讓數學成為探索藝術花園的新視角——《圖解圖樣設計》導讀

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

本文由策展人紀柏豪提供

想享受一場同時兼具科技與藝術的饗宴嗎？來《匯聚：從自然到社會的藝術探索》國際交流展看看吧！

在當代社會中，藝術的角色正持續演進——它創造了一種新的美學，與社會、科學以及技術變革緊密相連。當社會面臨的挑戰因其複雜性而難以僅靠單一學科解決時，藝術研究因其跨越、融合不同知識領域的能力而具有新的意義。今日，許多創作者和機構採用跨學科方法，將藝術與自然、科學與感性、想像力與現實結合，創造嶄新的經驗、知識和美學。

在藝術與科學這兩個看似迥異的領域中，存在著一個共通的追求——深入理解我們所處的世界。這一追求不僅體現了人類對知識渴望的本能，也反映了我們對於更高層次的自我認知和宇宙認識的探索。藝術家透過創作，探索人類經驗的多樣性和情感的複雜性，用畫筆、雕塑、數位媒介來表達對世界的主觀理解。這種理解可能源於個人感受，也可能反映了廣泛的社會和文化現象。

藝術提供了一種通過感知和情感來接觸和理解世界的方式，使我們能夠透過個別經驗來抵達普遍的真理。科學則通過觀察、實驗和分析來探究自然界的法則和現象，尋求對世界的客觀理解。科學方法使我們能夠系統地收集資料、建立理論並驗證假設，從而深化對物理世界的認識。不僅解答了關於自然界的問題，也幫助我們理解了人類自身在這個宇宙中的位置和作用。

儘管藝術和科學在方法和目的上有所不同，但它們都反映了人類對於更加全面和深刻理解世界的共同願望。藝術讓我們透過感受和想像來擴展對世界的認識，而科學則通過理性和證據來揭示秩序和結構。由國科會指導、國家實驗研究院主辦的《匯聚：從自然到社會的藝術探索》國際交流展，邀請觀眾一同探索藝術與科學的交會，體驗它們如何共同塑造我們對世界的認識和感知，並反思這一過程如何豐富我們的文化與知識視野。

展覽單元介紹

宇宙共生 —— 科技與宇宙的多維依存

當你仰望星空，有沒有想過我們與宇宙的關係？「宇宙共生」單元展示了科技如何將人類感性延伸至浩瀚的宇宙空間。麻省理工學院媒體實驗室的太空探索倡議小組（MIT Media Lab Space Exploration Initiative）帶來了在極端環境下的實地太空模擬，研究生存策略和科技應用。與之並置的《與細菌混了三千年》（3000 Years Among Microbes）則從微生物的角度重新審視太空探索中的殖民語言，帶來全新的太空想像。藝術家利用極端地貌與顯微影像並置，模糊人與微生物的分野，探討共生體概念在星際生態系中的應用。

感官賦能 ——透過科技重塑環境感知

「感官賦能」單元探索藝術家如何通過科技媒介重塑我們對環境的感知。兩位智利藝術家妮可·拉希利耶（Nicole L’Huillier）與派翠西亞·多明格斯（Patricia Domínguez）的《全像乳糜》（Leche Holográfica）是一場冥想式祈願，透過與不同元素的共鳴和諧，讓我們得以在螺旋時空中構想未來。

值得一提的是，藝術家妮可·拉希利耶與派翠西亞·多明格斯曾透過智利與歐盟的合作，在歐洲核子研究組織（CERN）進行藝術駐村計畫，並在那裡發展她們的作品。CERN 以其在粒子物理學上的重大科研成果而聞名，但即使是最前沿的科學研究，也需要藝術家的啟發。這樣的跨域合作不僅揭示了科學現象的美麗與複雜，更為科學研究注入了新的靈感和視角。藝術家的創意與想像力，能夠以不同於科學的方法來詮釋數據與實驗結果，從而開拓更廣泛的理解和應用。

