智能化系統的工程方法

探討以敏捷式開發（Agile Development）通往 Adaptive、Autonomous 與 Self-Evolving 系統的案例

✎【Mealcourt LLC】陳宏毅 總裁  |   2026-05-10

       另一方面，在 AI 加持下，系統工程開始關注不只是「開發過程本身」，亦即開發階段的人為修正，而是更關注如何在運行中「系統被賦能自己學習、自己調整」。

我們將系統智能化的層次分為四層，分別為敏捷式開發、自適應系統、自主系統與自演化系統。首先是工程團隊需要先具備Agile的開發能力，而其餘三層，則是逐步進化為系統自身的運行管理能力。圖1 中簡要顯示這條演進路徑。

敏捷式開發

       敏捷式開發不僅是一套團隊協作方法，更可看作是一種「系統工程專業能力」。換言之，它是一種能讓開發團隊快速調整系統設計的能力。其核心精神包含短週期迭代、快速回饋與持續驗證。透過經過優先順序思考的小範圍「設計、實作、測試、部署」循環，團隊能在早期發現問題，並以較低成本進行修正。相較於傳統開發方法往往在整個系統完成後，才進行測試與偵錯，敏捷式開發更能降低後期修改所造成的時間與成本負擔。

       在系統工程領域中，INCOSE 強調，在敏捷開發環境下，系統工程流程也必須能夠持續進行跨團隊整合，並即時更新系統架構。舉例而言，相較於傳統開發方法中一次性的大型項目審查，敏捷式方法可將「設計審查」拆解為小範圍多次審查，並鼓勵開發者、測試者與使用者共同參與。總結來說，在敏捷系統工程中，一開始就有明確系統基礎架構，之後在細節上繼續不斷演進。

自適應系統 (Adaptive System)

       自適應系統強調的是「運行時的自我調整能力」。這類系統可透過事先設計好的感知與回饋機制，例如感測器、即時數據與環境監測，掌握外部環境與內部狀態的變化，進而動態調整系統參數或行為。也就是說，系統在執行中還可以自己學習、自己改變。 常見例子包括智慧溫控系統，可依照室內溫度自動調節空調；網路負載平衡器，可根據即時流量動態分配路由或伺服器資源；以及機器學習驅動的引擎控制系統，可依據運行數據持續優化效能。

       簡單來說，自適應系統就像恆溫器，會根據溫度變化自動開啟或關閉暖氣與冷氣；也像智慧導航系統，能依據即時交通狀況重新規劃路線，使整體運作維持在較佳狀態。

對系統工程而言，從敏捷開發到自適應，重點在於將開發者對「需求變更」的依賴轉移到系統本身：即部分需求由系統自動感知並實現。例如，Google 搜尋排名系統會從使用者瀏覽行為學習，像是點擊、停留時間等，之後，動態的調整搜尋結果排序；這是一種典型的自適應式行為，系統依照使用者回饋自我優化，而不需每次都由工程師手動調整。

自主性系統 (Autonomous System)

       自主性系統則更上層：它不僅「調整自己」，還會自主決策。也就是說，系統在不需人為指令下，能自行完成任務。根據定義，自主系統有能力「執行複雜任務且經常整合智慧以自動化人類知識」。自主系統就像一輛自行馳騁的無人車：它能辨識交通號誌、行人和車道，並根據路況自主決定轉彎、煞車或加速，不需駕駛干預，能在複雜多變的真實環境下做出行動方案。

       在系統工程中，自主層級的提升也帶來新的挑戰。自主系統不僅要能自行判斷與行動，更必須同時確保安全性(safety)與可靠性（Reliability）。例如，對於自駕系統而言，關鍵問題不只是系統能否自動駕駛，而是當它面對突發狀況時，是否能即時做出安全且可信賴的決策。因此，自主系統需要更高階的驗證方法（Verification & Validation），並強調決策邏輯的透明性，以及嚴格的安全冗餘機制。自主系統通常建立在自適應系統之上。兩者的差異在於：自主系統較關注目標決策（What to do），而自適應系統則較關注目標達成的方式（How to adjust to do it）。

自演化系統

       自演化系統是最頂層的智能化：系統能自我重構結構與策略，不斷「學習如何學習」。從技術角度看，自演化系統會持續收集新數據、自動重訓練模型，甚至自行修改程式碼或流程，達到性能長期優化。例如，最新研究提出的「Autopoiesis」框架，就是一種自演化的 LLM 服務系統：它使用 LLM 生成新的執行策略（如調度演算法），並在服務中不斷觀察效能變化，自動重寫策略程式碼來應對環境變化。這種模式下，系統宛如有生命般「自主更新」，從單點的演算法調整進化為連續的生命週期演化。

