前陣子看到兩則新聞：美國新創 Aaru 用 AI agent 模擬選舉預測，中國也有個叫 MiroFish 的團隊做群體智能預測。覺得這件事實在太有趣了，想說台灣選舉這麼精彩，何不自己做一個來玩看看？
於是我花了一段時間開發了一套叫 Civatas的社會模擬系統，想試試能不能用 AI 來模擬真實選民的思考過程，而不只是做傳統的數字民調。
這篇文章是一個技術實驗的紀錄這是粗體字，會盡量白話地說明方法和結果。
---
先講結論
模擬題目：「國民黨台中市長黨內初選，楊瓊瓔 vs 江啟臣？」
我設計了三組交叉比較 （完全比照初選規定的全市話 對比 85% ＋ 互比 15%）：
| 組別 | 候選人 A | 候選人 B | A 得票 | B 得票 | 不表態 |
|------|---------|---------|--------|--------|--------|
| A 組 | 楊瓊瓔 | 何欣純 | **65.2%** | 19.7% | 15.2% |
| B 組 | 江啟臣 | 何欣純 | **67.8%** | 16.2% | 16.0% |
| C 組 | 楊瓊瓔 | 江啟臣 | 33.4% | **38.8%** | 27.8% |
白話解讀：
- 江啟臣 vs 楊瓊瓔：江啟臣以 38.8% 對 33.4% 領先約 5.4 個百分點，但不表態高達 27.8%，代表黨內支持者對兩人的區隔度感受不夠強烈，很多人還在觀望。
- 對上何欣純：不管派誰出來，藍營在台中都有明顯優勢。但江啟臣對何欣純的差距（51.6%）比楊瓊瓔對何欣純的差距（45.5%）更大，顯示江在吸引中間選民的能力上稍勝。
- 江啟臣的優勢來源：中立選民偏好江啟臣 42.8% vs 楊瓊瓔 29.7%；甚至偏左派（偏綠）選民中，江的接受度（42.1%）也遠高於楊（25.7%）。他的「學者形象 + 改革路線」對跨光譜選民有吸引力。
- 楊瓊瓔的優勢：在偏右派（深藍）選民中，兩人幾乎打平（36.6% vs 36.6%），楊的地方樁腳和盧秀燕團隊背景在基本盤是有效的。
---
這套 AI 預測到底怎麼運作的？
第一步：合成虛擬人口
我根據台中市的真實人口統計資料（年齡、性別、行政區、教育程度分布），合成了 61 個「虛擬市民」。每個人都有完整的背景設定：
- 基本人口統計（25 歲男性、住北屯、大學畢業......）
- 職業與收入水準
- 媒體使用習慣（重度社群 / 傳統電視 / 混合型）
- 政治傾向（偏藍 / 偏綠 / 中立）
- 性格特質（Big Five 人格模型：開放性、盡責性、外向性、親和性、神經質）
初始政治傾向分布是 34 偏藍、26 偏綠、1 中立，大致反映台中市的藍綠基本盤。
> 為什麼只有 61 人？ 因為每個 agent 每天要呼叫大型語言模型（LLM）API 來「思考」，30 天模擬下來，61 人就要呼叫將近 4,000 次 API。如果用 600 人跑，就是 4 萬次呼叫，光 token 費用就很可觀。作為個人實驗，先用少量 agent 驗證方法論，未來確認合理後再擴大規模。
第二步：用真實歷史選舉做「校準」
直接拿模型跑預測太不負責了。我的做法是先拿過去的選舉來驗證這套系統到底準不準。
校準用的歷史數據：
我使用了台中市最近兩屆市長選舉的真實開票結果作為 ground truth：
- 2022 年（盧秀燕 vs 蔡其昌）：盧 59.35% / 蔡 38.93% / 陳美妃 1.72%
- 2018 年（盧秀燕 vs 林佳龍）：盧 56.57% / 林 42.35% / 宋原通 1.09%
而且不只是全市總票數，我還拿了台中市 29 個行政區的各區得票率做細部校準。例如：
- 和平區：盧在 2022 拿到 76.55%，2018 拿到 70.15%（深藍山城區）
- 清水區：蔡其昌在 2022 拿到 49.06%，幾乎五五開（蔡的票倉海線）
- 北屯區：盧在兩屆都超過 60%（重點人口大區）
校準的運作方式：
1. 把歷史選舉期間的新聞事件注入系統
2. 讓 61 個 agent 跑一輪模擬
3. 比較模擬結果與實際開票的 MAE（平均絕對誤差）
4. 系統自動調整幾十個參數（黨派基礎分、焦慮敏感度、新聞影響力、地方/中央施政權重......）
5. 重複調整直到模擬結果與歷史數據的誤差降到可接受範圍
6. 把這組參數「鎖定」，拿來跑未來的預測
這有點像機器學習的 train/test 流程，只是我的「模型」不是純數學公式，而是一群有人格、會看新聞、會寫日記的 AI agent。
第三步：注入真實新聞，跑 30 天模擬
校準完成後，我用同一組參數，開始跑「2026 台中市長國民黨初選」的預測模擬。
新聞來源：*系統自動爬取了近期 78 篇真實新聞**，涵蓋：
- 楊瓊瓔宣布參選、江啟臣表態、盧秀燕接班議題
- 民進黨提名何欣純、何欣純問政紀錄
- 盧秀燕施政成果（捷運藍線、社會住宅、觀光數據）
- 全國議題（物價、電價、兩岸局勢、國會改革釋憲）
- 賴清德中央執政相關報導
這些新聞被依照日期分配到 30 天的模擬時間軸上，越晚的天數累積越多資訊。
每一天，每個 agent 會經歷這個流程：
