2026 年 9 月 15 日，一场虚拟的“新北市长选举”有了结果。参加这场选举的，是 26,771 名人工智慧虚拟选民。 

台湾议题研究中心（TPOC）依照新北市人口结构，以性别、年龄、29 个行政区、学历与政党倾向等条件，建立 26,771 个大型语言模型虚拟受众代理人，再让它们模拟如果由李四川与苏巧慧竞逐新北市长，自己会支持谁。 

这已经不是单纯询问 AI“谁会当选”。每一个虚拟选民都被赋予不同的人物条件，再被要求作出政治判断。除了投票支持度，模拟内容还包括候选人的好感度、胜选看好度、突发市政危机处理能力、中央与地方协调能力，以及操守与可信度。 

TPOC 公布的模拟结果显示，李四川获得 37.9% 支持，苏巧慧为 31.5%，另有约三成虚拟选民尚未决定或两人都不支持。这些数字不是传统民调的调查结果。TPOC 将这套方法称为“AI 民意模拟”，它仍然建立在资料、人物设定与大型语言模型之上。 

可是，这场没有真实选民参加的选举，提出了一个比预测谁会当选更有意思的问题。 

TPOC 已经让 26,771 名 AI 虚拟选民模拟在李四川与苏巧慧之间作出选择。那么在政党正式决定候选人以前，能不能用同样的方法，先比较几名可能人选？ 

假设某政党有 A、B、C 三名可能人选。现在的民调显示 A 支持度最高，党内最看好 B，C 的知名度最低。政党可以让 A、B、C 分别与其他政党的同一名候选人竞选，再设定多种选举情境进行模拟。例如经济景气正常时，分别模拟 A、B、C 参选的结果；如果经济衰退，再让三个人各自模拟一次；如果住宅问题成为选战焦点、青年投票率提高，或者发生重大外交事件，也分别重新模拟。

这样得到的就不再只有一个“现在谁的民调最高”，而是三名可能人选在不同选举情境下，各自可能获得多少选民支持。 

模拟结果可能显示，A 在目前情势下最有利，B 在青年投票率提高时表现较好，原本知名度最低的 C，却在经济衰退或重大危机发生时取得较高支持。这时，政党得到的不是另一份民调，而是三名可能人选面对不同未来时的不同结果。 

这还不是普遍存在的政治实务。目前没有足够证据显示主要政党已经把数名潜在候选人交给 AI 虚拟选民比较，再依据模拟结果正式决定提名。但是，这个做法并非科幻。美国的竞选团队与政治顾问已经利用合成选民（synthetic voters）测试竞选信息，模拟不同信息可能引起的选民反应。9 月 16 日，在哈佛甘迺迪学院一场讨论中，美国两党资深政治策略人士谈到，人工智慧可以利用大量资料建立合成选民群体（synthetic cohorts），协助竞选团队测试信息，特别是针对传统电话民调愈来愈难接触的选民。前白宫政治主任 Doug Sosnik 甚至预期，2028 年美国总统大选可能成为第一场真正意义上的“AI 选战”（AI campaign）。 

AI 已经可以模拟选民如何选择，也已经以真实候选人模拟一场尚未发生的选举。下一步，如果这套方法被提前用在政党提名之前呢？ 

这里要注意的，不是“AI 民调会不会比传统民调更准”，而是 AI 正在增加一种政党过去很难拥有的能力：模拟提名不同候选人，可能产生什么选举结果。 

假设 A 得到政党提名，最后以 51% 得票率当选，我们知道 A 赢了。但 B、C 没有获得提名，因此没有人知道，如果当初提名的是 B 或 C，选举结果会不会不同。

历史只会发生一次。传统上，政党只能观察真正获得提名者的选举结果，无法知道如果当初提名另一个人，结果会不会不同。AI 情境模拟增加的能力，正是模拟不同候选人获得提名后，可能出现什么选举结果。

