顯示具有 Cynefin框架 標籤的文章。 顯示所有文章
顯示具有 Cynefin框架 標籤的文章。 顯示所有文章

2026年1月12日 星期一

 《 承認複雜性：台灣科技政策亟需的思維革命 》

 


當面對一波波新興科技挑戰，當台灣在全球科技競局中尋找定位——
我們的政策制定者真的理解自己面對的是什麼樣的問題嗎?
這指出一個更根本的困境:我們往往用錯誤的思維模式處理科技政策。
就像用治療感冒的方式對付癌症，或用管理工廠的方法經營生態系統，分類錯誤導致策略失效。

一、兩個看世界的方式
威爾斯學者Dave Snowden提出的Cynefin框架，將決策情境分為四個領域:
  1. 「簡單」(Simple)、
  2. 「繁雜」(Complicated)、
  3. 「複雜」(Complex)、
  4. 「混沌」(Chaotic)。
這個在企業管理界廣泛應用的框架，
核心洞察是:不同問題需要不同的決策邏輯。
1.「簡單」領域中，因果關係明確，
最佳實踐可以直接套用——
就像更新既有的資料保護標準。
2.「繁雜」領域中，因果關係需要專家分析，
有多種正確答案——
如5G頻譜如何分配。
3.「複雜」領域中，因果關係只能事後回溯，
需要透過實驗探索——
像是AI治理框架的建立。
4.「混沌」領域中，則沒有明顯因果關係，
必須快速行動——
如疫情初期的數位追蹤政策。
另一方面，系統生物學家尼爾‧泰斯(Neil Theise)在2025年出版的《複雜之美:連結、意識和存在的科學》中，從科學角度提出三種系統分類:
  1. 「簡單」系統:(如鐘錶，組件少且可預測)、
  2. 「複雜」系統:(如生命，大量組件互動產生湧現特性)、
  3. 「混沌」系統:(對初始條件極度敏感，呈現確定性混沌)。

二、兩個框架的關鍵差異
這兩個框架看似都在談「複雜性」，但本質上有四個重要區別:
第一:目的根本不同。
(1)Cynefin是管理者的決策工具，告訴你面對不同情境「該怎麼做」;
(2)Theise提供的是科學家的觀察視角，揭示系統「本質是什麼」。
前者(Cynefin)是行動指南，後者(Theise)是本質診斷。
第二:「複雜」的定義不同。
(1)Cynefin框架中的Complex領域，強調的是「事前不可預測，事後才能理解」的因果關係，重點在決策的時序邏輯。
(2)Theise定義的複雜系統，則強調大量組件透過互動產生的「湧現特性」(emergence)和「自組織」(self-organization)現象——就像單個神經元無法思考，但數十億神經元的互動湧現出意識。
第三:「混沌」概念截然不同。 
(1)Cynefin的Chaotic領域指的是因果關係完全不明、需要立即行動建立秩序的危機狀態，是管理學意義上的「無序」。
(2)Theise的混沌系統則是數學和物理學意義上的「確定性混沌」(deterministic chaos)——系統遵循明確規則，但對初始條件極度敏感，微小差異會被指數級放大，就像氣象系統的「蝴蝶效應」。
第四:Cynefin框架多了「繁雜」(Complicated)這個關鍵中間地帶。 
這個分類承認了專家知識的價值:
有些問題雖然複雜，但只要找對專家、分析透徹，就能找到好答案。
這在Theise的三分法中是缺失的，但在政策實務上卻極為重要——
因為許多科技議題確實需要專家，
只是我們常誤判哪些問題真的可以靠專家解決。
這些差異的實務意義是什麼?
如果診斷錯誤，再好的行動指南也會把你帶往錯誤方向。