       我們可以說，自演化系統好比是一種智慧菌種，在環境壓力下會自行突變，以保持生存優勢。將這個概念放在一家公司裡，則表示系統能根據使用者長期反饋不僅優化算法，甚至可能自動重構資料庫結構或服務架構，使整體效能達到最佳。

       對系統工程師而言，設計自演化系統已不再只是追求系統在初始設計時「一次到位」，而是要進一步設計系統如何在運行過程中持續演化。這需要引入持續整合與持續交付之外的概念，例如線上學習、架構可演化性，以及元目標函數（Meta-objective）的設定等。目前，自演化系統多半透過 AI 代理（AI agents）來監督系統變化，或使用自動化工具鏈，將人為指令與系統更新轉化為規則引擎的調整依據。其目的在於確保系統的演化是可追蹤且有目標的持續改進過程。表1整理了這四層模型與其特徵對照。

案例研究：三種系統比較

以下列舉三個真實案例，分別說明敏捷開發、自適應系統，以及兩者兼具的實務應用，並進一步分析其背後的系統工程意涵。

• 案例一：SpaceX（敏捷系統）

• • 快速迭代實驗：SpaceX頻繁建造星艦(Starship)原型，並透過高風險實測快速取得工程資料。即使測試失敗，也能立即回收經驗、修正設計，並投入下一輪原型開發。這種「硬體豐富」(hardware-rich)的開發策略允許團隊邊做邊調整，符合敏捷開發中的「從失敗中學習」的精神。

  • 設計到測試流程自動化：SpaceX大量運用自動化設計工具、快速模擬、先進製造與 3D 列印等技術，使工程師能大幅縮短從概念設計到實體測試的時間。這些工具降低了每次設計變更的成本，也壓縮了迭代週期，形成高度敏捷的硬體開發流程。

  • 系統層級固定：雖然SpaceX的開發流程極度敏捷，但星艦本身運行時並不具備自適應能力（它依設計飛行，不會自行調整飛行策略）。因此，這個案例說明敏捷開發能加速推進系統設計與測試，但若系統本身若無自適應機制，其運行模式仍相對受限於既有設計。

  • 系統工程意涵：此案例顯示，敏捷方法特別適用於快速原型開發與高風險研發情境。為了支援頻繁變更，系統架構需足夠模組化以支援頻繁變更；同時，在高度密集的測試節奏下，也必須特別重視安全評估、測試邊界與監管要求，避免快速迭代帶來不可接受的系統風險。

• 案例二：Google 搜尋排名（適應式系統）

• 機器學習驅動：Google 搜尋運用 RankBrain 等機器學習演算法，即時分析使用者查詢與點擊行為，並據此動態調整結果排序。這是一種經典的自適應系統，因為系統會根據新的輸入資料調整模型參數，以提高搜尋品質。

• 持續優化迴路：RankBrain在遇到新詞彙時，會猜測相似詞並即時更新模型，使系統能處理以前未見的查詢。後續再透過使用者回饋、資料累積與人工評估，逐步更新模型，形成一種結合自動化分析與人工驗證的半自動優化迴路。

• 無人干預決策：雖然沒有具體的「人類在場」環節，Google系統本身能在後臺自動判斷查詢意圖、篩選資訊並排序結果。因此，可視為具備自主性的一面。

• 系統工程意涵：此案例顯示，自適應系統需要龐大的資料來源、穩定的資料蒐集機制，以及強大的運算與模型訓練能力。系統架構必須能夠無縫收集使用者行為資料，並將這些資料回饋至模型訓練與評估流程。同時，也必須重視線上服務與離線訓練之間的銜接，使系統能在維持服務穩定性的前提下持續改善。其結果是，搜尋體驗能隨著用戶反饋不斷變好，系統運行層面已具備強大適應性。

• 案例三：Tesla 自動駕駛（Agile + Adaptive）

• 敏捷開發流程：特斯拉將汽車視為「車輪上的電腦」，軟體迭代極快，支援無線升級（Over-the-Air, OTA）。從 Autopilot 到 Full Self-Driving，不斷透過OTA推送新功能與修正。這種與時俱進的軟體策略即是敏捷開發在汽車領域的具體展現。

• 自適應感知能力：Autopilot透過車載攝影機、感測資料與深度學習模型，辨識車道、車輛、行人、交通號誌與周遭環境，並根據即時路況調整車輛行為。同時，系統在數百萬量產車輛累積道路資料，用以改善進改善模型表現與系統判斷能力。從這個角度來看，特斯拉的自動駕駛系統具備一定程度的自適應學習能力。