拉脫維亞藝術家羅莎‧史密特（Rasa Smite）和萊提斯‧史密茨（Raitis Smits）的《深度感知》（Deep Sensing），通過拉脫維亞伊爾本（Irbene） RT-32電波望遠鏡的歷史敘事，象徵性地橋接了技術的過去與現在，探問「為何擁有地球還不足以滿足人類？」該望遠鏡被前蘇聯遺棄，而藝術家們重返此地，探索這個巨大天線在當代的價值。虛擬點雲天線追蹤從太陽到地球的宇宙粒子流動，創造出沉浸式的視覺和聲音景觀，讓觀眾更易於理解氣候變遷的影響。

羅莎‧史密特和萊提斯‧史密茨是里加RIXC新媒體文化中心的共同創辦人，他們的作品結合科學數據、聲音化和視覺化、人工智慧和擴增實境技術，創造出前瞻性的網絡藝術。他們的作品曾在威尼斯建築雙年展、拉脫維亞國家藝術博物館等地展出，並獲得多項國際獎項。

網絡交織 —— 科技與社會的複雜關係

「網絡交織」單元深入探討科技如何影響我們的社會結構和人際關係。瑪麗莎·莫蘭·賈恩（Marisa Morán Jahn）的《銅色景觀》（Copperscapes）展示了銅在全球化勞動中的角色，揭示了這一自然元素如何影響我們的日常生活。她的作品以銅色眼睛作為見證，表現出礦區社區所承受的「身體負擔」，並在影片《銅的私處史》中探討礦物經濟的複雜性，突顯採礦活動對身體及地球主權的影響。

瑪麗莎·莫蘭·賈恩是具有厄瓜多和中國血統的藝術家，其作品致力於重新分配權力，展示藝術作為社會實踐的可能性。她的作品曾在歐巴馬時期的白宮、威尼斯建築雙年展、古根漢美術館等地展出，並獲得聖丹斯電影節和創意資本等獎項。

李紫彤與孫詠怡的《岔經濟》（Forkonomy）利用區塊鏈技術，重新構想財產與國家之間的連結，探討擁有權背後的政治意義。這個藝術與社會運動計畫，通過工作坊和數位契約，探討如何購買或擁有一毫升的南海，並質疑現有的性別勞動分工和所有權制度。

李紫彤是台灣的藝術家兼策展人，作品結合人類學研究與政治行動，曾在國內外多個知名展覽中展出。孫詠怡是出生於香港的藝術家和程式撰寫者，專注於數位基礎設施的文化意義及廣泛權力的不對等問題，作品曾獲得林茲電子藝術節金尼卡獎等多項國際獎項。

印度藝術家艾蒂·桑德爾（Aarti Sunder）的《深海節點故事》（Nodal Narratives of the Deep Sea）將海底電纜這一隱藏基礎設施帶入視野，探討其與現代化項目、資本主義擴張及殖民主義的關聯。她的作品通過繪畫、物件和影片，展示了數據傳輸的路徑及其對生態系統的影響。

艾蒂·桑德爾的創作涉及影像、寫作與繪畫，專注於探討科技政治和基礎設施相關議題。她的作品曾在柏林藝術學院、新加坡雙年展、世界文化之家等國際場所展出。

科藝匯聚 —— 跨學科的創新邊界

「科藝匯聚」單元彰顯了藝術與科學共同探索未知領域的力量。國家太空中心的《來自遙遠的訊息》管絃樂曲選粹、麻省理工學院前衛視覺研究中心（CAVS）的歷史檔案，以及臺灣共演化研究隊的「邊界測繪學」年度計畫成果，展示了藝術家與科學家跨域合作的豐富成果和未來潛能。

跨域交流與活動

在展覽期間，策展團隊與台灣致力於促進科學家與藝術家合作的「共演化研究隊」規劃了一系列精彩的跨域交流活動，讓大家能近距離與藝術家、科學家們交流，體驗科技與藝術如何共同作用於當代社會。

活動包括圓桌論壇、藝術家講座和放映會，涵蓋了多個有趣且深入的主題。例如，在「宇宙共生」週末，觀眾可以參與討論極地科學與藝術實踐的圓桌論壇，聆聽來自麻省理工學院媒體實驗室「太空探索倡議」的成員分享他們在極端地貌探索的經驗。另一活動是國家太空中心委託製作的管弦樂曲《來自遙遠的訊息》放映會，由作曲家趙菁文進行演前導聆，帶領觀眾進入一場視覺與聽覺的雙重盛宴。

