0

0
0

文字

分享

0
0
0

單車與我

活躍星系核_96
・2011/08/16 ・3128字 ・閱讀時間約 6 分鐘 ・SR值 515 ・六年級

-----廣告,請繼續往下閱讀-----

文/黃敏晃 台大數學系退休教授
攝影/陳淳廉、任明芬

1. 對稱不對稱

有些朋友知道筆者左腳踝受過傷,行動不便。即使拄著拐杖,還是不利遠行(走路超過半小時,腳踝就會痛)。故在台大校區附近,我總是騎著單車活動。估計每天在單車上的時間,約有兩小時之久,這當然包含我刻意騎單車運動的時間。其實,台大校園裡各條主要道路騎一趟,就要花45分鐘以上,更不用說許多偏僻小徑尚可一遊。

長期練習,使我騎車技巧精熟。有次在台大校園裡,來個轉彎急煞車,停在老友黃榮村教授(台大心理系,曾任教育部長,現任中國醫藥大學校長)面前跟他打招呼。第二天到國科會開會,他見到我拄著拐杖蹣跚走路的模樣,根本不相信,直呼我騙人,乘公車、搭捷運時騙年輕人讓座。事實上,騎單車動到的是膝蓋,腳踝完全不受影響。我左腳踝的傷勢,還是有妨害到我騎單車,特別是上、下車的時候。因為一般人騎車的習慣,都是用左腳做為上、下車的支點(單車的設計是左、右不對稱的),而我的左腳踝常支撐不住我的體重(很不幸的,超過80公斤,且有越來越胖的趨勢)。於是我只好調整上、下車的方式。

我下單車的方式如下:在單車輪子停止滾動後,右腳著地,左腳跨過車頂,在單車右邊立定後,把單車牽到可以倚靠的地方如牆邊、樹幹旁等,手放開車把手小心走到車左邊去停車(單車的停車支架設在車左邊)。上車時則先用握住車把手的雙手,支撐部分的體重,把右腳跨到車右邊地面(我的單車屬舊式的淑女車,座墊前方沒有直槓向前連結單車把手軸),右腳用力把屁股撐上座墊,左腳踩踏板使車前進。

-----廣告,請繼續往下閱讀-----

我想過,人是左、右對稱的,習慣使用左手右手,或左腳右腳,應是人進入社會後受到部分影響而形成的(當然有人是天生慣用左手的)。若加以訓練,我未嘗不可以模仿從左邊滑行上車的方式,從右邊上車。於是,我在腦中運用想像力,形成我從右邊上車的腦圖(mental map,是連續動作的動畫)。然後,人到單車右邊,右腳去踩踏板(想用左腳蹬地使車滑行),但在地上的左腳踝立刻感受到體重的壓力,使我無法站立而摔倒在地。這次並沒受傷(小小的皮膚擦傷不算),但沒第二次的嘗試。

這次失敗並未推翻我認為人體結構(一般而言)是左、右對稱的信念。我記得小時候為了學騎單車,摔過N次後終於成功。故我只要肯再接再勵,是會成功的。但據說,老人多有骨質疏鬆的症候,怕摔,故想了又想,沒敢繼續練下去。這恐怕是老人最大的毛病,想的太多,做的又太少。

2. 鄰域的概念

數學裡有門學問,叫做點集拓撲(Ponit Set Topology)。高等微積分裡會講一些入門,在大學數學系的三、四年級也常開一門專課(3學分)。它的主旨在定義一個更寬廣的理論架構,使我們可以將連續(continuity,以及之後的微分…,故研究所可以開differential Topology的課)這個概念延伸到歐幾里得空間Rn(這是數學裡習慣用來表示n維歐氏空間的符號)之外的空間去。這門課中有個概念叫做鄰域(neighborhood─函數連續的初淺意思就是,其值在任何的鄰域中變動不會太大),我騎單車時常體驗到鄰域在日常生活的意義。我的鄰域就是居家附近,常去的場所,輕易方便就可到達的地方,我喜歡拜訪的區域。這樣的鄰域會隨著你所使用的行動方式而改變。比如說內人,她是步行的,故她的鄰域就是台大校園(我們住的宿舍在台大校園的邊陲地帶),和周圍二、三條街以內的區域。我的交通工具是單車,鄰域就擴充到二二八紀念公園旁的台大醫院(看病),市北師(上課)和植物園(建中),以及在市民大道東端盡頭的漢聲出版社(開會),單程約為半小時。