• 系統自主決策：目前特斯拉Autopilot仍屬於需駕駛監控的半自動駕駛系統(Level 2)，然而，在特定情境下，系統已能自動執行部分駕駛決策，例如維持車道、跟隨前車、調整車速與輔助變換車道。特斯拉官方也規劃未來提升為全自主（Level 4/5）。

• 系統工程意涵：此案例顯示，現代車輛開發已不只是傳統的機械與硬體設計，而是結合「車輛設計+軟體開發」的系統工程，特斯拉必須同時管理硬體製造、感測器整合、軟體迭代、資料回饋與安全驗證。其中，無線更新機制是支撐持續改善的關鍵架構；而資料隱私、資安風險、功能安全與責任歸屬，也成為系統設計中不可忽視的重要議題。此案例展示了敏捷開發如何加速讓技術落地，而自適應和自主特性則使車輛系統逐步朝更高階的智慧化方向演進。

AI/LLM 對敏捷的加速作用

       人工智慧與大型語言模型並未取代敏捷開發，反而進一步加速了敏捷式開發迭代的速度。過去典型的敏捷開發流程，多半由開發者進行編碼、測試與部署，再等待數天或數週蒐集使用者回饋，接著進入下一輪修正。然而，在 AI 時代，這個流程已被大幅壓縮。例如，LLM 已能協助生成程式碼片段、撰寫技術文件、產生測試用例；建置並測試原型的時間從週或月縮短至數小時，甚至數分鐘。AI 促使敏捷開發從「人主導的加速」邁向「工具自動加速」。

       舉例來說，像 GitHub Copilot 這類程式碼輔助工具，已能根據開發需求與上下文自動產生程式碼建議，將開發者從重複性工作中解放。未來，我們甚至可以設想 AI 代理半自主地參與開發後台管理：例如彙整使用者回饋、歸納錯誤問題、提出需求變更建議、生成測試案例，甚至協助審查與合併 pull request（程式碼提交）。換言之，敏捷開發在 AI 加持下變得「自己更敏捷」，迭代成本進一步降低，創新速度也隨之提升。

結論：

       敏捷式開發、自適應式、自主性與自演化這四個層，構成了現代系統演進的四個層次。這個演進路徑可視為一座金字塔：最底層是由人所驅動的敏捷開發流程，接著逐步向上發展，將原本依賴人為操作的調整能力，轉化為系統自身的能力，也就是從 Adaptive、自適應，到 Autonomous、自主，再到 Self Evolving、自演化。在 AI 時代，快速且敏捷的開發能力只是起點，系統工程的目標不應只停留在「快速交付」，而是要進一步追求系統能在運行過程中持續學習、調整與改善。生成式 AI 的出，現可能對開發流程帶來與敏捷方法一樣巨大的變革。隨著 AI 開發工具、資料回饋機制與自動化代理的快速成熟，系統的演進之路正以指數級速度前進。

現在最重要的工程能力，已經不只是設計出完美的系統，而是讓系統在「不完美中學習和進化」。

<本文完>

延伸閱讀（Further Reading, for study）

• 1. 陳宏毅（2025）。〈Digital Twins賦能的供應鏈：不能停止進化的供應鏈〉. 《工業工程雜誌》，2025年1月。（探討 AI 與數位孿生如何持續優化供應鏈運作）。

  2. 陳宏毅（2024）。〈不要為了 AI 而 AI – 與 AI 共事的工業工程師（Part II）〉. 《工業工程雜誌》，2024年11月。（探討製造業 AI 導入與應用實例；提到數據如何驅動工業 AI）。

  3. INCOSE Agile Systems & SE Working Group。Agile Systems Engineering Guide. (國際系統工程協會提供的敏捷系統工程指引)。

  4. Systems Engineering Body of Knowledge (SEBoK)。有關 Agile 系統工程及自適應系統等主題的章節與參考。

  5. Agile Manifesto (2001)。敏捷開發的原始宣言及原則（英文原文）。

  6. KPMG (2023)。“The startling power generative AI is bringing to software development”。指出生成式 AI 可能帶來與敏捷同等的變革。

  7. Google Search Central – Ranking Systems Guide。Google 官方文件，說明搜尋排名演算法如何利用大量數據自動調整結果。

  8. Youhe Jiang et al. (2026)。“Autopoiesis: A Self-Evolving System Paradigm for LLM Serving” (arXiv)。提出了可在線演化的 LLM 系統範例。

  9. ScienceDirect Topics: “Adaptive Systems”。提供適應式系統的定義與背景。

  10. ScienceDirect Topics: “Autonomous System”。提供自主系統的定義與範例。

這些資源涵蓋了敏捷開發、系統工程、AI/LLM，以及相關核心案例的原始觀點，適合對本議題感興趣的讀者深入探究。