3

11
4

文字

分享

3
11
4

從數學、邏輯到審美,演算法的極限是何處?——《再.創世》專題

再・創世 Cybernetic_96
・2021/09/27 ・5256字 ・閱讀時間約 10 分鐘

  • 作者/魏澤人|陽明交通大學 智慧計算與科技研究所

在一般印象中,”美” 是與藝術、哲學、文學、音樂這些人文領域相連的。受到教育制度的影響,理工與人文,在普遍認知中是二元對立的。而數學,是理工科目中最硬核的部分。物理、化學實驗中,各種顏色的液體、晃動的單擺或本生燈的火焰,也許還隱隱約約帶有一絲美的影子,但冷冰冰的數學公式,在許多人的求學經驗中,與美根本就是互斥的概念。

但是,懂數學的人都知道,數學是美的。甚至可以說,美是數學中不可或缺的部分。

圖/Pexels

著名的英國數學家哈代(Godfrey Harold Hardy)說:”數學家的創造形式,與畫家及詩人一樣,必須是美的: 將概念(就像顏色及詞語)以和諧的方式組合起來。美是最重要的條件,醜陋無法長存於數學之中。”。哈代的著作 “一個數學家的辯白”(A Mathematician’s Apology),在數學圈外有一定的名氣,前面的那段話也出自本書。但讓他”出圈”的主要原因,是他發掘了傳奇數學天才拉馬努金(Srinivasa Ramanujan)。這個故事在 2015 年被拍成了電影 “天才無限家” The Man Who Knew Infinity)。

這也不是哈代獨創之見解,法國最偉大的數學家之一龐加萊(Henri Poincare)說:”研究自然不是因為有用,而是因為喜悅。而喜悅是因為美。”。其他比方像是羅素(Bertrand Russell)、艾狄胥(Paul Erdos)也留下不少關於數學與美的金句。

-----廣告,請繼續往下閱讀-----

數學的美,不只是許多偉大的數學家的共同體驗。絕大多數的數學愛好者、數學工作者都有相同的體驗,只是比較不容易留下知名金句。Danica McKellar 也許不是能和羅素、龐加萊、艾狄胥比肩齊名的數學家,但她說過一句很有意思的話: “數學是唯一一個真與美是同義詞的世界”。

McKellar 是一位有知名度的美國演員,她曾演出過白宮風雲(The West Wing),也曾在 NCIS、宅男行不行(The Big Bang Theory)及追愛總動員(How I Met Your Mother)中客串。但真正讓她出名的,是 80 末、90 初的影集兩小無猜(The Wonder Years),故事主軸是主角凱文回憶少年成長的過程,而 McKellar 飾演主角的鄰居溫妮,兩人發展出分分合合的戀愛關係。用現代的話來講, McKellar 可以說是當時少年界的國民女友。另外 2010 開始,她也在動畫影集少年正義聯盟中為火星小姐配音。

Danica McKellar ,攝於2018。圖/WIKIPEDIA

演員什麼會與數學扯上關係呢?其實她大學就是學數學的,而且學得很好,在 1998 年以最傑出的成績取得加州大學洛杉磯分校的數學學士學位。不只如此,大學時期與教授 Chayes 及同學 Winn 發表了一篇統計力學的論文,其中的主要結果被稱為 Chayes-McKellar-Winn theorem. 在 2008 年,她出了一本針對中學女孩的數學書 “Math Doesn’t Suck: How to Survive Middle School Math without Losing Your Mind or Breaking a Nail.” ,頗受好評也很暢銷,之後也接續出版了許多書。她表示,她想讓女孩們覺得數學是「可親、有意義、甚至有點迷人」,用來對抗這個社會傳達「女孩不適合數學」的這類負面訊息。除此之外,她也參與影集 Project Mc2 的演出。 這部影節的目標是向全球的青少女們證明,科學、科技、STEAM(Science, Technology, Engineering, Arts, Mathematics)是有趣且平易近人的。

