选战进入倒数，这阵子打开新闻，除了市话民调与手机民调，又多了一种新面孔，叫AI民意仿真，也有人称硅基民调。 新北、台北、桃园、台中、高雄、新竹县都有人做，支持度、好感度、胜选看好度一应俱全，有的还细到行政区、投开票所。 报告上写着两万多名受访者，却没有一个真人接过电话。 这些数字从哪里来，值得一步一步拆开看。 第一步是造人。 先在电脑里造人。 研究单位依照县市选举人的结构，按性别、年龄、行政区、学历与政党倾向的比例，用大型语言模型生成虚拟选民。 以新北市为例，有一份报告依二十九个行政区配出2万6771个AI代理人；新竹县的版本，则参照十三个乡镇市与2024年的政党票结构来配置。

政党倾向抓哪一次选举当基准，就决定了这座虚拟城市一开始的蓝绿底色。 第二步是写人设。 替代理人写身世。 光有年龄、性别还不够，研究团队会替每个代理人写入社会经历、媒体使用习惯，甚至分裂投票与拒答倾向，有的报告列到二十八项属性。 翻成白话，就是设置这位阿伯每天看哪一台新闻，会不会市长投蓝、议员投绿，接到民调电话会不会直接挂掉。 台湾地方选举离不开派系、宗亲、宫庙与农渔会人脉，这些若没写进去，代理人就少了地方政治最重要的一块骨架。 第三步是灌舆情。 喂新闻再逐题作答。 系统把截至某一天的新闻与社群声量喂给代理人，让它们读完再逐题回答问卷，观察接收新闻前后的立场变化。

高端一点的作法会让代理人彼此影响，仿真里长、邻居、LINE群组怎么把一则消息在基层传开。 传播学讲了半世纪的两级传播，在这里被写成了代码。 第四步是开票。 从村里往上加总。 代理人先判断会不会出门投票，再决定投给谁。 AI每次回答都带有随机性，通常要反复重跑，再把结果由里、行政区往上加总，就成了媒体上看到的各区领先幅度。 另一派作法干脆不让AI扮人，改用中选会历届逐里开票纪录、内政部户籍与财政部所得数据，推估每个里的投票结构。 两种都被叫做AI民调，底层逻辑却差很多。 最要紧的是对帐。 第五步是校准，拿真实选票或真人民调来比。

国内有报告拿电话民调的区间来对照，强调仿真结果落在区间之内，可是那些区间动辄相差一、二十个百分点，要落在里面并不困难。 更值得细读的是报告上的一行小字：这是代理人的普查仿真，不适用抽样误差，只存在模型与情境设置的系统性偏差。 代理人做两万个或二十万个，只要人设与模型本身偏了，偏差就原封不动留在数字里，样本数大，只是让结果看起来比较精密。 美国皮尤研究中心9月30日公布的实验，正好提供一面镜子。 研究团队替约一万五千名真实受访者各建一个AI分身，连七十一题政治态度都喂进去，近三百题比下来，平均仍差12.4个百分点，换一个模型，误差也跟着换了样貌。 真人回答不确定的比例，约是AI的四倍。

放到台湾，这个问题更棘手，九合一选举的未表态选民常有两、三成，那群还在犹豫的人，正是AI最不会演的人。 媒体转述时，问题又多一层。 报告里那行非真人抽样的说明，在转传过程中往往最先消失，最后留在标题上的，只剩某某领先几个百分点。 对新闻工作者而言，标题至少该写明仿真两个字，内文交代代理人数量、数据截止日与研究单位，让读者知道这组数字背后站的是模型。 读者该问四件事：看到一份AI民调，读者可以先问四件事。 政党倾向用哪一年的选举当基准？ 人设与舆情数据由谁设置、截到哪一天？ 用的是哪一个模型，换了模型结果是否一致？ 有没有拿过去的选举回测，误差多少？ 答不出来的报告，当作选情兵推看看就好，不宜当成民调来报导。

用对地方才有价值：AI仿真并非一无是处，用对地方，它是很好用的研究工具。 第一个用途是测试问卷。 正式打电话之前，研究者可以先让虚拟选民作答，看看哪一题问得太模糊，哪一题的选项设计会让人看不懂，先把问卷修好，再拿去问真人，可以省下不少经费和时间。 第二个用途是情境推演。 假设选前突然爆发弊案，或者两个阵营宣布合作，研究者可以把这则消息喂给虚拟选民，观察哪些年龄层、哪些行政区的态度比较容易动摇，竞选团队就知道该优先把资源放在哪里。 不过，这些推演结果只能当成提醒，告诉大家哪些地方可能需要注意。 原因很简单，虚拟选民的想法，都是根据过去的数据和研究者写好的设置推算出来的。

真实的选民可能会因为一场造势晚会、一通亲友的电话，或是投票前一晚的一则新闻，就改变原本的决定，这种临时的变化，目前还没有任何模型能事先算准。 要知道此时此刻选民真正怎么想，还是得实际去问「真正的人」。 ＊作者为铭传大学广电系主任，全民查假会社、《聚传媒》授权刊登。