在「網絡交織」週末，藝術家李紫彤與孫詠怡將帶來一場關於區塊鏈技術應用於南海議題的討論，這場圓桌論壇將探討技術如何影響社會結構和資源分配。印度藝術家艾蒂·桑德爾則會在線上分享她對於海洋及網路基礎設施的研究與創作，揭示隱藏在我們日常生活背後的複雜科技網絡。

「感官賦能」週末將邀請拉脫維亞藝術家羅莎‧史密特和萊提斯‧史密茨現場分享他們的作品《深度感知》，並探討電波望遠鏡的技術敘事，展示如何通過藝術手段使抽象的科學數據變得可以感知。這不僅讓觀眾更易於理解氣候變遷的影響，也體現了藝術在科學溝通中的重要角色。他們將分享長期研究「自然廣播」的概念，以及每年舉辦「藝術科學節」的經驗。

在「科藝匯聚」週末，觀眾可以參與科學家與藝術家的提案室，直接感受跨領域合作的火花。這些活動將展示跨學科合作如何激發創新，促進我們對世界更深層次的理解。此外，拍攝麻省理工學院前衛視覺研究中心創始人故事的紀錄片將在台灣首映，導演並將與觀眾進行映後座談，分享創作背後的故事和啟發。

藝術與科學的相互啟發，不僅僅是知識和美學的結合，更是對創新與理解的共同追求。在這個亟需跨學科解決方案的時代，這樣的合作顯得尤為重要，為我們探索未知領域提供了無限可能。這次展覽通過多樣的跨域交流活動，讓觀眾能夠親身體驗並參與其中，進一步體會到藝術與科學融合所帶來的豐富成果和未來潛力。

展覽資訊

• 展覽名稱：《匯聚：從自然到社會的藝術探索 ｜ 國際交流展》
• 日期：2024/5/10 至 2024/8/10
• 時間：週一至週五 09:00-18:00（國定假日休）
• 地點：科技大樓一樓大廳（臺北市大安區和平東路二段106號）
• 指導單位：國家科學及技術委員會
• 主辦單位：國家實驗研究院
• 策展人：紀柏豪
• 執行單位：融聲創意
• 協力單位：共演化研究隊

一、前言

選後的立法院三黨不過半，但民眾黨有八席不分區立委，足以與民進黨或國民黨結成多數聯盟，勢將在國會居於樞紐地位。無獨有偶的是：民眾黨主席柯文哲在總統大選得到 26.5% 的選票，屈居第三，但因其獲得部分藍、綠選民的支持，在選民偏好順序組態的基礎上，它卻也同樣地居於樞紐地位。這個地位，將足以讓柯文哲及民眾黨在選後的台灣政壇持續激盪。

二、柯文哲是「孔多塞贏家」？

這次總統大選，誰能脫穎而出並不是一個特別令人殷盼的問題，更值得關心的問題是藍白綠「三跤㧣」在選民偏好順序組態中的消長。台灣總統大選採多數決選制，多數決選制英文叫 first-past-the-post（FPTP），簡單來講就是票多的贏，票少的輸。在 10 月中藍白合破局之後，賴蕭配會贏已經沒有懸念，但這只是選制定規之下的結果，換了另一個選制，同樣的選情可能就會險象環生。

從另一個角度想：選制是人為的，而選情反映的是社會現實。政治學者都知道天下沒有十全十美的選制；既定的選制推出了一位總統，並不代表選情的張力就會成為過眼雲煙。當三股社會勢力在制度的帷幕後繼續激盪，台灣政治將無法因新總統的誕生而趨於穩定。