三、科技政策的診斷挑戰
讓我們看看實際案例。
1.
當推動半導體產業政策時，常見的做法是將其視為「繁雜問題」——
召集產業專家、經濟學家，設計補貼方案、稅收優惠。
(1)這是典型的Cynefin框架中，繁雜領域(Complicated)的處理方式:
找對專家，分析透徹，就能找到好答案。
(2)但從Theise的視角來看，全球半導體產業其實是個複雜系統:
供應鏈、地緣政治、技術創新、人才流動彼此交織，任何政策介入都會產生非線性效應。
台積電生態系統的形成，不是規劃出來的，而是無數互動中「湧現」出來的秩序。
當用處理繁雜問題的方式(找專家、做規劃)去處理複雜系統，常會發現:
  • 補貼:可能扭曲創新動機，
  • 保護措施:可能削弱競爭力，
  • 精心設計的政策:產生了意想不到的副作用。
2.
再看生成式AI的監管。
目前各國都在思考:
這到底是技術問題(需要AI專家)還是社會問題(無法預測所有後果)?
(1)在Cynefin的分類中，決策者在「繁雜」領域(Complicated)與「複雜」領域(Complex)之間游移不定。
(2)Theise會提醒我們:這是個對初始條件敏感的系統。
今天對AI的定義、責任歸屬、開放程度的選擇，都會像「蝴蝶效應」般被放大。
歐盟的人工智慧法　(AI Act)試圖用風險分類的方式管理，
本質上是把複雜系統當成「繁雜」問題——
假設專家可以預先列出所有風險情境。
但AI與社會的互動，會不斷產生新的「湧現」現象，預設清單注定會過時。
更需要警惕的是將複雜系統簡化處理。

數位平台壟斷問題，許多國家的反應是罰款。
這是把複雜系統(Complex)問題當簡單系統(Simple)問題:
假設因果明確(壟斷→罰款→改善)。
但平台經濟是複雜系統，網絡效應、數據優勢、生態系鎖定交互作用。
罰款可能改變不了結構，因為系統的湧現特性(贏者全拿)來自整體結構，不是單一行為者的選擇。

四、整合框架:診斷後的行動
如何整合這兩個框架?
建議三階段流程:
第一階段:系統診斷(以Theise為主)
面對任何科技政策議題，先問:
  • 這個領域的組成要素有哪些?
  • 互動密度如何?
  • 是否出現湧現特性?
  • 對初始條件的敏感度?
例如:評估加密貨幣政策，要認識到這是高度複雜且混沌的系統——
價格、技術、投機心理、國際監管彼此強化，對政策訊號極度敏感。
第二階段:決策模式選擇(以Cynefin為主)
確認系統本質後，選擇對應的介入策略。
  • 如果是複雜系統，就要用複雜領域(Complex)的方法:
「探測-感知-回應」(Probe-Sense-Respond)。
建立監管沙盒，允許安全失敗的實驗，快速迭代政策。
  • 如果是混沌系統，要用混沌(Chaotic)策略:
先行動建立基本秩序，再逐步理解。
第三階段:動態調整(整合兩者)
系統會遷移。
今天的簡單(Simple)明天可能變複雜(Complex)——
當區塊鏈從技術標準，演變為金融生態系統。
今天的複雜(Complex)可能崩入混沌(Chaotic)——
如加密貨幣市場崩盤。政策需要感測機制，持續監測系統狀態。

五、三個芻議
1.建立科技政策實驗室機制
在現有體制內，成立跨部會的「科技政策實驗室」，專門處理複雜系統問題。
建立一個彈性的任務編組平台。
針對AI治理、Web3、數位平台等新興議題，召集相關部會、產業、學界、公民團體，採用「監理沙盒」邏輯進行政策實驗。
每個實驗設定明確的感測指標，快速迭代，容許安全失敗。
成功的實驗再轉化為正式法規。
這讓政策制定能用複雜模式(Complex)處理真正複雜的問題，
而不是在既有體系中強求不可能的彈性。
2.重新思考AI基本法
避免採用歐盟風險分類的方式，
那是把複雜(Complex)當繁雜(Complicated)的典型案例。
AI與社會的互動是複雜系統，法規應該是演化的框架，而非固定的規則。
建議採取:
  • 承認複雜性的框架性立法、
  • 每年根據湧現問題調整的機制、
  • 多方利害關係人的持續參與、
  • 對應不同應用情境的監管實驗區。
3.重塑科技外交策略
全球科技秩序是個複雜系統，美中競爭、供應鏈重組、標準制定彼此牽動。
台灣需要理解自己在這個系統中的位置，會產生非線性影響。
  • 在相對穩定時，用繁雜(Complicated)分析   (專家研判最佳路徑);
  • 在不確定時期，用複雜(Complex)策略         (多元試探不同合作可能);
  • 在明確對抗時，可能需要混沌(Chaotic)策略(快速選擇立場)。
關鍵是判斷當下正處於哪個階段。