回到前面那句”數學是唯一一個真與美是同義詞的世界”。追求美是人之天性,但很多情境下,美或者美化這些詞,常常帶了一點隱藏真實的意味。像是修圖軟體、美顏相機、化妝(與素顏對比)、醫美、Autotune。當然明顯太假也不符合多數人的審美觀,真正美之極致,往往也需要展現事物的本質與真實特色。但現實是資源有限,平庸普通還是多數,不然,也不會有”這裡的風景美得像幅畫”一樣的形容詞方式了。一般日常中,美的實際執行過程還是得靠挑選和遮掩。「真」與「美」是需要取捨的。這也就是這句話耐人尋味的地方了,因為這句話如果成立,那在數學,也許就提供了現實世界中「真」與「美」之間內在衝突的解法了。

-----廣告,請繼續往下閱讀-----

但問題是,數學家們感受到的美感是否真的是美?定理與證明真的可以用美或不美來形容呢?還是只是數學家們普遍缺乏人文薰陶產生的代償性錯覺呢?

2019 年時,英國巴斯大學管理學院的 Samuel G.B. Johnson 及美國耶魯大學數學系的 Stefan Steinerberger 發表了一篇論文 “Intuitions about mathematical beauty: A case study in the aesthetic experience of ideas”,其中的研究證據,支持一般人可能也跟數學家一樣,能感受到數學論證的美感。在其研究中發現,人們對數學的「美感」,就跟對古典鋼琴樂曲及風景畫產生的美感相似,有其內在的一致性。另外也發現這種數學美感的評判,跟與音樂、畫作美感一樣,和優雅性、深度、清楚性有關。

就像十九世紀英國數學家 James Joseph Sylvester 說的:「數學就是論證的音樂」。愛因斯坦也說:「純數學是一首以其自有方式將邏輯概念寫成的詩」。這句話出自他寫給 Emmy Noether 的訃聞。 Noether 是有名的德國數學家,對抽象代數有極大的貢獻,巧妙的利用升鏈條件來研究代數性質,此後符合這個條件的數學物件我們都會冠以 Noetherian 來稱呼,以紀念 Noether 的貢獻。此外,她的 Noether Theorem 也被稱之為影響物理學最重要的定理之一。

Noether 與兄弟們的合照。圖/WIKIPEDIA

除了主觀上對於美的感受外,數學與藝術之間,也有很多直接的關聯性。以音樂來說,音律就與數學上的對數(也就是大家所認識的 \(\log\))有關。人類發展音律有很長的歷史,因為這不是一個簡單的問題。我們現在知道,和弦時,不同音階的頻率要接近簡單的有理數倍聲音才會悅耳。傳說畢達哥拉斯經過一家鐵店,聽到鐵鎚打鐵的聲音,覺得很悅耳,他走入店裡,發現四個鐵鎚的重量比為 12:9:8:6,其中 9 是 6 與 12 的算術平均,8 是 6 與 12的調和平均, 9, 8 與 6, 12 的幾何平均相等這些巧妙的關係。這些鐵鎚之間的聲音配合起來非常悅耳。他進一步用弦樂器實驗驗證,得到的結論是,弦長為一些簡單有理數比的時候,會得到和諧的聲音。而後來更進一步改進而成的十二平均律,也反映出中國及歐洲在計算 \(\sqrt[12]{\frac{1}{2}}\) 的歷史進展。這背後還有更深刻的問題,因為很容易可以發現,\(\sqrt[12]{\frac{1}{2}}\) 並不是個有理數。對音樂或數學有興趣的朋友,可以繼續深入了解一下背後的學問。

-----廣告,請繼續往下閱讀-----

另一個大家也觀察到的現象是,數學能力和藝術能力之間似乎有一些相關性,特別是音樂能力。常被拿來說的是愛因斯坦喜愛音樂且從小學習小提琴。可能你認識的人中,應該也有許多同時精通數理及音樂的人。過去一些研究也發現發現了數理能力及音樂能力中的相關性。但是,這個相關性會不會與能力本身無關呢?比方顯而易見,學科能力與學習音樂的條件,都與家庭背景與社經地位有關。

音樂教育學者 Martin J. Bergee 原本也是這樣認為的。他覺得只要能控制相關的根本性變因,如種族、收入、教育背景,就能夠破除音樂與數學能力相關性的迷思。於是他就設計並展開了研究。結果讓他非常震驚,兩者的關聯性不但沒有消失,而且還非常強。在 2021 年他的研究團隊發表了一篇名為 “Multilevel Models of the Relationship Between Music Achievement and Reading and Math Achievement” 的論文。他們調查了不同學區背景的一千多位中學生,在盡可能排除其他因素的干擾下,他們不得不承認音樂及數學能力之間的有統計上顯著的關聯。

