預測大選結果與股票價格的網路工具

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

我們發現在足球賽中，只要知道一個簡單的訊息（主隊過去的獲勝機率超過一半），預測力就會明顯好過隨便亂猜。如果再加上第二個簡單的訊息（勝負紀錄較佳的隊伍會略占優勢），可以再進一步提升預測力。除此之外，你可能還想收集其他訊息，像是四分衛最近的表現、球隊有沒有傷兵、明星跑衛的花邊新聞，但這些資訊對預測的幫助不大。換句話說，預測複雜系統這件事依循著「收益遞減定律」：第一個訊息很有幫助，但很快就找不到有幫助的其他訊息。

對於某些事件，我們當然會非常計較預測的準確性，像是投放線上廣告或投資高頻交易（HFT），可能一天內就要預測數百萬、數十億次，而且金額相當龐大。投入極大心力與費用、運用最精細的運算模型來開發複雜的預測方式，在那種情況下或許值得。但在其他商業領域，例如製作電影、出版書籍到發展新技術，只需要一年預測數十次、頂多數百次，而且這不過是整個決策過程中的一部分。這時，我們只要借助相對簡單的方式，就可以讓預測臻至完善。

預測時，不該只根據一人的意見就做決定——尤其是你自己的意見。雖然人們善於察覺與特定問題相關的因素，卻往往不會評估因素之間的相對重要性。譬如，預測電影的首映週末票房時，你可能會認為一些變項都是高度相關，例如製作費、宣傳費、上映廳數、試映會評價。沒錯。但我們要如何權衡「評價不優」與「額外行銷預算：一千萬美元」之間的比重？這沒有一定答案。同樣，在決定分配行銷預算的方法時，要如何判斷多少人會受到網路或雜誌廣告影響，又有多少人會從親朋好友那邊聽到產品訊息？我們也不清楚。唯一知道的是，這些因素都可能相關。

你可能會以為，精準判斷應該是專家的強項。但正如泰特洛克的試驗結果，專家在量化預測上的表現，其實跟普通人一樣糟糕，甚至可能更糟。然而，我們依賴專家之所以會成效不彰，不是因為專家的預測力跟一般人沒兩樣。問題在於，我們通常一次只會諮詢一位專家（否則何必找專家）。但我們應該要綜合多人的意見（無論是專家或非專家）再取平均值。至於要如何達成？這其實沒那麼重要。

儘管預測市場有各種花俏的噱頭與技術，表現也比民調這類簡單方式好一點，但這種微小差異，還不如採用某種方式簡單綜合許多觀點再取平均。或者，我們也可以直接根據歷史數據，評估各項因素的相對重要性——這實際上就是統計模型在做的事。我必須再強調一次，雖然複雜模型可能會比簡單模型好一點，但兩者的差異小到幾乎沒有差別。到頭來，模型跟群眾所能達到的預測目的都一樣。第一，這兩種預測方式都要靠人為判斷，確認哪些因素與預測相關。第二，兩者皆需要估計、權衡那些因素的相對重要性。正如心理學家羅賓．道斯所言：「訣竅在於，找到要注意的變項，然後知道如何加入它們。」

只要一直使用這個訣竅，一段時間後，就會知道哪一些預測的失誤率較小，哪一些較大。舉例來說，當你要預測一個事件的結果，假如其他條件都相同，那越早做預測的失誤率就越大。不管你用什麼方法預測電影票房，在「剛開拍」時會比「上映前幾週」時要難得多。同樣，如果你想預測尚未上市的新產品銷量，那準確度可能不會高過預測已上市的產品。

你無法解決這個問題，唯一能做的只有：使用其中一種方式，或甚至結合幾種方式，就像我們研究預測市場時的方法，然後隨時觀察、記錄預測的表現。我在第 6 章開頭也提過，一般人通常不習慣追蹤自己的預測。我們做了大量預測，卻很少回頭檢視自己對了幾次。然而，留意並記錄預測成效或許才是最重要的事，唯有如此，你才能知道準確度是多少，進而知道自己預測的可信度。

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。

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）