Herbert A. Simon如何看穿人類不是理性機器？有限理性如何解釋AI、注意力與組織決策

Herbert A. Simon 最重要的發現，不是人類會犯錯，而是人類從一開始就不可能像經濟學模型裡那樣，掌握所有資訊、算完所有選項，再選出唯一最優解。我們真正做的，是在時間、注意力、知識與計算能力有限的條件下，找到一個足夠可行的答案。

他把這種現實稱為「有限理性」（bounded rationality），並用它重新理解組織、管理、經濟學與人工智慧。到了今天，這個觀念反而比「完美理性」更貼近 AI agent、平台決策、內容過載與知識工作：問題從來不只是誰能算得更快，而是誰有能力定義問題、選擇資訊，並在不確定中做出值得承擔的決定。

Herbert Simon 是誰？ Herbert A. Simon 是研究經濟學、心理學、人工智慧與組織決策的跨學科學者，提出有限理性與滿意化；他的核心觀察是，人類在資訊、時間、注意力與計算能力有限時，仍必須做出可行決定。

什麼是有限理性？ 有限理性不是說人完全不理性，而是說決策者無法掌握所有選項、後果與機率，因此只能在環境提供的資訊與自身能力內推理；好的分析應把限制條件寫進模型，而不是假設全知最佳化。

滿意化和最佳化有什麼差別？ 最佳化尋找理論上的最高效用，滿意化則先設定可接受門檻，找到足夠好的方案就停止搜尋；在時間、成本與風險都有限的真實情境中，滿意化常比無止境比較所有方案更可行。

注意力為什麼是決策資源？ 人一次能處理的訊息有限，通知、切換、模糊目標與過多選項會消耗搜尋與判斷能力；設計流程時若只增加資料而沒有排序、摘要與停止條件，資訊反而可能降低決策品質。

Simon 如何解釋組織決策？ 組織透過規則、分工、標準作業程序與資訊通道，把個人無法處理的複雜度切成較小問題；這些結構能幫助協作，也可能造成盲點、路徑依賴與局部最佳化，因此需要回饋與修正。

搜尋與問題解決在他的理論中扮演什麼角色？ 決策不是一次比較固定選單，而是在狀態空間中逐步探索，利用線索、記憶與環境回饋縮小可能性；演算法、介面與文件若能提供好的提示，就能降低搜尋成本，但無法保證每次找到全域最佳解。

有限理性如何連到今日 AI？ AI 系統同樣受資料、上下文長度、計算預算、工具權限與目標定義限制；它可以協助整理選項與模擬後果，但輸出流暢不代表推理完整，仍需來源、驗證、停止條件與人類覆核。

這套方法有什麼限制？ 有限理性描述的是決策條件與行為策略，不會自動告訴我們哪個價值選擇正確；不同文化、制度、權力與資源分配也會改變「足夠好」的門檻，分析時必須把規範與實證區分開來。

一句話總結 Herbert Simon 的遺產： 他把決策從「找到唯一最優解」改寫成在限制中搜尋、設定門檻並利用組織結構協作的過程；這套有限理性視角仍能幫助我們設計更可靠的人類流程與 AI 輔助系統。

實體索引｜認知科學與決策實體

• 人物、概念與領域：Herbert A. Simon如何看穿人類不是理性機器？有限理性如何解釋AI、注意力與組織決策；核對 Herbert A. Simon、有限理性、注意力、AI、組織決策、研究年代與著作。
• 原文錨點：Herbert A. Simon 最重要的發現，不是人類會犯錯，而是人類從一開始就不可能像經濟學模型裡那樣，掌握所有資訊、算完所有選項，再選出唯一最優解。我們真正做的，是在時間、注意力、知識與計算能力有限的條件下，找到一個足夠可行的答案。 編輯插圖：計算、回饋與制度設計如何彼此連動。 他把這種現實稱為「有限理性」（bounded rationality），並用它重新理解組織、管理、經濟學與人工智慧。到了今天，這個觀念反而比「完美理性」更貼近 AI agent、平台決策、內容過
• 認知脈絡：把資訊限制、搜尋、滿意化、注意力、組織與人工智慧連回具體模型。
• 編輯界線：區分心理／經濟理論、AI 模型類比、組織研究與作者評論。

