小型 AI 模型讓無人機自主辨識、攻擊戰場目標　北約瑞典新創公開展示

編按：本文綜合整理自 Ars Technica、Al Jazeera、Forbes、AFCEA，並加入 Siami 編輯部觀點與分析。

北約支持的瑞典新創公司 Scaleout Systems，正在把「能在小型無人機本機跑」的 AI 模型部署到真實戰場上。2026 年 1 月，BAE Systems Bofors 在瑞典舉辦的 Winter Demo 2026 公開展示中，一架搭載 Scaleout AI 的 ALMA（Affordable Loitering Modular Ammunition）低成本神風無人機，自主選中一輛瑞典測試場內的裝甲工程車，並投放爆裂物完成攻擊，全程沒有接到任何人類操作員的直接指令。

這不是科幻，而是正在北約加速器內被美軍和歐洲各國軍方測試的軍用 AI 雛型。Ars Technica 9 月 18 日報導指，Scaleout 這套系統結合「edge AI（本機運算）」與「聯邦式學習（federated learning，分散式訓練）」，讓無人機即使在通訊被電子戰完全切斷時，仍能完成最後一哩攻擊。

Scaleout 是誰？從卡車 ML 到北約國防新創

Scaleout Systems 2018 年由瑞典烏普薩拉大學的研究人員創立，原本的業務是幫卡車、曳引車等商用車輛訓練 ML 模型並部署在車載硬體上。2022 年俄羅斯全面入侵烏克蘭後，公司決定轉向國防應用。

「隨著烏克蘭戰爭爆發、世界局勢改變，我們意識到這項技術對於把戰場邊緣的感測器資料、即時數據變成可用的 ML 結果非常重要，這能讓北約盟國取得那個戰略優勢。」── Scaleout 共同創辦人暨 CEO Andreas Hellander

2025 年，Scaleout 從全球數百家新創中脫穎而出，獲選進入北約國防創新加速器（DIANA）。當年僅 27 家新創入選，Scaleout 是其中之一，計畫名稱為「Federated Aerial Intelligence for Recon」（FEDAIR）。

為什麼不用雲端大模型？

Scaleout 的設計哲學和當前主流 AI 截然相反：他們刻意避開 GPT、Claude 等 frontier model，選擇把模型「瘦下來」，讓它能在無人機本機或前進指揮所的小型工作站上跑。

Hellander 解釋，這些裝置規格差異極大，從嵌入式小型裝置到邊緣工作站都有，模型必須能在所有規格上順暢執行。換句話說，當 OpenAI 與 Anthropic 還在堆 1 兆參數模型時，Scaleout 反其道而行，把模型做小、做大分散。

具體做法是聯邦式學習：

無人機與前進基地各自用本地感測資料訓練模型
各節點只把模型權重更新（不是原始資料）回傳給後方總部節點
總部節點彙整後再把更新過的模型推回前線裝置

這樣做的好處是，當無人機因為電子戰而與指揮所完全失聯時，AI 模型依然能在本地自主完成偵察、目標辨識、攻擊任務。一旦恢復通訊，再把新學到的資料同步回去。

Hellander 給了一個具體情境：

「模型可能本來是用沙漠環境訓練的，如果我們把它部署到都市環境，表現會很差。如果我們能在 24 小時內釋出幾個新版本，讓模型在任務過程中持續用當下環境的資料再訓練，表現就會好得多。」

ALMA：被無人機自主選中的裝甲車

2026 年 1 月 Winter Demo 2026 公開展示中，ALMA 無人機的表現被 Scaleout 與 BAE Systems Bofors 詳細記錄：

無人機用 AI 自主「偵測、辨識、定位所有潛在威脅」
自動排序出「任務定義的最高價值目標」── 在這次 demo 是一輛裝甲工程車
飛到目標上空並投放爆裂物
人類操作員仍可在過程中隨時介入中止

2026 年 6 月，Scaleout 也在瑞典烏普薩拉的瑞典空軍基地再次測試，瑞典軍方已取得該平台軟體授權。這場測試展示了前進部署的 edge 節點如何接收多台無人機的更新，並把更新後的模型再分發出去。