五、智慧不只是擁有知識
  • Cynefin框架提醒我們:
         智慧不只是擁有知識，而是知道什麼時候該用什麼知識。
  • Theise的科學視角則告訴我們:
         在行動之前，先理解你面對的系統本質。

台灣的科技政策挑戰，核心不在資源或能力，而在思維框架。
當面對AI、半導體、數位平台、加密貨幣這些新興科技，最關鍵的不是做對每個決定，而是用對的方式思考問題本身。
  • 簡單系統:可以設計，
  • 繁雜系統:需要專家分析，
  • 複雜系統:只能引導，
  • 混沌系統:需要快速建立秩序。
台灣在全球科技競局中的挑戰，多數屬於複雜系統——
這意味著需要的
  • 不是更完美的四年計畫，而是更靈活的感測與回應能力;
  • 不是更嚴密的管制，而是更智慧的引導。
科技政策的智慧，始於承認複雜性，終於建立與複雜性共處的能力。
這或許是台灣在AI時代最需要學習的一課。


探討台灣科技政策面臨的思維轉型，主張決策者應結合 Cynefin 管理框架與 Theise 的複雜系統理論來重新定位問題。 現行政策常誤將涉及「湧現性」與「高度敏感」的複雜系統（如 AI 治理或半導體產業），當作可由專家解決的繁雜問題，導致策略失靈或產生副作用。 透過比較兩大理論的差異，建議將治理轉向實驗與動態調整，而非傳統的四年僵化計畫。 為了因應變局，建議建立能與複雜性系統共處的治理思維及機制，例如:設立政策實驗室或採納演化式的法律架構，以靈活應對科技競局中的非線性挑戰。



參考資料

  • Cynefin框架相關

Snowden, D. J., & Boone, M. E. (2007). "A Leader's Framework for Decision Making." Harvard Business Review, 85(11), 68. 
https://hbr.org/2007/11/a-leaders-framework-for-decision-making
The Cynefin Framework官方網站: 
https://en.wikipedia.org/wiki/Cynefin_framework

  • Neil Theise《複雜之美》

Theise, N. (2023). Notes on Complexity: A Scientific Theory of Connection, Consciousness, and Being. Spiegel & Grau. 
(精裝版2023年5月出版,平裝版2024年8月出版)
Amazon書籍頁面: 
https://www.washingtonpost.com/books/2023/06/11/notes-complexity-neil-theise-review/

  • 台灣相關政策

行政院「臺灣AI行動計畫2.0 (2023-2026年)」: https://digi.nstc.gov.tw/File/7C71629D702E2D89
數位發展部數位產業署「AI領航推動計畫」: 
  • 其他

中央研究院(2025)歐盟《人工智慧法》之制度設計、規範內涵與治理侷限

https://publication.iias.sinica.edu.tw/54321142.pdf

KPMG(2025)解密歐盟人工智慧法案，了解《人工智慧法案》的影響以及應對方法

https://kpmg.com/tw/zh/home/insights/2024/04/decoding-the-eu-artificial-intelligence-act.html

黃于珊(2024)智慧法 灣業者應評估入市合規，網管人
https://www.netadmin.com.tw/netadmin/zh-tw/viewpoint/5B0546755D3146188AC74B6E245DC2FC

中央社(2025) 歐盟AI法之合規指引已出爐，企業應建立合規機制避免高額罰款

https://www.cna.com.tw/postwrite/chi/395731


黃韻玲 / 編譯(2024)歐洲議會通過人工智慧法 以4風險類別分級管控AI系統，公視新聞網
https://news.pts.org.tw/article/641801



