存在某種程度的封閉性（美其名為具備獨立或不可侵入性）。現行準則在進行兵棋推演或戰備整備時，往往預設相對單一的敵軍行動想定，缺乏多面向（視角）的不同防衛構想。倘若擁有如同MultiLens般能夠同時模擬六種不同戰略偏好的AI系統，將使國軍在面對敵方運用非傳統戰術（如灰色地帶衝突轉局部登陸）時，能夠迅速發展跨軍種聯合（協同）效益的最佳化之反制方案。
參、趨勢研判
展望未來三至五年，多視角人工智慧在軍事作戰中的應用將從單純的「決策輔助」走向「戰術自主」。
一、人工智慧系統之運用
隨著AI系統如MultiLens成功從研發階段無縫接軌為美國戰爭部的正式建案（Program of Record），人工智慧將成為先進國家軍隊的標準配備。未來戰場上，具備高速運算與多視角分析能力的AI，將能跨越戰場空間與電磁頻譜的限制，自主協調無人機群、電子戰載具與精準火力，形成具有高度自我修復能力的作戰網路。
二、擴大軍民兩用與友盟國家之互通性
上述人工智慧若成為軍隊標準配備之趨勢，對臺灣印太戰略地位與臺海防衛具有深遠影響，若臺灣能率先建立具備邊緣運算與多面向分析能力的AI指管系統，將能大幅提升整體防衛作戰的韌性，不僅能夠有效提高敵方發動斬首戰與第一擊的成本與風險，使其無法輕易癱瘓我軍之抵抗能力；長遠觀之，採用符合美國國防部AI戰備目標（DoD AI readiness goals）標準的基本架構與技術，更具有龐大的軍民兩用（Dual-use potential）商機，此將有利於臺灣未來在印太區域的安全合作中，與美軍及其他盟國在資料鏈、情報分享與戰術協同上達到更深層次的互通性（Interoperability），進而鞏固臺灣在第一島鏈的防衛關鍵地位。[6]
三、可供策進之道
針對上述安全意涵與趨勢研判，國軍可以考慮在國防預算與建軍規劃中，將人工智慧的導入從單純的「後勤大數據分析」提升或精進當前「作戰指揮決策」層級，以下提出三項具體可行的精進手段：
（一）建構具備臺灣作戰特性的多視角AI決策支援平臺
國軍可結合國內強大的資通訊與半導體產業能量，啟動專案研發類似MultiLens的作戰規劃系統，該系統必須整合多個具備不同戰術偏好（例如：模型A偏重部隊戰力保存、模型B偏重不對稱源頭打擊、模型C專注於後勤補給存活率）的大型語言模型，透過嚴格的安全管道（Secure ingestion pipelines）[7]，導入國軍特有的地形、兵力部署與裝備參數，其目標在於當敵軍發動攻擊時，系統能將指揮官制定作戰方案的時間縮減70%以上，並提供具體量化的戰損評估與資源分配建議，降低人類指揮官與參謀在極端壓力下可能產生的認知偏誤與決策盲點；惟此類系統若欲導入臺海防衛作戰場景，仍須面對資料分類分級、跨軍種資料格式不一致、模型訓練資料安全、敵方欺瞞資訊污染，以及機敏作戰參數能否進入AI系統等挑戰，若缺乏嚴謹的資料治理與模型驗證機制，多視角AI決策支援平臺不僅可能無法降低認知偏誤，反而可能放大錯誤情報或既有準則中的盲點。
（二）強化戰術邊緣的AI部署與離線作戰能力
為因應通訊阻隔的極端環境，國軍必須將AI決策能力下授至戰術前線單位或裝備。未來的各項載具升級與新式武器採購，應將「邊緣部署大型語言模型（Edge-deployable LLMs）」列為必要規格與能力，亦即每一輛機動雷達車或飛彈發射車，都應考慮配備具有TB級（Terabyte-scale）資料處理能力，且延遲低於100毫秒（Sub-100ms latency）的微型運算伺服器，即使在指揮鏈中斷的離線環境中，前線指揮官仍能依賴本地端的AI系統，快速整合編制內的各型感測器資訊，自主進行目標追蹤、識別、辨證，以及決定接戰順序，落實真正的「分散式殺傷」與「任務式指揮」。[8]
