《 不確定時代的科技治理：當科技政策不再有最佳解 》

(台灣如何在變動中建立「可調整的」制度能力)

當前科技政策最根本的困境—

"當世界變動的速度，超過制度調整的速度，政策該如何做出有效決策？"

這不只是AI的問題。從半導體供應鏈重組，到淨零轉型的能源選擇及發展路徑，台灣正同時面對多個高度不確定的決策場域。

過去那種「找出最佳解、按圖施工」的政策模式，正在快速失效。

問題不在於我們不夠努力，而在於我們仍用過去的方法，處理已經改變的世界。

一、從「情境分類」看政策失靈：我們其實誤判了問題

多數科技政策隱含一個假設：問題是可以被分析清楚的。

只要蒐集足夠資訊、仰賴專家判斷，就能設計出最適制度。

但現實正在改變。

戴夫．斯諾登(Dave Snowden)提出的「肯尼芬框架」(Cynefin Framework )將世界分為五種情境，並強調不同情境需要不同決策邏輯。

1. 簡單（Clear）、
2. 繁雜（Complicated）、
3. 複雜（Complex）、
4. 混亂（Chaotic）與
5. 失序（Disorder）

• 傳統科技政策往往假設世界是「繁雜的情境」：

只要投入足夠專家知識，就能找出最佳解。例如：過去的產業政策，多半依賴技術評估、成本效益分析與長期規劃。

然而，當前許多科技議題—例如：生成式AI的社會影響、資料治理、甚至碳捕獲、利用與封存(Carbon Capture Utilisation and Storage，CCUS）的商業模式—

• 其實，更接近「複雜的情境」：

因果關係不清楚，結果無法預測，只能透過試錯與演化逐步形成。

當政府誤把「複雜問題」當成「繁雜問題」處理時，就容易出現政策失靈。

例如：試圖以一次性法規全面規範新興科技，或用固定補貼機制推動尚未成熟的技術，往往會導致制度僵化，甚至抑制創新。

當技術快速演進，應用場景與風險型態不斷變化時，任何試圖「一次訂好規則」的治理方式，都會很快過時。歐盟AI Act在生成式AI爆發後被迫調整，正是典型例子。

台灣也面臨相同挑戰。無論是AI基本法，或各類風險分類架構，其背後都隱含一個前提：風險是穩定且可分類的。但實際上，風險本身正在快速演化。

當我們把一個「會變的問題」，當成「可以解完的問題」，政策失靈幾乎是必然結果。

二、策略的核心不是效率，而是存活：比「做對」更重要的，是「不出大錯」

如果問題無法被完全理解，那策略的目標也必須改變。

「風險說」則提醒我們：

策略的本質，不在於最大化報酬，而在於管理不確定性、確保組織存活。

「風險說」強調三個核心觀點：

• 不確定性是常態，而非例外。
• 決策的重點在於控制下行風險，而非追求最佳解。
• 策略應保留彈性與選擇權。

將這套思維放入科技政策，可以發現一個關鍵轉變：

政府不再只是「規劃者」，而是「風險配置者」。

• 在穩定環境中，我們追求的是「最好的選擇」；
• 但在高度不確定的情境下，更關鍵的是避免「致命錯誤」。

因此，產業政策的重點不再是「選贏家」，而是「避免輸得太重」。

在策略本質上，更接近「投資組合理論」。

這種思維轉變，已經出現在半導體政策中。過去，效率與集中帶來成功；但在地緣政治風險升高後，「分散」與「韌性」開始成為新的關鍵字。台積電赴美、赴日設廠，不只是產業布局，更是風險重新配置的結果。

以能源轉型為例。台灣一方面推動再生能源，一方面面對供電穩定與產業需求的壓力。如果政策過度押注單一技術路徑，一旦預期落空，整體系統將承受高度風險。

同樣地，碳捕獲、利用與封存(Carbon Capture Utilisation and Storage，CCUS）與氫能仍處於成本與商業模式不確定的階段。若過早選定主流技術，可能導致資源被鎖定在錯誤方向。