如果在「三跤㧣」選舉之下，選情的激盪從候選人的得票多少看不出來，那要從哪裡看？政治學提供的一個方法是把候選人配對 PK，看是否有一位候選人能在所有的 PK 中取勝。這樣的候選人並不一定存在，如果不存在，那代表有 A 與 B 配對 A 勝，B 與 C 配對 B 勝，C 與 A 配對 C 勝的 A＞B＞C＞A 的情形。這種情形，一般叫做「循環多數」（cyclical majorities），是 18 世紀法國學者孔多塞（Nicolas de Condorcet）首先提出。循環多數的存在意涵選舉結果隱藏了政治動盪。

另一方面，如果有一位候選人能在配對 PK 時擊敗所有的其他候選人，這樣的候選人稱作「孔多塞贏家」（Condorcet winner），而在配對 PK 時均被擊敗的候選人則稱作「孔多塞輸家」（Condorcet loser）。三角嘟的選舉若無循環多數，則一定會有孔多塞贏家和孔多塞輸家，然而孔多塞贏家不一定即是多數決選制中贏得選舉的候選人，而多數決選制中贏得選舉的候選人卻可能是孔多塞輸家。

如果多數決選制中贏得選舉的候選人不是孔多塞贏家，那與循環多數一樣，意涵選後政治將不會穩定。

那麼，台灣這次總統大選，有沒有孔多塞贏家？如果有，是多數決選制之下當選的賴清德嗎？我根據戴立安先生調查規劃的《美麗島電子報》追蹤民調第 109 波（1 月 11 日至 12 日），也是選前最後民調的估計，得到的結果令人驚訝：得票墊後的柯文哲很可能是孔多塞贏家，而得票最多的賴清德很可能是孔多塞輸家。果然如此，那白色力量將會持續地激盪台灣政治！

我之前根據美麗島封關前第 101 波估計，侯友宜可能是孔多塞贏家，而賴清德是孔多塞輸家。現在得到不同的結果，顯示了封關期間的三股政治力量的消長。本來藍營期望的棄保不但沒有發生，而且柯文哲選前之夜在凱道浩大的造勢活動，還震驚了藍綠陣營。民調樣本估計出的孔多塞贏家本來就不準確，但短期內的改變，很可能反映了選情的激盪，甚至可能反映了循環多數的存在。

三、如何從民調樣本估計孔多塞贏家

根據這波民調，總樣本 N=1001 位受訪者中，如果當時投票，會支持賴清德的受訪者共 355 人，佔 35.4%；支持侯友宜的受訪者共 247 人，佔 24.7%。支持柯文哲的受訪者共 200 人，佔 19.9%。

美麗島民調續問「最不希望誰當總統，也絕對不會投給他的候選人」，在會投票給三組候選人的 802 位支持者中，一共有 572 位對這個問題給予了明確的回答。《美麗島電子報》在其網站提供了交叉表如圖：

根據這個交叉表，我們可以估計每一位明確回答了續問的受訪者對三組候選人的偏好順序，然後再依這 572 人的偏好順序組態來判定在兩兩 PK 的情形下，候選人之間的輸贏如何。我得到的結果是：

• 柯文哲 PK 賴清德：311 > 261（54.4% v. 45.6%）
• 柯文哲 PK 侯友宜：287 > 285（50.2% v. 49.8%）
• 侯友宜 PK 賴清德：293 > 279（51.2% v. 48.8%）

所以柯文哲是孔多塞贏家，賴清德是孔多塞輸家。當然我們如果考慮抽樣誤差（4.1%），除了柯文哲勝出賴清德具有統計顯著性之外，其他兩組配對可說難分難解。但在這 N=572 的小樣本中，三位候選人的得票率分別是：賴清德 40%，侯友宜 33%，柯文哲 27%，與選舉實際結果幾乎一模一樣。至少在這個反映了選舉結果的樣本中，柯文哲是孔多塞贏家。依多數決選制，孔多塞輸家賴清德當選。