增量補充：有限理性不是放棄分析，而是改變目標

Carnegie Mellon 的 Herbert Simon 收藏資料把「bounded rationality」與 satisficing 放在他的決策研究中：人不是在資訊、時間與計算能力無限的世界裡求唯一最優，而是在限制下尋找足夠好的方案。來源：Carnegie Mellon University — Herbert Simon。 這個觀點可直接用在 AI 與組織決策：先列出可取得資訊、決策時間、錯誤代價與可接受門檻，再判斷一個方案是否合理。若只用「最優／非最優」二分，會忽略真正決定行動的注意力、流程與資源邊界。

快速抓住這篇文章

• Herbert A. Simon 橫跨政治學、經濟學、管理學、認知心理學與人工智慧；他在 1978 年因研究經濟組織內的決策過程獲得經濟學獎。
• 有限理性不是說人類不理性，而是指出人類的資訊、時間、注意力與計算能力都有限，決策只能在限制條件下完成。
• Simon 提出的「滿意化」（satisficing）不是隨便選，而是在搜尋成本太高時，選擇符合足夠標準、能推動行動的方案。
• 他與 Allen Newell、Cliff Shaw 參與早期人工智慧研究，Logic Theorist 被廣泛視為最早一批能模擬推理過程的 AI 程式之一。
• 他對資訊時代最準確的提醒是：資訊愈豐富，注意力反而愈稀缺。AI 若只能加速產出，卻不能改善注意力與判斷分配，可能只會讓組織更忙。

背景與核心脈絡

Herbert Alexander Simon，1916 年出生於美國威斯康辛州密爾瓦基，早年在芝加哥大學接受政治學與社會科學訓練。這個起點很重要：他不是從「人應該如何最大化效用」開始，而是從一個更接近真實世界的問題開始——政府機關、企業與人類組織，究竟是怎麼做決定的？

1947 年出版的《Administrative Behavior》，讓他成為組織決策研究的重要人物。1949 年起，他在 Carnegie Institute of Technology 任教，後來成為 Carnegie Mellon University 的核心學者。從 1950 年代到晚年，他同時參與組織理論、認知科學、電腦科學與早期 AI 研究，幾乎把「決策」這個詞從管理學推進成跨學科問題。

Simon 的特殊之處，在於他不把經濟、心理、組織與機器切開來看。他認為，企業不是一個會自動追求最大利潤的抽象角色；人也不是一個永遠知道自身偏好的計算器；電腦則不只是工具，而是迫使人類重新理解思考、搜尋與選擇的實驗場。

有限理性：人類不是不想做到最好，而是根本算不完

傳統經濟模型常把決策者想像成一個理性行動者：他知道所有選項、能比較所有後果、了解自己的偏好，最後選出效用最大的方案。這個模型在分析上很有力量，但 Simon 看見，它和真實組織中的決策距離很遠。

現實裡，主管沒有時間讀完所有報告，投資人不可能掌握所有風險，工程團隊也無法在發版前測試每一種情境。資訊不完整、問題本身不清楚、目標彼此衝突，甚至連「有哪些選項」都需要先被發現。人類不是在一張完整選單裡挑選最佳答案，而是在有限時間裡探索一片還沒被畫清楚的地圖。

有限理性因此不是替草率找藉口，而是要求我們承認決策有成本。你花更多時間搜尋，可能得到更好的選項；但也可能錯過時機、耗盡注意力，或讓組織卡在無止盡的分析裡。Simon 的問題不是「人為什麼不夠完美」，而是「在不完美條件下，什麼樣的決策程序比較可靠」。