在台大校園內、外騎單車的最大差異是,校外我常騎到人行道上,避免跟汽、機車爭道,以策安全。最近聽說,台北市有要通令「禁止單車騎上人行道」的意圖。若然,我是寧願挨罰,也要騎上人行道的。我撞行人,他最多輕傷;我被汽、機車撞到,起碼重傷收場。

-----廣告,請繼續往下閱讀-----

目前,全世界都公認騎單車是最符合節能減碳的環保交通方式,歐洲大多數的都市,為了鼓勵騎單車上、下班,做了許多方便單車族的措施。台北市不但不積極籌謀這方面的方案,反過來要通過對單車族不友善的法令,是會被選民認為行政不力(跟不上時代潮流)的。在沒有單車專用道的狀況下,把道路分成汽車道和人行道,機車和單車需要被定位,屬於哪類?若認為自然的人體之外的道具,就不屬於人行道,則拄枴杖,坐輪椅者該到汽車道去,絕對不合理。另一種方式是用速度分類(不等級的速度容易產生車禍),則可先參考下列事實:

1. 人的步行速度約每小時3~5公里。
2. 單車的速度約每小時12~20公里。
3. 機車的速度約每小時40~60公里。
4. 汽車的速度約每小時50公里以上。

顯然,機車和汽車的速度是相當的,故它們使用相同車道是合理的。單車的速度是人步行的3到5倍,而汽、機車的速度又是單車的3到5倍,所以單車的歸屬是較尷尬的。故歐洲人特別設立單車道,有其道理。若無單車專用道,又該如何?通常我騎單車上人行道時,都故意放慢速度(時速低於10公里),因此不易發生撞人事件。也許這就是一種解法,騎上人行道的單車,速度不准超過時速10公里。

3. 一般狀況

在校園內騎單車,因汽車速度慢(限速30公里每小時),又禁止機車入校(只有校警的機車可在校園內行駛),故我覺得應該用最高的標準(道德?)要求自己,即不騎上人行道。身為學校的老師,行為最好不要有任何瑕疵,讓人非議。但如此的結果是常產生「三點共線」危機如下,如圖1所示:

-----廣告,請繼續往下閱讀-----

若兩部汽車相閃而過的剎那,你騎著單車剛好在邊上,即兩部汽車和你的單車形成一直線,而且此直線恰巧垂直於道路的邊線(保證空間最擁擠)。這種場景若發生在寬濶的椰林大道,一點問題都沒有。偏偏台大有許多路,比一般的兩線道還窄,兩部汽車相閃都要很小心(減速),你還要騎單車跟他們擠在一起。每次,我都恨不得是騎在人行道上。幾次經驗後,我的解法是不讓這種事件發生,即我察覺到它有可能發生時,會故意騎快或騎慢,避免「三點共線」的現象。

「三點共線」和「三線共點」是國中幾何教材裡必見的教材。這些教材的要點是,當此特殊狀況(或很強烈的條件)發生時,表示相關的幾何物件之間的相對位置關係,形成緊密結合的結構體(比如說,三角形是最堅固的幾何形,故其三條內角平分線會交於一點,叫做內心,以及外心、重心、垂心等都是三線共點的特例(見圖2))。

問題在於交通事務中,產生關係的物件一定包含人和車輛在內,這樣的物件要互相間,或和其他硬體如橋樑、圍欄之類的物件產生緊密的相互位置關係時,大概就有點危險了。故道路的設計當然避免三條道路交於一點的狀況(以前喜歡用圓環處理,但效果不佳,現多廢除),而希望它們在一般的狀況下。

所謂的一般狀況(position in general),就是這些幾何物件可以合力產生最大的維數,如在一般狀況的三點可決定一個維數平面,及四點可決定一個三維空間;或最大的分割數目,如在一般狀況的共平面三條直線可將它們所在平面切割成七塊,如下面圖3a圖所示,三線共點或有平行現象發生時,平面被切割出來的數目,都會比七小。

-----廣告,請繼續往下閱讀-----

下面有如下兩道題目給讀者作進一步探索:
(1) 在同一平面上的n條直線可把這個平面切割出的最多塊數( 如一條兩塊, 兩條四塊,三條七塊)是多少?

