當那輛M2A4布萊德利步兵戰鬥車的畫面出現在社群平台上的時候，很多人的第一個反應是：「等等，車上掛的那是什麼？」
不是反應裝甲。不是外掛油箱。是五輛體型迷你、卻帶著反裝甲戰鬥部的小型無人地面載具（sUGV），整齊地掛在車側的儲架上。而且，兩邊都有——總共十輛，像蜂群一樣緊貼著母體，等待出擊。
一個數字震驚了關注地面作戰發展的人：32公斤。這是「火蟻」（FireAnt）無人車的重量。比一個標準的軍用背包還輕，卻能搭載足以貫穿裝甲目標的爆炸成型彈丸（EFP），或是偵察感測器、電子戰設備。美軍第一騎兵師在「飛馬衝鋒3號」（Pegasus Charge 3）測試演習中端出的這套組合，表面上看是載具掛載方式的改變，骨子裡卻是陸戰思維的典範移轉。
表象：一場掛載方式的變革
過去幾十年來，布萊德利車側那塊空間只有一個用途——安裝爆炸反應裝甲（ERA），用來抵禦反裝甲武器的攻擊。那是防禦思維的極致展現：讓車子更硬、更難被打穿。
但這次演習中，美軍做了截然不同的選擇。他們把防禦空間讓給了攻擊手段。由國防科技新創Swarmbotics AI研發的「火蟻」4×4無人地面載具，就這樣取代了傳統的爆炸反應裝甲，掛上了布萊德利的側面。而且不只是車側，車內與後方跳板還能進一步儲放與釋放更多無人車輛。
換句話說，這輛30噸級的傳統履帶裝甲車，正在轉型為一座移動的「無人車母艦」——兼具運輸、指揮、控制與釋放功能的前線節點。它不再只是帶著步兵衝進火線的鐵盒子，而是能從相對安全的距離，釋放一群低成本、高自主性的機器人部隊。
有趣的是，這並非第一騎兵師第一次嘗試這種概念。但這次的規模與整合程度，明顯比過去任何一次測試都更接近實戰部署。
真相：低成本的「數量優勢」才是真正殺招
說真的，光是把無人車掛上車側，技術上並不特別困難。真正值得深挖的，是Swarmbotics AI執行長霍頓（Stephen Houghton）那句話背後的核心戰略邏輯：用低成本的消耗型無人系統形成「數量優勢」（Mass），以極低的代價向敵方創造多重戰術困境。
這不是什麼新鮮的戰爭哲學，但在無人系統的時代，它有了全新的實踐可能。一輛M2A4布萊德利的造價，隨便都是數百萬美元起跳。而一台「火蟻」呢？根據公開資訊，它的設計目標就是「可消耗」（attritable）——意思是，損失幾台、十幾台，對整體戰力不會構成致命打擊，但被它們攻擊的對手可就不一樣了。
「分散式AI蜂群技術的核心，不是讓單一台無人車變得多聰明，而是讓數十台、數百台無人車能在極短時間內自動協同，針對同一個目標從不同方向、不同高度、不同角度同時發動攻擊。這不是單純的『以量取勝』，而是用數量製造混亂，再用混亂創造突破口。」
「飛馬衝鋒3號」演習中展示的另一個關鍵能力，更值得注意：「火蟻」不只能從布萊德利上釋放，在先前的測試中，它甚至曾從大型無人車上進行二次投放——形成一層、兩層、甚至三層的無人車鏈路。前線指揮官可以在安全的後方位置，透過佈雷德利的重裝甲保護下釋放第一批火蟻，隨後將控制權交接給更前線的作戰單位，讓無人蜂群像漣漪一樣層層向外擴散。
這背後依賴的，是Swarmbotics AI研發的分散式AI蜂群技術。數台火蟻能在單一小隊指揮下自主導航、自動分工，在沒有GPS或通訊中斷的環境中持續運作。而這也是應對烏克蘭戰場上嚴峻電子干擾環境的關鍵解答——當無人機與無人車不再依賴持續的中央控制訊號，干擾的效果就會大打折扣。