（三） 修訂作戰準則以確認人機聯合（協同）指揮架構
科技的導入必須伴隨準則的修訂。國軍《國軍聯合作戰要綱》，應可明確定義AI系統在各級指揮所中的權責與定位，需要界定哪些常規的資源分配與防空目標指派可交由AI自動執行，而哪些涉及戰略層級的致命性武力使用（如戰略性遠距攻擊飛彈的最終發射授權）必須保留在人類指揮官手中（Human-in-the-loop）。[9]此外，必須建立嚴格的AI模型偏誤消除（Bias mitigation）機制與定期驗證程序，確保系統的決策建議符合國際武裝衝突法與國軍的關鍵防衛利益。[10]
[1] 自2026年2月28日起美國與以色列聯手打擊伊朗的戰事來看，美以聯軍動用以人工智慧為首的軟體連續精準打擊伊朗上萬個目標，這也是人類史上首次有人工智慧演算法在正式的作戰中參與打擊的任務。
[2] Selas Defense, LLC, “AI Fusion for Operational Advantage: GPT Multiplexer for Multi-Perspective Combat Planning,” Small Business Innovation Research (SBIR) Awards, August 22, 2025, https://www.sbir.gov/awards/216347.
[3] 根據SBIR Award資料，MultiLens採取多模型架構，整合六個具不同戰略與作戰偏好之大型語言模型，以支援多視角作戰分析與偏誤緩解；惟公開資料並未揭露該六個模型之具體名稱、來源或版本。
[4] 「確認偏誤（Confirmation Bias）」是指人類傾向於尋找、詮釋、記憶符合自己既有信念或假設的資訊，同時刻意忽略或貶低與之相左意見的現象，這是大腦為了節省認知資源而產生的系統性思維陷阱。
[5] 林超倫，〈邊緣運算電子作戰〉，《國防安全即時評析》，第969期，2026年3月2日，https://indsr.org.tw/focus?typeid=26&uid=11&pid=3071。
[6] 林超倫，〈人工智慧演算法在共同作戰圖像、指揮與管制之運用〉，《國防安全雙週報》，第99期，2025年11月6日，https://indsr.org.tw/respublicationcon?uid=12&resid=3029&pid=5655。
[7] 「嚴格的安全管道（Secure Ingestion Pipelines）」是指在數據生命週期的起點，以最高安全標準將數據從源頭傳輸、驗證並寫入目的地的自動化系統，其目的是確保數據在傳輸與初始寫入過程中的機密性、完整性與可用性，防止數據洩漏、篡改或惡意代碼注入。
[8] 「邊緣部署大型語言模型」（Edge-deployable LLMs）是指將人工智慧模型安裝並運行於軍事運用的終端裝置（如戰車、戰機、無人系統，甚至單兵個人化的指管系統）或本地邊緣伺服器（如各基層單位指揮所內的電腦系統），而非完全依賴雲端伺服器，此技術結合了小型語言模型（SLMs）與輕量化技術，具備高隱私、低延遲及節省網路頻寬等優勢。
[9] 「Human-in-the-loop（人在迴路中，簡稱 HITL）」是指在人工智慧或自動化系統的運作、訓練與決策流程中，主動加入人類的監督、修正與專業判斷，此機制旨在結合人工智慧的高速運算與人類的智慧、倫理及道德判斷，以確保結果的準確、安全與合規性。
[10] 「偏誤消除」（Bias Mitigation）是一套系統性的方法論，旨在識別、量化並減少決策系統（如 AI 演算法）或統計分析中產生的不公平、歧視性或不準確的系統性偏差，其目的是要確保各種分析結果的客觀性與倫理合規性。