於 沒有留言:
標籤： ,

2026年1月11日 星期日

 《 Cynefin框架，在科技政策的應用》




  • 如何根據不同的技術因果關係將科技政策劃分為四種決策領域？

根據 Cynefin 框架，科技政策可以依照技術因果關係的清晰程度、可預測性及系統狀態，劃分為以下四種決策領域：

1. 簡單領域 (Simple Domain)：已知且清晰的因果

• 技術因果關係：
因果關係極為清晰、已知且穩定，技術參數與指標可以被準確測量。

• 決策模式：
採取「感知 → 分類 → 回應」的模式。
決策者只需識別問題，並套用既有的「最佳實踐」（Best Practice）與標準流程即可。

• 適用政策與案例：
主要應用於技術標準、安全規則與制度。
例如：產品安全認證標準、無線電頻譜分配、綠色標章及食品藥品安全審批。

• 組織特點：
通常採層級制，強調流程標準化與合規性。

2. 繁雜領域 (Complicated Domain)：需要分析的因果

• 技術因果關係：
因果關係確實存在，但並不直觀，需要透過專家分析與技術評估才能理解。此領域通常存在「正確答案」，但路徑可能不只一條。

• 決策模式：
採取「感知 → 分析 → 回應」的模式。
需要收集數據並邀請專家進行診斷，以選擇最優方案。

• 適用政策與案例：
適用於技術規劃、產業政策與選擇性補貼。
例如：半導體產業政策、5G 技術標準制定以及中長期的產業發展藍圖。

• 組織特點：
由專家主導，組織結構多為職能制，目標是提升效率與達成預定目標。

3. 複雜領域 (Complex Domain)：事後識別的因果

• 技術因果關係：
因果關係無法事先確定，只能在事後識別。
系統具有「涌現性」（Emergent），創新方向高度不確定且不可預測。

• 決策模式：
採取「探索 → 感知 → 回應」的模式。
透過受控的小規模試驗（探針）來觀察反饋，並從實踐中學習與動態調整。

• 適用政策與案例：
側重於產業生態建設、沙盒實驗與開放協作。
例如：AI 倫理治理框架、創新政策沙盒、創新生態系統投資。

• 組織特點：採網絡制，強調分散自主與動態適應。
政府的角色從「指揮官」轉變為「生態園丁」。

4. 混沌領域 (Chaotic Domain)：無法確定的因果

• 技術因果關係：
系統處於危機狀態，因果關係完全無法確定，存在極高的時間壓力與不確定性。

• 決策模式：
採取「行動 → 感知 → 回應」的模式。
決策者必須立即採取行動以穩定局面，並在行動中尋找轉化為「複雜」領域的契機。

• 適用政策與案例：
主要涉及應急管理與危機應對。
例如：COVID-19 期間的疫苗快速研發政策、晶片短缺危機的應急保供、重大網絡安全事件處理。

• 組織特點：
採取應急指揮制，決策高度集中，旨在快速動員資源穩定局勢。

-----------------------

 💡  比喻與理解： 

為了方便理解，我們可以將這四個領域想像成不同的探險環境：

• 簡單領域：
就像是在鋪設完美的國道上開車，
只要遵守交通標誌（標準規則）就能到達目的地。

• 繁雜領域：
像是在迷宮中行走，
雖然路徑複雜，
但只要聘請專業導遊（專家分析）並參考地圖，
總能找到出口。

• 複雜領域：
則如同進入一片原始森林，
沒有現成的路，你必須
一邊拿著開山刀試探（沙盒實驗），
一邊觀察地形變化來調整前進的方向。

• 混沌領域：
就像是突發的森林大火，
你沒有時間研究地圖，必須先奮力逃生或救火（立即行動），
等局勢穩定後才能再做打算。


  • 政府在不同科技治理情境中應如何調整組織結構與政策工具？
政府在進行科技治理時，應根據問題所屬的 Cynefin 框架領域（簡單、繁雜、複雜、混沌），動態調整其組織結構、決策模式與政策工具。

以下為不同情境下的詳細調整策略：

1. 簡單領域（Simple Domain）：標準化與規制
在因果關係清晰、技術規律穩定且市場需求成熟的情境下，
政府的角色是維護秩序與標準。
• 組織結構： 
採取層級制，強調流程的標準化與執行效率。
• 政策工具： 
側重於標準化（如 ISO 認證）、規制（合規要求）、質量認證體系以及強制執行。
• 典型案例： 
產品安全認證、食品藥品安全審批、無線電頻譜分配。
• 政策調整頻率： 
較低，通常以年度為單位進行微調。