音樂與數學能力被證實有很高的相關性。圖/Pixabay

他表示很抱歉實驗設計得非常複雜,”因為排除所有的相關影響並不容易,可能從個人、教室、學校、學區等等不同層級來產生影響。”。雖然他原本是支持相反的結論,但這個結果讓他思考了很多,”微觀技術來說,可能在音樂中的音準、音程、節拍,可能語言認知的基礎相關,而巨觀技術上的調式與調性,可能在心理學或神經學上與數學認知有關。”

除此之外,還有非常多的例證。比方 2015 年神經科學家 Semir Zeki 及艾提亞爵士(Michael Atiyah 當代最偉大數學家之一,費爾茲獎得主)發表的論文指出,經由 fMRI 掃描 15 名數學家的腦部,發現數學家在評斷數學式子美感時,動用到眼額皮質外側的 A1 區域,與察覺其他來源美感所動用到的區域一樣。而前面比較沒有提到數學與視覺藝術的關聯,因為這部分更為大家所熟知。像是從古希臘幾何就知道的黃金分割比,繪畫中的用到的透視原理、對稱性。可以說,美與數學並不是感性與理性的對立,而是互相包含。就像浪漫派詩人約翰濟慈所說:”美即是真,真即是美。這就是你在世上所知道和需要知道的一切”,而數學以及其背後的邏輯,就是人類對於”真”的具像。

-----廣告,請繼續往下閱讀-----
評斷數學式子美感或觀察其他美感事物時,數學家大腦活耀的區域相同。圖/Pexels

可以說在知識份子階層中,數學即美是個主流觀點。當然主流不一定代表唯一或正確,像前述 Bergee 也試圖證明相關的主流看法是個迷思。但一旦理解了這種切入點,人工智慧是否能創造藝術作品這個問題,至少在心理層面就不是太大問題了。人工智慧遵照一些演算法運作,可以說就是數學及邏輯的程式碼實作。以近幾年最主流的深度學習神經網路來說,就是許多線性映射與激活函數的合成函數,藉由梯度下降法,收斂到的穩定數學解。既然數學即美,那由數學建構的人工智慧,能產生美的事物,也不是太不能接受的事。

生成模型也是近幾年深度學習熱門的領域之一。常見的生成任務就是藉由觀察抽樣的樣本,設法模仿出一樣的機率分佈。白話一點來講,就是給電腦看一些李白的詩,希望電腦能創造出新的李白風格的詩。給電腦聽一些貝多芬的音樂,希望電腦能創造出新的貝多芬音樂。現在的深度學習技術,已經能讓人工智慧能藉由學習,”創造”出視覺、音訊及語言的”作品”。

Inception 網路是一個有名的深度學習模型,其名稱取自於同名的電影(全面啟動),當時主要是在圖片辨識任務上,取得很好的成果。2015 年時, Google 工程師 Alexander Mordvintsev 巧妙的利用事先訓練好 Inception 模型,讓他將圖片變成夢一般的迷幻風格。他把這種方法取名叫 DeepDream。不久後,Leon Gatys 等人用類似的方法,設計一套演算法,能將畫家的畫風轉移到照片上,典型的例子是將風景、建築照片,轉成梵谷的星空風格。後面有很多後續的研究,一般稱為 Neural Style Transfer. 2016 年 Google 利用 AI 生出的畫作,拍賣得到進十萬美元。而其實早在 2014 年時, Ian Goodfellow 等人就提出了生成對抗網路(Generative Adversarial Network),是一個更廣泛而通用的生成模型。這個模型後續開啟了極大量的相關研究,現在的深度學習模型,在一些領域中,已經能生出非常高品質的成品。比方 Nvidia 研究的 StyleGAN 系列模型,能生出幾可亂真的人臉。現在,在手機上,能使用 APP,將你的照片轉成迪士尼的畫風。

讓生成模型想像生氣的亞洲人老醫生(自行 CLIP, StyleGAN2 生成)