不過以上的分析有一個問題：各陣營的支持者中，有不少人無法明確回答「最不希望看到誰當總統，也絕對不會投給他做總統」的候選人。最嚴重的是賴清德的支持者，其「無反應率」（nonresponse rate）高達 34.5%。相對而言，侯友宜、柯文哲的支持者則分別只有 24.1%、23.8% 無法明確回答。為什麼賴的支持者有較多人無法指認最討厭的候選人？一個假設是因為藍、白性質相近，對許多綠營選民而言，其候選人的討厭程度可能難分軒輊。反過來說，藍、白陣營的選民大多數會最討厭綠營候選人，因此指認較無困難。無論如何，把無法明確回答偏好順序的受訪者歸為「遺失值」（missing value）而棄置不用總不是很恰當的做法，在這裡尤其可能會造成賴清德支持者數目的低估。

補救的辦法之一是在「無法明確回答等於無法區別」的假設下，把「遺失值」平分給投票對象之外的其他兩位候選人，也就是假設他們各有 1/2 的機會是無反應受訪者最討厭的候選人。這樣處理的結果，得到

• 柯文哲 PK 賴清德：389 > 413（48.5% v. 51.5%）
• 柯文哲 PK 侯友宜：396 > 406（49.4% v. 50.6%）
• 侯友宜 PK 賴清德：376 > 426（46.9% v. 53.1%）

此時賴清德是孔多塞贏家，而柯文哲是孔多塞輸家。在這 N=802 的樣本中，三位候選人的得票率分別是：賴清德 44%，侯友宜 31%，柯文哲 25%。雖然依多數決選制，孔多塞贏家賴清德當選，但賴的得票率超過實際選舉結果（40%）。用無實證的假設來填補遺失值，反而造成賴清德支持者數目的高估。

如果擔心「無法明確回答等於無法區別」的假設太勉強，補救的辦法之二是把「遺失值」依有反應受訪者選擇最討厭對象的同樣比例，分給投票對象之外的其他兩位候選人。這樣處理的結果，得到

• 柯文哲 PK 賴清德：409 > 393（51.0% v. 49.0%）
• 柯文哲 PK 侯友宜：407 > 395（50.8% v. 49.2%）
• 侯友宜 PK 賴清德：417 > 385（52.0% v. 48.0%）

此時柯文哲又是孔多塞贏家，而賴清德又是孔多塞輸家了。這個樣本也是 N=802，三位候選人的得票率分別是：賴清德 44%，侯友宜 31%，柯文哲 25%，與上面的結果一樣。

以上三種無反應處理方法都不盡完美。第一種把無反應直接當遺失值丟棄，看似最不可取。然而縮小的樣本裡，三位候選人的支持度與實際選舉結果幾乎完全一致。後兩種以不同的假設補足了遺失值，但卻過度膨脹了賴清德的支持度。如果以樣本中候選人支持度與實際結果的比較來判斷遺失值處理方法的效度，我們不能排斥第一種方法及其結果。

無論如何，在缺乏完全資訊的情況下，我們發現的確有可能多數決輸家柯文哲是孔多塞贏家，而多數決贏家賴清德是孔多塞輸家。因為配對 PK 結果缺乏統計顯著性，我們甚至不能排除循環多數的存在。此後四年，多數決選制產生的總統能否在三角嘟力量的激盪下有效維持政治穩定，值得我們持續觀察。

四、結語

柯文哲之所以可以是孔多塞贏家，是因為藍綠選民傾向於最不希望對方的候選人當總統。而白營的中間偏藍位置，讓柯文哲與賴清德 PK 時，能夠得到大多數藍營選民的奧援而勝出。同樣的，當他與侯友宜 PK 時，他也能夠得到一部份綠營選民的奧援。只要他的支持者足夠，他也能夠勝出。反過來看，當賴清德與侯友宜 PK 時，除非他的基本盤夠大，否則從白營得到的奧援不一定足夠讓他勝出。民調 N=572 的樣本中，賴清德得 40%，侯友宜得 33%，柯文哲得 27%。由於柯的支持者討厭賴清德（52.5%）遠遠超過討厭侯友宜（23.7%），賴雖然基本盤較大，能夠從白營得到的奧援卻不多。而侯雖基本盤較小，卻有足夠的奧援。柯文哲之所以成為孔多塞贏家，賴清德之所以成為孔多塞輸家，都是這些因素的數學結果。

資料來源

• 《美麗島電子報》追蹤民調第109波（1月11日至12日）