Hellander 認為，這套聯邦式學習架構最終可以橫向擴展到整個地理區域或國家：

「原則上，你可以解鎖跨國合作，多國軍隊用同樣的底層協議彼此協作模型改進，又不會把敏感的戰場資料外洩給他國。」

烏俄戰場：全自主無人機已成為現實

Scaleout 的展示並非孤例。Al Jazeera 9 月 14 日報導，俄羅斯在 7 月 6 日首次使用全自主攻擊無人機，對烏克蘭札波羅熱市一處加油站發動襲擊，造成包含 18 歲大學生 Tetiana Bubynets 在內的 3 名平民死亡。紐約時報分析，這架無人機搭載的是美國 Nvidia 商業 AI 迷你電腦，沒有天線，能自行飛向預設目標類型（疑似瓦斯桶）並鎖定攻擊。

烏克蘭 DELTA 系統與俄羅斯 Svod 系統都在快速發展中。烏克蘭國防部無人機顧問 Serhiy Beskrestnov（call sign「Flash」）在 7 月 1 日 Telegram 寫道：

「最終一切都會走到這一步。導航、目標搜索、攻擊都會完全自主。」

烏克蘭無人機製造商 The Fourth Law 創辦人 Yaroslav Azhnyuk 對 Al Jazeera 表示：

「這不是一場單純展示全自主無人機的競賽，而是一場讓自主性變得可靠、可負擔、可規模化部署的競賽。電子戰、越來越長的交戰距離、以及無人機數量暴增，讓人類操控的系統越來越不足。自主性正好能解決這些限制。」

Azhnyuk 預測，未來 6 到 12 個月內，能部署數萬到數十萬套可靠自主系統的一方將取得決定性優勢。

數據解讀：聯邦式學習為何成為軍用 AI 主流？

聯邦式學習並非 Scaleout 獨創，過去主要用於醫療、金融等隱私敏感領域（多家醫院合作訓練 AI 模型卻不交換病歷）。Scaleout 的創新在於把這套架構軍用化，並與 edge AI 結合。

從技術角度看，聯邦式學習的核心價值在「去中心化」：

中心化雲端模型一旦資料中心被炸（如俄烏戰場已有先例），整個 AI 系統就癱瘓
edge 節點即使完全斷網，仍能獨立運作
跨國合作不需要共享原始資料，符合各國資料主權要求

CSIS Wadhwani AI 中心高級研究員 Kateryna Bondar 對 Al Jazeera 指出 AI 自主武器的根本風險：

「系統並不理解自己在做什麼，它只是在執行人類寫的演算法和規則。教 AI 分辨巴士和戰車很容易，但要分辨俄軍和烏軍士兵，難度高出幾個量級。」

換言之，自主無人機在「同型態目標」上表現優異，但在「敵我識別」這種語意模糊任務上，仍存在重大技術與倫理風險。

Siami 觀點：為什麼這件事重要

這次展示之所以重要，不是因為「無人機能自主攻擊」（俄烏戰場上 FPV 無人機自動鎖定已不是新聞），而是因為：

一、模型不再依賴雲端。 過去幾年 AI 軍用的討論都集中在 GPT 等雲端大模型，但烏俄戰場實戰證明，雲端模型在電子戰環境下極為脆弱。Scaleout 的聯邦式 edge AI 路線，幾乎肯定會成為未來五年內 NATO 各國軍用 AI 的標準架構。

二、北約 DIANA 加速器把這條路線制度化。 這不是單一新創的商業冒險，而是被 NATO 官方背書、選入加速器、由 BAE Systems 這樣的軍工巨頭合作的國家級計畫。烏克蘭經驗已成為 NATO AI 政策的核心參考。

三、敵我識別問題還沒解決。 雖然 Scaleout 在 demo 中表現良好，但 CSIS 學者 Bondar 已點出致命問題：當 AI 在真實戰場面對模糊目標（巴士 vs 戰車、敵軍 vs 平民），演算法並不理解自己在做什麼。一旦發生誤擊，沒有任何人或單位可以負起完全責任── 這正是國際「Stop Killer Robots」運動多年來警告的倫理懸崖。