「從烏克蘭戰場的實戰經驗來看，地面無人載具早已在第一線發揮關鍵作用，但同時也面臨嚴峻的電子干擾挑戰，具備AI自主目標識別與獨立運作能力的分散式蜂群，正是應對電磁干擾的重要解答。」——這是美軍TIC（接觸轉型）現代化計畫的核心論述之一，而這次演習把這句話從理論變成了實證。
各方角力：軍工體系與新創的磨合，才剛開始
這次測試的另一個亮點，其實不在戰場上，而是在談判桌與實驗室裡。Swarmbotics AI這樣一家國防科技新創，能打入美軍第一騎兵師的實戰演習，本身就說明了美國國防部正在加速「開大門」——讓非傳統承包商有機會與一線作戰部隊直接協作，而不是像過去那樣，先經過漫長的規格審查與競標流程。
但話說回來，這種合作模式也並非沒有風險。傳統軍工大廠在系統整合、後勤支援、戰術驗證上的經驗，短期內不是新創公司能輕易複製的。霍頓的團隊顯然掌握了AI與機器人技術的優勢，但要讓數百台無人車在前線大規模協同作戰，從軟體開發到硬體量產、從通訊協定到維修體系，還有一大段路要走。
而對美軍來說，真正的挑戰也不只是技術層面。把車側的爆炸反應裝甲換成無人車掛架，意味著指揮官必須重新思考裝甲部隊的定位與戰術——未來的裝甲連，到底是裝甲連，還是無人車操作連？步兵的角色會變成什麼？傳統的裝甲衝鋒戰術，還適用嗎？這些問題，遠比「掛不掛ERA」來得複雜。
從產業面來看，美軍這次測試釋放的信號再清楚不過：地面作戰的無人化，不會走「先從小規模實驗開始，慢慢擴大」的漸進路線，而是直接在大規模演習中驗證「母艦＋蜂群」的完整作戰概念。這對國防科技產業來說，既是機會也是警訊——機會在於，新創有機會跳過傳統的軍規認證長路，直接跟一線部隊對話；警訊在於，傳統廠商如果不能快速調整產品策略，很可能在五年內被這波「低成本消耗型無人系統」浪潮邊緣化。
深層影響：陸戰無人蜂群時代，比想像中來得更快
如果說過去幾年無人機在烏克蘭戰場上的表現，證明了空中無人系統的戰略價值，那麼這次「飛馬衝鋒3號」演習展示的，就是地面無人系統即將複製同樣的路徑——而且很可能更快、更具破壞性。
為什麼？因為地面無人載具的技術門檻，其實比空中無人機更低。不用克服續航力的物理限制，不用處理複雜的空域管理，地面無人車只要能越過障礙、保持通訊、掛上合適的酬載，就能在戰場上發揮作用。而「火蟻」這類重量僅32公斤的微型無人車，甚至能由單兵搬運、從各式載具上釋放，幾乎沒有部署限制。
更關鍵的是，美軍正在建構的，是一個由數百台機器人在前線大規模協同的作戰架構——不是五台、不是十台，是數百台。當這些無人車同時從不同方向展開飽和打擊時，任何傳統裝甲部隊都很難應付。每一台「火蟻」的成本可能只相當於幾枚精確導引砲彈，但它們帶來的戰術壓力，卻是傳統火力投射方式難以比擬的。
「接觸轉型」（Transformation in Contact, TIC）這個計畫名稱，本身就暗示了美軍的態度——在與敵人的實際接觸中完成轉型，而不是在演習場上慢慢測試理論。烏克蘭戰場的經驗告訴他們，戰爭不會等人準備好。
未解之問：當機器人決定誰該被攻擊
寫到這裡，我其實心裡有一個沒說出口的問題，而這個問題可能比所有技術細節都更重要：當AI蜂群具備自主目標識別與獨立運作能力之後，誰來為它們的攻擊行為負責？
