自適應共振理論

Adaptive Resonance Theory (ART) 是由神經科學家 Stephen Grossberg 於1980年代提出的計算模型，核心機制在於「共振」概念：當輸入訊號與內部表示匹配時，系統強化該連結；不匹配時，系統則啟動自上而下的修正機制，直到達成穩定狀態。此理論解決了人工智慧領域中「穩定-塑性悖論」（stability-plasticity dilemma）的難題，即系統如何在學習新知識的同時，不破壞已建立的穩定知識結構。在企業風險管理框架中，ART理論被納入AI治理的理論基礎，確保AI風險偵測系統在面對演進式威脅（evolving threats）時，不會因為重新訓練而喪失對歷史風險模式的辨識能力，符合ISO 42001第6.1.2條關於AI風險評估的持續性要求，以及NIST AI RTO框架中對AI系統穩健性（Robustness）的定義。與傳統人工智慧模型相比，ART具備自監督學習特性，無需大量人工標註，適合處理企業風險資料中不平衡的異常樣本，是建立AI驅動BCM機制的重要理論支柱。

在企業BCM實務中，ART理論的應用可分為三個具體步驟：第一步，建立基礎風險基準，利用歷史事件數據訓練AI模型，建立穩定的風險識別基準，確保系統不會因短期波動而誤報；第二步，部署線上學習機制，AI系統持續接收來自IoT設備、網路流量、交易紀錄等即時數據，透過共振機制動態調整風險閾值，實現「邊運行邊學習」的即時風險評估；第三步，建立人類回饋迴路，當AI偵測到新興威脅模式時，人工專家介入確認後，系統將此新模式永久整合至風險知識庫，避免重複建設。以臺灣某大型製造業為例，導入此機制的AI預測維護系統，在導入後一年內，設備非預期停機事件減少28%，AI誤報率降低15%，同時符合ISO 22301對業務持續性指標的監控要求，有效提升企業的營運韌性。

臺灣企業在導入ART相關AI風險模型時，主要面臨三個挑戰。首先是「數據孤島」問題，製造、金融、零售等不同部門的風險數據無法整合，導致AI無法形成完整的風險知識庫，建議透過建立跨部門數據治理框架，依ISO 27701個資保護標準進行數據分類與共享機制，確保AI訓練資料的合法性與完整性。其次是「AI黑盒」的解釋性挑戰，臺灣企業主管難以信任無法解釋的AI決策，應採用可解釋AI（XAI）技術，將ART的共振機制視覺化，讓風險決策可追溯、可理解，符合EU AI Act對高風險AI系統透明度的要求。第三是「人才缺口」，臺灣企業缺乏兼具AI理論與風險管理實務的複合型人才，建議採取「外部專家輔導+內部人才培育」雙軌策略，在6個月內完成基礎教育，並建立AI治理委員會，確保AI風險管理與企業整體治理目標一致。

積穗科研股份有限公司（Winners Consulting Services Co., Ltd.）專注臺灣企業Adaptive Resonance Theory相關議題，擁有豐富實戰輔助經驗，協助企業在90天內建立符合ISO 42001與臺灣個資法的AI風險管理機制，已服務超過100家臺灣企業，包括製造、金融與科技產業。申請免費機制診斷：https://winners.com.tw/contact