三、政策需要「可以試錯的空間」

那麼，如果不能預測、也不該押注，政策該怎麼做？

答案不是更精準規劃，而是允許有限度的試錯。

在複雜情境中，有效的決策方式往往是「先小規模嘗試，再快速調整」。

政策不應追求一次到位，而應設計出可以學習的過程。

台灣的金融科技監理沙盒，就是一個具體例子。透過在可控範圍內開放實驗，政府得以同時觀察創新與風險，並將經驗回饋到制度設計。

但這樣的機制，尚未普遍存在於其他科技政策領域。

例如：

• 生成式AI是否可以建立跨部會的試驗場域？
• 碳費制度是否可以更制度化地進行滾動調整？

這些問題的關鍵，不在於答案本身，而在於制度是否允許「邊做邊修」。

政策的核心，不只是制定規則，而是設計一個能持續修正規則的機制。

四、從「控制風險」到「設計韌性」

當不確定性成為常態，我們重新思考科技政策目標：

「韌性」（resilience）逐漸取代「效率」(更低成本、更高產出)，

成為新的政策核心。

在複雜系統中，風險無法完全消除，因此科技政策的重點應轉為：

• 建立冗餘（redundancy）：多元能源結構，而非單一依賴。                        (效率往往建立在「去除冗餘」之上，也因此讓系統變得脆弱)
• 提升回復能力（recovery capacity）：數位基礎設施的備援設計。
• 強化早期訊號辨識（early signal detection）：透過資料監測與跨部門協作。

這意味著：

• 即使成本較高，也要保留備援；
• 即使效率下降，也要分散風險。

台灣在幾個領域已經開始轉向。

• 能源系統強調儲能與電網韌性，
• 數位基礎設施重視資安與備援架構，
• 半導體產業推動國際布局。

這些看似分散的科技政策，其實指向同一個目標：確保系統在出錯時仍能運作。

以半導體供應鏈為例，疫情期間的晶片短缺顯示，過效率導向（just-in-time）反而削弱系統韌性。美國、日本與歐盟近年推動在地製造與供應鏈重組，某種程度上正是從「效率優先」轉向「韌性優先」。

五、關鍵不在預測，而在調整

對台灣而言，挑戰不在於技術或產業能力，而在於制度是否跟得上變化。

我們過去擅長在相對穩定的環境中做出正確選擇；但現在的問題是，未來越來越難預測。

在這樣的世界裡，真正重要的能力，不是「看得準」，而是「改得快」。

這意味著，科技政策必須具備三種特性：

• 可以調整，而不是一次定型；
• 可以回饋，而不是延後修正；
• 可以協作，而不是各自為政。

當制度具備這些能力時，政策就不再是一份靜態文件，而是一個持續演化的系統。

六、在不確定中，建立制度優勢

台灣作為全球科技供應鏈的關鍵節點，同時又面對地緣政治與產業轉型壓力，科技政策必須同時處理高複雜與高風險的問題。

政策的成功標準，不再是是否一次到位，而是是否能持續演化。

具體而言，可以思考三個方向：

• 政策設計「模組化」：避免一次性全面立法，改採可調整的制度架構
• 建立跨域實驗機制：讓AI、能源、數據治理等政策可以在受控環境中測試
• 強化政策回饋循環：透過數據與利害關係人參與，快速修正政策

更重要的是，政府角色需從「解決問題的人」，轉為「設計問題解決機制的人」。

七、結語：科技治理應從追求「最佳解」到建立「適應性治理」

科技正在重塑世界，但制度的角色，仍然是提供穩定。兩者之間的落差，正是當代治理最艱難的課題。當問題無法被完全理解，策略無法一次到位，「最佳解」本身就不再存在。

科技政策邏輯的根本轉變：

從追求「最佳解」（optimal solution），轉向建立「適應性治理」（adaptive governance）。

在「複雜情境」下，政策不應該一開始就追求完美設計，

而是應採取「試探—感知—回應」（probe–sense–respond）的方式。

在動態複雜的時代，科技政策的治理價值：

• 不在於避免錯誤，而在於能否在錯誤中快速調整；
• 不在於預測未來，而在於面對不確定仍能前進。

而當代科技治理最關鍵的能力：

「在未知中行動，在錯誤中學習，在變動中維持穩定」。

• 政策不再是藍圖，而是一個持續調整的過程；
• 治理不再是控制，而是引導與適應。

當科技不斷改變未來的輪廓，真正的競爭力，不只是技術本身，而是我們是否擁有一套能與不確定共存的治理思維。