过去，政党主要依靠政治经验、民调、焦点团体与直觉推测这些没有实际发生的结果；现在，则可以用较低的成本，大规模而系统性地反复模拟。 

这和传统民调不同。民调主要回答：如果现在投票，你支持谁？AI 情境模拟则可能继续追问：如果未来发生不同的事情，你最后可能支持谁？前者测量现在的状态，后者试图模拟不同条件下可能出现的结果。 

韩愈在《马说》观察到的，几乎是另一幅图景。

“千里马常有，而伯乐不常有。”他提出的问题不是天下没有千里马，而是千里马即使存在，却未必有人懂得辨认。对应到今天，实际的问题是：真的没有好人才，还是人才其实存在，只是选拔制度没有把他辨认出来？ 

政党提名长期面对的正是这种困难。只是政治里的“伯乐”从来不只有一个。党内菁英判断谁最适合代表政党；地方组织判断谁最能动员；初选让党员或支持者选择；民调则测量一般选民此刻最支持谁。

而这些方法判断的，本来就不是完全相同的事情。政党提名候选人，是取决于“最可能得到人民支持的人”吗？答案未必。政党还可能考虑忠诚度、派系平衡、政治资历、地方组织、选区布局，以及候选人当选之后能不能与政党合作。

由此，选民支持的千里马，不一定是政党眼中的千里马。AI 则再增加第三种：模型推算的千里马。

假设某政党准备挑选一名市长候选人。党内菁英认为 B 最适合。B 资历完整、地方组织扎实，也最容易整合政党。传统民调却显示 A 支持率最高。A 的知名度最高，目前也领先竞争对手。而 C 的知名度最低。 

可是政党使用虚拟选民模型模拟不同的选举环境之后，C 胜出的次数最多。模拟结果显示，一旦选战进入政策攻防，C 在中间选民、青年与特定地区的支持成长最快，面对几种主要危机时，支持度也最稳定。 

这时，千里马有三并列：党内菁英眼中是 B；选民支持的是 A；AI 情境模拟出的千里马是 C。但谁才是伯乐？ 

假设 AI 已经可以相当准确地估计候选人的胜选机率：A 是 52%，B 是 56%，C 是 71%。政党是不是就应该提名 C？仍然未必。 

C 可能最会赢得选举，却不是最会治理的人；可能拥有很强的个人魅力，却与政党主张完全不同；也可能最容易取得短期选票，却主张一项长期会伤害公共利益的政策。甚至从政党本身的角度来看，一个最可能当选、但当选之后完全不接受组织协调的人，也未必就是最理想的候选人。

预测谁最可能赢，和决定谁最值得被提名，是两个问题。前者 AI 早已参与，后者却始终包含价值判断。 

而且，虚拟选民的数量增加，也不等于模拟就更接近真实选民。这些代理人仍然建立在训练资料、人物设定与模型行为之上；如果模型低估某些群体的反应、没有掌握地方政治文化，增加代理人的数量，也可能只是把同一种偏差复制更多次。

今年，欧美研究 AI 模拟焦点团体的学者特别提醒：这类工具在测试与修改竞选信息上可能具有用途，但如果目的是理解政治认同、价值与政治意义如何在人与人的互动中形成，就不能直接用 AI 模拟取代真人互动。

模拟选民，和理解选民，不是同一回事。AI 并没有替民主政治找到一位不会看错人的终极伯乐。它带来的反而将是更复杂的情境。党内菁英是一位，地方组织是一位，民调反映选民现在的支持。未来，数千甚至数万名由资料与大型语言模型生成的虚拟选民，又可能成为另一位。

可是，当它们各自指出不同的“最好候选人”，政党最后仍然得自己回答一个 AI 无法代为决断的问题：究竟什么才叫“最好”？ 

韩愈在《马说》最后问：“其真无马邪？其真不知马也？”人工智慧也许能让政党增加一种“识马”的方法。但如果有一天，真的出现第一位经由 AI 情境模拟而脱颖而出的候选人，那一天最值得关注的，恐怕已经不是 AI 有没有挑对人。而是：政党究竟要把选民现在最支持的人、未来最可能胜选的人，还是最适合治理的人，称为自己的“千里马”？这个答案，不能只交给 26,771 名虚拟选民决定。