Simon 改變的不是人類理性本身，而是我們對理性的標準：真正理性的決策，必須能在有限資訊與有限時間裡完成。

滿意化不是將就，而是對搜尋成本誠實

< p class=”wp-block-paragraph”>Simon 最容易被誤解的概念之一，是 satisficing，中文常譯為「滿意化」或「滿足化」。它不是鼓勵人放棄追求品質，也不是說「差不多就好」。它描述的是一種非常務實的選擇策略：當你無法把所有選項都搜尋完，就先設定一個可接受的門檻，找到符合標準的方案後行動。

找工作、選供應商、挑房子、招聘人才、設計產品功能，都有類似結構。你可以無限比較，但每多比較一個選項，都會消耗時間與注意力。當搜尋本身的成本高於可能增加的好處，繼續追逐理論上的最優解，反而可能是非理性的。

真正成熟的滿意化，不是降低標準，而是先定義底線：哪些條件不能退、哪些風險不能接受、什麼程度已足以推進下一步。這對創業團隊、內容製作與產品開發尤其重要。沒有門檻的完美主義，往往不是高品質，而是無法結束的決策拖延。

組織不是一個大腦，而是一套注意力分配系統

Simon 對組織理論最深的貢獻，是讓人們看見企業與政府並不是一個統一意志。組織由許多角色、流程、部門、目標與資訊管道組成；真正決定組織能做什麼的，往往不是它的正式策略，而是它把注意力放在哪裡、哪些問題能被上報、哪些訊號會被忽略。

他在資訊社會的討論裡提出一個至今仍極準確的判斷：資訊的豐富，會帶來注意力的稀缺。當組織收到更多報表、通知、訊息、儀表板與市場資料時，並不會自動變得更聰明；相反地，它更需要決定什麼值得被看見，什麼可以被忽略，哪些例外狀況必須被人類接手。

這也是今日管理工具常出現的反效果。更多協作軟體、更多即時數據、更多 AI 摘要，看似降低資訊成本，卻可能讓每個人都被迫回應更多訊號。Simon 會提醒我們：問題不是資訊不夠，而是組織沒有設計好注意力的入口、優先序與停止規則。

他和早期AI的關係：不是讓機器像魔法一樣思考，而是研究搜尋如何發生

1950 年代，Simon 與 Allen Newell、Cliff Shaw 合作開發 Logic Theorist。這個程式能嘗試證明《Principia Mathematica》中的部分定理，因此被廣泛視為早期人工智慧的重要里程碑。它的歷史意義，不只是「電腦會做數學」，而是把思考理解成一種搜尋過程：在可能的步驟中產生假設、排除不通的路徑、保留較有希望的方向。

這種觀點與有限理性直接相連。因為可能路徑太多，任何系統都不能暴力窮舉所有答案；它需要啟發式（heuristics）來縮小搜尋範圍。人類專家如此，早期 AI 如此，今天的 agent 系統也是如此。真正有價值的不是假裝找到了全知全能的最佳解，而是知道如何在成本限制下，優先探索較可能有效的路徑。

Simon 在 1975 年獲得 ACM Turing Award，表彰其對人工智慧、人類認知心理學與資訊處理的基礎貢獻。這個跨域位置很難被今天單一學科分類：他既研究人如何思考，也研究機器如何模擬思考，並且始終把兩者放在制度與組織的現實限制中討論。

AI agent最需要Simon的地方，不是更會回答，而是更會停止

今天談 AI agent，常把焦點放在它能否自己拆解任務、呼叫工具、寫程式、搜尋資料與完成工作流。但從 Simon 的角度看，更根本的問題是：agent 要搜尋到什麼程度才該停？它如何理解「足夠好」？誰決定它在成本、速度、安全與品質之間的門檻？

一個永遠追求更多資訊的 agent，可能花費過高、延遲過久，甚至被無關資料拖離任務；一個過早停止的 agent，又可能忽略高風險細節。這不是單純的模型能力問題，而是有限理性問題：任何智慧系統都需要在有限資源下配置注意力，並根據情境改變搜尋深度。