2021 年時, OpenAI 釋出了 CLIP 模型,這是一個能整合圖片視覺及文字語意的模型。很多人嘗試利用 CLIP 和文字控制,來產生獨特和有創意的畫作。舉例來說,如果你畫了一張畫,或者拿到一張照片,你可以利用文字”更有喜感一點,更有亞洲風味一點”,來修改這張圖片讓人感受到”喜感”和”亞洲風”。在眾多嘗試中,大家試出了許多像”咒語”般的技巧,比方有個著名的 “unreal engine trick”,就是當你在控制產生圖片的句子中,加入 “unreal engine” 這個詞(unreal engine 是一個遊戲引擎),常常會讓產生品質更高的圖片。 乍看之下有點不明所以,但仔細一想,因為網路上會特別標明 unreal engine 的圖片,往往是強調其遊戲高畫質,久而久之, CLIP 看到這個詞,很自然就與高品質的含意產生連結。除了圖片外,人工智慧也能產生其他具有美的形式的作品,特別是文字作品。Open AI 開發的 GPT-3,已經能在用戶給出簡單的指示後,產生非常複雜的文字作品,除了詩、笑話、故事外,甚至連食譜、程式碼都可以。

-----廣告,請繼續往下閱讀-----
讓生成模型想像亞洲的小甜甜布蘭妮(自行 CLIP, StyleGAN2 生成)

但這些,真的算是人工智慧的創作嗎?

在 2018 年時,由生成對抗網路生成的畫作 Edmond de Belamy,以美金 432,500 元賣出。這幅畫是誰創作的?這幅畫是由巴黎藝術集體 Obvious 生成的。而名稱 Belamy 的法語意思為”好朋友”,以致敬提出生成對抗網路的學者 Ian Goodfellow。而圖片右下角的簽名則是

\(\min_{\mathcal {G}}\max_{\mathcal {D}}E_{x}\left[\log({\mathcal {D}}(x))\right]+E_{z}\left[\log(1-{\mathcal {D}}({\mathcal {G}}(z)))\right]\) 這個數學式子,這個式子是生成對抗網路使用的目標函數,也就是引導模型訓練的數學式。而讓問題更複雜的是,生成這幅圖片的程式碼,是由與 Obvious 毫無關係的另外一位 AI 藝術家 Robbie Barrat 所寫的。甚至有人(如 AICAN)認為這個連創作都算不上。

人工智慧的創作《 Edmond de Belamy 》。圖/WIKIPEDIA

所以,這幅畫到底是誰的創作?物理學家海森堡曾說,即使在沒有足夠證據的支持下,”當自然引導我們得到極簡與美的數學式時”,”我們會不由自主的感受到,這就是自然真相被揭露的一角”。也許,真正創作者不是人工智慧,也不是人類,我們只是自然的一部分,有幸釋放了,並且有幸感受到了自然散發出的美之一角。

-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 3
再・創世 Cybernetic_96
11 篇文章 ・ 29 位粉絲
由策展人沈伯丞籌畫之藝術計畫《再・創世 Cybernetic》,嘗試從演化控制學的理論基礎上,探討仿生學、人工智慧、嵌合體與賽伯格以及環境控制學等新知識技術所構成的未來生命圖像。

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

2
0

文字

分享

0
2
0
藝術與科學的詩性相遇:《匯聚:從自然到社會的藝術探索》國際交流展
PanSci_96
・2024/06/04 ・3873字 ・閱讀時間約 8 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

「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

討論功能關閉中。

0

0
0

文字

分享

0
0
0
民眾黨是未來台灣政治的樞紐?
林澤民_96
・2024/01/30 ・3382字 ・閱讀時間約 7 分鐘

-----廣告,請繼續往下閱讀-----

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。

圖/作者自製

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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

-----廣告,請繼續往下閱讀-----
  • 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。

-----廣告,請繼續往下閱讀-----

資料來源

討論功能關閉中。

林澤民_96
37 篇文章 ・ 243 位粉絲
台大電機系畢業,美國明尼蘇達大學政治學博士, 現任教於美國德州大學奧斯汀校區政府系。 林教授每年均參與中央研究院政治學研究所及政大選研中心 「政治學計量方法研習營」(Institute for Political Methodology)的教學工作, 並每兩年5-6月在台大政治系開授「理性行為分析專論」密集課程。 林教授的中文部落格多為文學、藝術、政治、社會、及文化評論。