(2) 將上題延伸到三維,n個平面可把空間切割出最多部分是多少?

最後,出個題目讓讀者想想,或做實驗來探索。筆者有次騎單車,輾過一攤油漆,騎了一段路後回頭看,只見車輪留下的痕跡,好像有些規律(見圖4)。這個規律是如何的?它跟車輪的大小(如前輪小於後輪或是前後輪一樣大)有關嗎?它與兩輪之間的距離有關嗎?

本文原刊登於《科學研習月刊》No.50-5

-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
752 篇文章 ・ 126 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

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

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。

0

2
2

文字

分享

0
2
2
數學無聊是誰的錯?數學家其實很幽默?——《數盲、詐騙與偽科學》
大牌出版.出版大牌_96
・2024/01/08 ・2441字 ・閱讀時間約 5 分鐘

雖然很少有學生小學畢業後還不懂乘法表,但有很多人確實不會算,如果一個人開車的速度是每小時 56 公里,開了 4 小時之後,他就開了 224 公里。要是每公克花生賣 40 美分,而 1 袋花生賣 2.2 美元,那麼,這袋花生裡就有 5.5 公克花生。假如全世界人口中有 1/4 是中國人,其餘的 1/5 是印度人,那麼,印度人在全世界的人口中就占了 3/20,或說是 15%。當然,要理解這些問題,並不像學會算 35×4=140、(2.2)/(0.4)=5.5、1/5×(1–1/4)=3/20=0.15=15% 這麼簡單。對很多小學生來說,這不是自然而然就會的東西,要靠做很多很實用、或是純屬想像的問題,才能進一步學會。

至於估計,學校裡除了教一些四捨五入之外,通常也沒有別的了。四捨五入和合理的估計與真實人生大有關係,但課堂上很少串起這樣的連結。學校不會帶著小學生估計學校砌一面牆要用掉多少塊磚、班上跑最快的人速度多快、班上同學爸爸是禿頭的比例多高、一個人的頭圍與身高之比是多少、要堆出一座高度和帝國大廈等高的塔需要幾枚 5 美分硬幣,還有他們的教室能否容納這些 5 美分硬幣。

幾乎也沒人教歸納推理,也不會用猜測相關性質和規則的角度,來研究數學現象。在小學數學課裡談到非形式邏輯(informal logic)的機率,就跟講到冰島傳說一樣高。當然,也不會有人提到難題、遊戲和謎語。我相信,這是因為很多時候,聰明的 10 歲小孩輕輕鬆鬆就能打敗老師。

數學科普作家葛登能最不遺餘力探索數學和這些遊戲之間的密切關係。他寫了很多極有吸引力的書,也在《科學美國人》撰寫專欄,而這些都是會讓高中生或大學生感到很刺激的課外讀物(前提是有人指定他們去讀的話)。此外,數學家喬治.波利亞(George Polya)的《怎樣解題》(How to Solve It)和《數學與合情判讀》(Mathematics and Plausible Reasoning),或許也屬於這一類。有一本帶有這些人的文風、但屬於較初階的有趣好書,是瑪瑞琳.伯恩斯(Marilyn Burns)所寫的《我恨數學》(The I Hate Mathematics! Book),書裡有很多啟發性的提示,帶領讀者解題與發想各種奇思異想,是小學數學課本裡罕見的內容。