Swarmbotics AI強調的是「分散式AI蜂群技術」，意味著每一台「火蟻」都有一定程度的自主判斷能力。在電磁干擾環境中，這確實是優勢——就算通訊被切斷，蜂群還是能繼續執行任務。但反過來說，當人類指揮官無法即時干預每一台無人車的攻擊決策時，誤擊、誤判、甚至濫用的風險就會上升。
這不是危言聳聽。任何用過AI影像辨識的人都知道，當環境條件偏離訓練數據的時候，AI的判斷準確率會急遽下降。戰場上充斥著煙霧、遮蔽物、偽裝網、殘骸，這些都是AI識別的天然陷阱。就算準確率高達99%，在數百台無人車同時作戰的場景下，那1%的失誤就可能造成難以挽回的後果。
也許美軍已經有了解決方案，也許這些問題會在後續的測試中被逐一釐清。但作為旁觀者，我們必須問：當我們把殺傷鏈的最後一環交給機器人時，我們對風險的承受底線在哪裡？
這篇文章沒有答案。但我覺得，這正是我們應該持續追問的事。
編輯觀點：從M2A4布萊德利的這次測試來看，美軍顯然已經把「有人/無人協同」從實驗室概念推向了前線實證階段。這不只是一次裝備展示，更是一種戰術文化的轉折——裝甲兵不再只是「開車射砲的人」，而是「指揮機器人打仗的人」。對臺灣的國防規劃者來說，這釋放出一個明確的信號：未來十年內，地面作戰的勝負關鍵，很可能取決於誰能更快、更有效地整合無人系統。但話說回來，技術追趕是其次，真正需要思考的，是我們有沒有足夠的戰略視野去想像——當敵人也擁有同樣技術時，我們該如何應對？這不是買幾台無人車就能解決的問題，而是整個作戰概念的重新校準。
【行動呼籲】
這篇文章不是要你相信無人蜂群是戰爭的終極解答，而是要提醒你：陸戰的規則正在被重寫，而且速度比大多數人想像的更快。如果你關注國防、科技或國際局勢，現在是時候把「地面無人系統」列入你的重點觀察清單了。去追蹤Swarmbotics AI的後續測試結果、留意美軍TIC計畫的下一個階段、問問自己：當無人車不再需要人類批准開火時，我們準備好了嗎？
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
「火蟻」無人車真的只有32公斤重嗎？它搭載的反裝甲武器能穿透什麼等級的裝甲？
是的，根據Swarmbotics AI公開的規格，「火蟻」重量約32公斤。它配備的爆炸成型彈丸（EFP）屬於頂攻式反裝甲武器，設計上是針對輕裝甲車與主力戰車的頂部或側面較薄弱區域，並非正面對決主力戰車的厚重裝甲。
美軍為什麼要用「無人車母艦」的概念來取代反應裝甲？這樣不怕防護力下降嗎？
這不是單純的「取代」，而是戰術優先級的轉變。美軍的邏輯是：與其讓布萊德利變得更難被打穿，不如讓它具備在更遠距離、更安全位置殲滅敵人的能力。掛載「火蟻」的布萊德利不再需要衝進敵火範圍內作戰，而是從後方釋放無人蜂群執行攻擊，整體生存性其實反而提高了。
「火蟻」蜂群的AI自主能力到什麼程度？完全不用人操控嗎？
根據公開資訊，「火蟻」具備高度自主導航與任務分工能力，能在單一小隊指揮下自動協同。但這不代表完全無人操控——美軍的作戰概念是「有人/無人協同」（MUM-T），人類操作員在關鍵節點保留決策權，AI負責的是路徑規劃、目標分配、協同攻擊等戰術層級的自動化。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