因此，好的 agent 設計不該只追求「看起來很自主」，而應讓使用者能設定停止條件、查核節點、可接受錯誤範圍與升級給人類的時機。Simon 的遺產在這裡非常實際：智慧不等於無限搜尋，智慧是知道何時繼續、何時停止，以及何時承認需要更多人類判斷。

Simon的盲點：程序更好，不代表結果必然公平

Simon 讓人們更重視決策程序、資訊限制與組織結構，但這也可能帶來一種技術官僚式誤解：只要程序設計得更理性，結果就會更好。

現實中，決策的困難不只來自資訊不足，也來自權力不對等。誰有資格設定「滿意」的標準？誰承擔錯誤成本？一個平台用效率決定派單，一家企業用績效模型決定裁員，或一個政府用風險分數分配資源，都可能有非常順暢的程序，卻仍然把某些人的處境排除在外。

這不會推翻有限理性，反而讓它更完整。既然所有人都無法掌握全貌，就更需要制度保留多種資訊來源、異議與申訴途徑。真正可靠的組織，不是讓一個中心更會算，而是讓錯誤能被早一點看見並修正。

對台灣讀者來說，Simon最實用的啟發是：把注意力當成基礎設施

台灣的工作環境高度依賴即時通訊、跨部門協作、供應鏈回應與快速決策。這帶來高效率，也容易讓人長期停在「每件事都很急」的狀態。Simon 的觀點提醒我們，注意力不是個人的意志力問題，而是組織如何設計資訊流與責任邊界的問題。

對管理者而言，重要的不是再增加一個 dashboard，而是刪除不必要的回報、讓例外狀況清楚浮現，並為深度工作保留不被即時訊息切碎的時間。對使用 AI 的個人與團隊而言，也不該把模型當成無限內容機器，而要把它視為協助搜尋、整理與建立決策選項的工具。

技術愈能提供答案，人類愈需要學會問：這個問題是否值得花注意力？答案好到什麼程度就足夠？誰還沒有被納入決策？這些問題不能由工具代答。

讀者常問

Herbert A. Simon是誰？

Herbert A. Simon 是美國學者，研究橫跨組織理論、經濟學、心理學與人工智慧。他以有限理性、滿意化與組織決策研究聞名，並在 1978 年因研究經濟組織內的決策過程獲得經濟學獎。

有限理性是什麼？

有限理性指人們會試圖理性決策，但受到資訊不完整、時間有限、注意力不足與計算能力限制，無法找出所有選項並精準比較。因此，真實決策通常是在限制條件下搜尋可行方案，而非永遠選到理論最優解。

滿意化和「差不多就好」有什麼不同？

滿意化不是放棄品質，而是先定義可接受門檻，在搜尋成本過高時選擇符合關鍵條件的方案。它要求決策者清楚知道哪些標準不能退讓、哪些可以取捨，避免無止盡比較導致延誤與注意力耗損。

Herbert Simon和AI有什麼關係？

Simon 與 Allen Newell、Cliff Shaw 參與早期人工智慧研究，Logic Theorist 是重要里程碑之一。他將思考理解為有限資源下的搜尋與啟發式過程，這對今天的 AI agent、規劃系統與人機協作仍有直接啟發。

為什麼資訊越多，注意力反而越稀缺？

因為人能處理的時間與認知資源有限。當訊息、通知、報表與選項增加時，真正被稀釋的是選擇、驗證與理解的能力。資訊豐富不會自動提高判斷品質，反而要求個人與組織設計更清楚的優先序與停止規則。

若想把 Simon 對心智與決策的分析放進人工智慧的早期思想史，可延伸閱讀 John McCarthy 如何替 AI 命名並追問常識問題的整理，對照有限理性、機器智慧與實際決策環境。

收尾

Herbert Simon 留下的最重要提醒，是別再把理性誤解成「把一切算完」。

在資訊爆炸與 AI 普及的年代，真正稀缺的能力不是產出更多選項，而是設下足夠清楚的標準，知道哪些資料值得看、哪些風險必須升級給人類、哪些決策已經可以往前走。有限理性不是人的缺陷；它是任何有時間、有成本、有責任的智慧，都必須面對的現實。