2. 繁雜領域（Complicated Domain）：專家引領與規劃
當因果關係存在但需要專業分析才能識別，且存在多種可能路徑時，
政府應依賴專家判斷。

• 組織結構：
採取職能制，由專家主導並優化流程。
• 政策工具：
運用技術預測、中長期產業規劃、選擇性研發補貼以及人才培養。
• 建議做法： 
建立科學的評估機制，在補貼政策中引入競爭機制（如競標），並加強產學研結合。
• 典型案例： 
半導體產業政策、5G 技術標準與發展。

3. 複雜領域（Complex Domain）：生態建設與自適應
在因果關係無法預先確定、具有「涌現」特性，創新方向高度不確定的情境中，政府的角色應從「指揮官」轉向「生態園丁」。

• 組織結構： 採取網絡制，強調分散自主、動態適應與多層級協調。
• 政策工具：
    ◦ 政策沙盒（Sandbox）： 在明確邊界內暫停部分規制，允許試驗。
    ◦ 生態建設： 投資基礎設施、平台與網絡。
    ◦ 自適應規制： 規則隨市場反饋動態調整，並強化監測-評估-學習的迴圈。
• 典型案例：
AI 倫理治理、創新創業生態系統、智慧園區。

4. 混沌領域（Chaotic Domain）：應急指揮與快速動員
當系統處於危機狀態、因果關係完全不確定且時間壓力極大時，
政府的角色穩定局面是首要任務。

• 組織結構： 
採取指揮制，成立專門的應急機構，決策高度集中。
• 政策工具： 
實施應急指揮、資源快速動員、臨時規制豁免以及必要的國際協調。
• 建議做法： 
建立科技應急預案體系，保持戰略儲備，並定期進行演習。
• 典型案例： 
COVID-19 疫苗研發應急政策、晶片短缺危機、重大網絡安全事件。

---------------------------------------------------------
  • 不同科技治理情境對照表： 

領域

組織結構

決策模式

主要政策工具

政策調整頻率

簡單

層級制

感知→分類→回應

規制、認證、標準化

低（年度）

繁雜

職能制

感知→分析→回應

技術規劃、補貼、方向指引

中（半年）

複雜

網絡制

探索→感知→回應

沙盒實驗、生態投資、自適應規制

高（季度）

混沌

指揮制

行動→感知→回應

應急指揮、資源動員、規制豁免

極高（即時）

 

 💡  比喻與理解： 

 政府在科技治理中就像是一位園藝家。
  1. 在「簡單」的情境下，他只需按照既定的說明書（標準）修剪整齊的盆栽；
  2. 在「繁雜」的情境下，他需要專家分析土壤與品種，規劃長期的果園佈局；
  3. 在「複雜」的情境下，他轉變為生態園丁，營造適宜的環境（沙盒與生態系統），觀察並引導各種植物自然生長；
  4. 而當面對突如其來的「混沌」暴風雨時，他必須立刻化身為指揮官，採取緊急行動來保護整個花園不被摧毀。


  • 在面對高度不確定的複雜領域（Complex Domain）時，應採取何種探索式決策模式？
在面對高度不確定的複雜領域（Complex Domain）時，
根據 Cynefin 框架，應採取的決策模式為：
「探索→感知→回應（Probe → Sense → Respond）」。

在這種情境下，這種模式的核心在於處理：
因果關係無法預先確定、僅能事後識別的系統特性。

以下是該決策模式的具體執行方式與執行建議：

1. 核心決策模式：探索→感知→回應

• 探索（Probe）： 
由於創新方向具有高度不確定性且不可預測，
決策者應先進行受控試驗（Controlled experiments），
主動測試並探索各種可能的發展方向。
• 感知（Sense）： 
在試驗過程中，必須建立持續的觀察與監測機制，
收集反饋資訊以感知的局勢變化。
• 回應（Respond）： 
根據觀察到的結果，從實踐中學習並進行動態調整。
在此模式下，應將失敗視為學習的機會，而非單純的錯誤。