1. 個人化資訊推送：系統根據每個人的政治傾向和興趣，從 78 篇中挑選 5-7 篇推送。偏藍的人比較容易看到施政成果新聞，偏綠的看到更多中央政策報導。這是在模擬現實中的「資訊繭房」效應。
2. AI 寫日記：每個 agent 由 LLM 扮演，讀完新聞後寫一篇當天的心得日記。例如：
> 「盧市長施政不錯，交通治安有成就。但中央賴清德不配合，綠營囂張。物價壓力大，希望薪水追上來......」（偏藍 56 歲北屯居民）
> 「看到薪資中位數才 3 萬 8，超過一半人月薪不到 4 萬，難怪年輕人抱怨低薪。水湳招商聽起來不錯但要等......」（中立 28 歲西屯青年）
3. 更新情緒指標：每次寫完日記，系統同步更新三個數值：
- 地方施政滿意度（0-100）
- 中央施政滿意度（0-100）
- 焦慮指數（0-100）
4. KOL 影響擴散：系統隨機指定 3 位 agent 為意見領袖，他們的發言會影響周圍人的情緒。
5. 政治傾向可能改變：如果一個人連續多天對施政極度不滿且高度焦慮，他的政治傾向可能從藍轉中立，或從綠轉中立。
第四步：投票估算
30 天跑完後，系統根據每個 agent 的最終狀態，用啟發式評分模型估算投票傾向：
- 黨派忠誠度：偏藍選民投藍營候選人有加成，反之亦然
- 候選人特質匹配：楊瓊瓔走地方路線（草根、基層服務），江啟臣走全國路線（改革形象、學者背景），系統會根據每個 agent 更看重地方議題還是全國議題，給予不同的偏好分數
- 焦慮效應：高焦慮選民更傾向支持「危機處理型」候選人
- 同黨初選特殊處理：當兩個候選人同屬一黨（如 C 組），自動關閉黨派加成，純比個人特質
---
30 天情緒演化的觀察
這是最有趣的部分。30 天下來，整體社會情緒發生了明顯變化：
| 指標 | Day 1 | Day 15 | Day 30 |
|------|-------|--------|--------|
| 整體滿意度 | 54.0 | 43.3 | 40.4 |
| 整體焦慮 | 70.9 | 80.3 | 85.6 |
| 偏藍選民焦慮 | 74.8 | 82.6 | 87.1 |
| 偏綠選民焦慮 | 65.7 | 67.5 | 74.8 |
觀察：
- 不管藍綠，焦慮都在上升。藍營選民焦慮更高，主要來自兩岸局勢和經濟不確定性。
- 滿意度全面下滑，但綠營選民下滑幅度更大（可能反映對中央施政的失望）。
- 偏綠選民有一部分在模擬中後期轉為中立（從 26 人降到 10 人），顯示在目前的資訊環境下，綠營認同度有鬆動的跡象。
政治傾向的流動：
| | Day 1 | Day 10 | Day 20 | Day 30 |
|---|---|---|---|---|
| 偏右派（藍） | 34 | 37 | 37 | 38 |
| 偏左派（綠） | 26 | 16 | 13 | 10 |
| 中立 | 1 | 8 | 11 | 13 |
綠轉中立的趨勢很明顯，但藍營基本盤相當穩固。
---
技術棧
最後講一下技術架構，給有興趣的工程師參考：
- 後端：Python FastAPI 微服務架構（人口合成、LLM 演化引擎、投票估算各自獨立）
- 前端：Next.js 14 + TypeScript
- LLM API：同時接了 OpenAI (GPT-4o-mini)、xAI (Grok)、DeepSeek 三家。每個 agent 隨機分配到不同 vendor，避免單一模型的政治偏見主導結果。某家 API 掛了會自動 fallback。
- 新聞系統：自動爬取真實新聞，個人化推送模擬資訊繭房
- 校準系統：用歷史開票數據做 MAE 最佳化，支援全市級和行政區級的精細校準
- 部署：Docker Compose，本機就能跑
---
這個實驗的侷限
老實說幾個已知問題：
1. 61 人母體太小：真正的民調至少 1000+ 人。但 LLM API 費用是硬傷，61 人 × 30 天已經消耗不少 token。
2. 新聞池影響結果：爬到的新聞如果偏向某方，結果就會偏。我在實驗過程中多次調整關鍵字平衡藍綠報導比例。
3. LLM 本身有政治偏見：不同模型對台灣政治的理解不同，這也是混用三家的原因。
4. 焦慮趨勢偏單向：模擬中焦慮只升不降，缺乏現實中「壞消息疲勞」的適應機制（我後來加了修正但仍不完美）。
5. 校準與預測的候選人不同：校準用的是盧秀燕 vs 林佳龍/蔡其昌，但預測是楊/江/何，人物特質轉移有不確定性。
---
所以你問我誰會贏？
以目前的模擬結果：
黨內初選 → 江啟臣微幅領先，但差距不到 6%，在不表態將近三成的情況下仍有變數。江的優勢來自跨光譜的吸引力，楊的優勢在於深藍基本盤的組織動員力，而這恰恰是模擬較難捕捉的。
跨黨對決 → 藍營優勢明顯，但何欣純在偏綠基本盤仍有五成以上的支持。差距沒有某些街訪民調顯示的那麼懸殊。
這只是一個技術實驗的初步結果。AI 模擬不會取代真正的民調，但它能提供一個不同的觀察視角——不只是「現在的數字」，而是「30 天內情緒如何演化、資訊環境如何影響選民思考」的動態過程。
如果有人對技術細節或方法論有問題，歡迎討論。
---
（本文僅為技術實驗分享，不代表任何政治立場，也不構成選舉預測。模擬結果僅供參考，請以實際選舉結果為準。）