參考資料

• Nobel Prize：Herbert A. Simon – Facts
• ACM Turing Award：Herbert A. Simon
• Herbert A. Simon，《Administrative Behavior》，1947。
• Herbert A. Simon，〈A Behavioral Model of Rational Choice〉，《Quarterly Journal of Economics》，1955。
• Allen Newell、J. C. Shaw、Herbert A. Simon，〈The Logic Theory Machine〉，1956。
• Herbert A. Simon，〈Designing Organizations for an Information-Rich World〉，1971。

有限理性：決策不是把所有可能都算完

Herbert A. Simon 的有限理性可以用一個工程問題理解：當資訊、時間與注意力都有限時，系統如何在不可能窮舉所有方案的情況下做出可辯護的選擇？人與組織不是缺少理性，而是必須在真實資源限制內分配搜尋、比較與行動的成本。 這個觀點改變了「最佳解」的想像。若問題空間很大，要求每次都找到全域最佳方案，往往會讓決策永遠停在搜尋階段；更可行的做法是先定義最低可接受條件，再在時間和風險允許時改善。Simon 所說的滿意化不是隨便選，而是把停止搜尋的規則寫清楚。

注意力是系統資源，不只是心理名詞

在組織和軟體系統裡，注意力可以對應到有限的審查時間、記憶體、網路頻寬或團隊人力。當每個警報都被視為最高優先級，真正重要的事件就會被淹沒。可靠設計需要分層通知、明確升級條件，以及讓人知道哪些訊息暫時被延後。 AI 代理也受到同一限制。模型可以讀取很多資料，不代表它能同時理解所有資料；上下文視窗、工具延遲、錯誤重試與人類審查都會改變決策品質。團隊應記錄代理看過哪些證據、何時停止搜尋、哪些不確定性仍留在結果裡。

組織如何在不完整資訊下運作

Simon 對組織決策的研究提醒我們，規則、部門邊界與資訊流會塑造可選方案。管理者不只是在答案之間挑一個，也在設計誰能看到資料、誰能提出例外、誰負責承擔後果。流程若只追求速度，可能把未知風險推給最晚才接手的人。 工程團隊可以把這個問題轉成可測試的流程：為每個決策記錄輸入、候選方案、門檻、被排除的理由與覆核期限。當新證據出現時，系統應能重開決策，而不是把舊結論當成不可改變的事實。

對今日 AI 與產品設計的具體啟示

使用 Simon 的框架評估 AI 產品時，先問它正在最佳化什麼、哪些成本被忽略、以及「足夠好」由誰定義。推薦、風控、客服與代理工作流都需要這些界線；若產品只展示成功率，卻不說明錯誤代價和人工介入條件，使用者無法判斷它是否真的適合工作。 有限理性也要求介面協助人類停止或轉向。系統可以顯示尚未查證的假設、提供比較結果、保留撤回按鈕，並在風險升高時要求第二人覆核。這些設計不是把責任推回使用者，而是讓人能在可見資訊下承擔合理決策。

限制與常見誤讀

有限理性不是說人永遠無法做出好決策，也不是替偏見找藉口。它要求我們把環境、資訊結構、時間壓力與學習機制一起分析。若制度故意隱藏關鍵資料，再把錯誤全部歸咎於個人，就沒有真正理解 Simon 的問題。 同樣地，滿意化不能被當成低品質的代名詞。醫療、航空或密碼系統可能需要更高的安全門檻；探索式研究則可能接受暫時性方案。成熟的工程做法是讓門檻、例外與回顧週期可調整、可審查，而不是把一種決策策略套在所有情境。

官方資料與延伸查證

• Nobel Prize：Herbert A. Simon
• Carnegie Mellon Simon Initiative：Herbert A. Simon
• Carnegie Mellon 數位典藏：Simon 研究資料