-----廣告,請繼續往下閱讀-----
圖/envato

有太多教科書仍列出太多人名和術語,就算有說明解析,也很少。比方說,教科書上會說加法是一種結合律運算(associative operation),因為(a + b)+ c=a +(b + c)。但很少人會提到非結合律運算,因此,充其量來說,結合律運算的定義是畫蛇添足。不管是結合律或非結合律,你知道了這些資訊之後要怎麼應用?書上還會介紹到其他術語,但除了用粗體字印在書頁中間的小框框裡,看起來很了不起之外,也沒什麼值得提的理由。這些術語滿足了很多人認為,知識就好比一門普通植物學,每種學問都可以在體系中,找到自己的類別和位置。相比之下,把數學當成有用的工具、思維方式或是獲得樂趣的途徑,在多數小學教育課綱中都是很陌生的概念(即使教科書內容不錯也一樣)。

或許有人會認為,在小學階段,可以用電腦軟體,來幫助學生掌握基本的算數原理及相關應用(應用題、估計等等)。可惜的是,目前可用的程式通常是從教科書上擷取無趣的例行練習,轉化成電腦螢幕版本而已。我不知道有任何軟體可用整合、一致且有效的方法,來教算術與解題應用。

小學階段的數學教學品質普遍不佳,最終必會有人怪罪於老師能力不足,而且對數學沒什麼興趣、或不懂欣賞數學。我認為,這當中有一部分又要歸咎於大專院校的師資培養課程中,很少或根本不強調數學。以我自己的教學經驗來說,我教過的學生中,表現最差的是中學生,而不是大學主修數學的學生。準小學老師的數學背景也很糟,很多時候甚至根本沒有相關的數學教學經歷。

而每所小學聘用一、兩位數學專才,在學校裡每天分別到不同班級輔導(或教授)數學,或許可以解決部分問題。有時我認為,如果大學數學教授和小學老師每年可以交換個幾星期,會是個好方法。同樣的,把主修數學的大學生和研究生交到小學老師手裡,不會造成傷害(事實上,後者或許能從前者身上學到一些東西)。而三、四、五年級的小學生則可以在完全適任的老師教導下,接觸到數學謎題與遊戲,將可大大獲益。

-----廣告,請繼續往下閱讀-----
圖/envato

稍微打個岔,謎題與數學之間很有關係,而且相關性會一直延續到大學與研究階段的數學。當然,把謎題換成幽默也通。我在《數學與幽默》(Mathematics and Humor)書中試著說明,數學和幽默都是某種益智遊戲,與猜謎、解題、遊戲和悖論多有共通之處。

數學和幽默都是把概念組合、拆開再拼回來,然後從中得到樂趣。慣用的手法包括並列、歸納、迭代和倒向(比方說「aixelsyd」就是把「dyslexia」﹝閱讀障礙﹞的字序倒過來)。那麼,如果我放寬這個條件,但緊縮另一個條件會怎樣?某一個領域的概念(像是綁辮子),和另一個看來完全不同領域的概念(如某些幾何圖形的對稱性)有什麼共通點?當然,即便不是數盲,可能也不熟悉數學這個面向,因為你必須要先具備一定程度的數學概念,才可以拿來耍弄。其他像獨創性、不協調感以及精簡的表達,對於數學和幽默來說也都同樣重要。

可能有人說過,因為所受訓練之故,數學家有一種特殊的幽默感。他們往往會接受字面意義,但字面上的解讀又常和標準用法的意義不同,因此很好笑。比方說,哪種運動比賽時要蓋臉?答案是,冰上曲棍球以及痲瘋病人拳擊(按:原文「Which two sports have face-offs」,「face-off」其中一個字面意義為「蓋臉」,而這也是冰上曲棍球常用的術語,意指「爭奪球權」)。他們也很沉溺於歸謬法(reductio ad absurdum),或設定極端前提條件然後做邏輯演練,以及各式各樣的字組遊戲。

如果可以透過小學、中學或大學階段的正式數學教育,或是非正式的數學科普書籍,傳達數學有趣的面向。我認為,數盲就不會像現在這麼普遍。

-----廣告,請繼續往下閱讀-----

——本書摘自《數盲、詐騙與偽科學》,2023 年 11 月,大牌出版,未經同意請勿轉載。

討論功能關閉中。

大牌出版.出版大牌_96
3 篇文章 ・ 0 位粉絲
閱讀的大牌不侷限於單一領域, 視野寬廣,知識豐富,思考獨立。