2. 具體政策工具與機制
為了有效落實上述決策模式，可以運用以下工具：

• 政策沙盒（Policy Sandboxes）：
 在明確的實驗邊界內，暫時放寬或暫停部分監管要求，
為新興技術創造試驗空間。
• 自適應規制（Adaptive Regulation）： 
建立不固定、隨市場反饋動態調整的規則制度框架，
並定期進行影響評估與修訂。
• 生態系統建設： 
政府的角色應從「指揮官」轉向「生態園丁」，
專注於投資基礎設施、平臺與網絡，
鼓勵多元主體（如產學研）進行開放協作。
• 監測-評估-學習迴圈： 
建立實驗數據庫與定期的決策迭代機制，
確保政策能隨著學習不斷改進。

3. 組織與評估特點
• 組織結構： 
應採用分散自主、動態適應的網絡制結構，而非傳統的層級制，
以應對多元參與者的交互作用。
• 評估方式： 
評估重點應放在系統的適應力、創新質量以及生態健康度，
而非單純的合規性。
• 調整頻率： 由於環境變動快，政策調整頻率通常較高（例如：以季度為單位）。

---------------------------------------------------------

 💡  比喻與理解： 

總結來說，面對複雜系統的決策就像是在管理一座花園：
政府不能像操作機器一樣精確控制每一個結果，
而必須像園丁一樣，
透過營造環境（探索）、
觀察植物生長（感知），
並適時修剪或施肥（回應），
讓創新生態自然「涌現」。



  • 在面對高度不確定的混沌領域（Chaotic Domain）時，應採取何種探索式決策模式？
在面對高度不確定的混沌領域（Chaotic Domain）時，
根據 Cynefin 框架，應採取的決策模式為：
「行動 → 感知 → 回應」（Act → Sense → Respond）。

在這種情境下，這種模式的核心在於處理：
因果關係完全無法確定，且系統處於危機狀態，
決策者面臨極大的時間壓力。

以下是該決策模式的具體執行方式與相關支持機制：

1. 核心決策模式：行動 → 感知 → 回應
• 行動（Act）： 
由於沒有時間進行詳細分析，
決策者必須立即採取行動以穩定局面，試圖從混亂中建立秩序。
• 感知（Sense）： 
在行動過程中，持續觀察並感知局勢的變化，
確認哪些行動有效，哪些部分仍處於失控狀態。
• 回應（Respond）： 
根據感知的結果，動態調整應對措施，
目標是將問題從混沌領域轉化為可控的複雜或繁雜領域。

2. 組織結構與行政特點
• 組織結構： 
採取應急指揮制，決策高度集中，以便在危機中快速反應。
• 調整頻率： 
政策調整頻率為「超高」，必須根據現場狀況進行即時調整。
• 評估方式： 
評估的重點在於應急效能與危機是否趨於穩定。

3. 適用政策工具與案例
政府在此領域通常會運用以下工具來應對突發科技危機：
• 應急指揮與快速動員：
 成立專門的應急決策機構，並快速集中撥款、人員與資源,。
• 臨時規制豁免：
為了爭取時間，會暫停部分常規的行政規則或監督要求。
• 典型案例： 
例如 COVID-19 疫情期間的疫苗快速研發政策、處理晶片短缺危機的應急保供，以及應對重大網路安全事件。

4. 政策建議
為了提升在混沌領域的應處能力，來源建議：
• 建立科技應急預案體系與快速反應機制。
• 保持應急戰略儲備（例如：物資、技術能力）。
• 定期進行應急演習以優化處置流程。

---------------------------------------------------------

 💡  比喻與理解： 

面對混沌領域的決策，就像是一艘正在急速進水且即將沈沒的船隻。
船長沒有時間研究造船圖紙或召開委員會討論（分析與探索）， 
必須下令立即堵住破洞（行動）； 
隨後觀察進水速度是否減緩（感知）， 
並根據水位變化重新分配抽水人力或調整航向（回應），直到船隻恢復穩定。



      於 沒有留言:
      標籤： ,
      訂閱： 文章 (Atom)

      精選文章

      服務業數位轉型，需可實戰的創新方法論

      專家傳真 - 服務業數位轉型 需可實戰的創新方法論， 2018 年 05 月 18 日，工商時報 https://www.chinatimes.com/newspapers/20180518000297-260202 服務業如何結合 ICT 科技，進行數位化轉型...