張慶瑞觀點：從「贏者全拿」到「共識聚焦」─用量子思維破解極化僵局

在上一講，我們探討了「對話廣場」——一個能讓社會疊加態安全演化的空間。但對話終究需要走向決策，一個社會不可能無止境地討論，它必須在某個時刻做出具有約束力的集體選擇。一句話總結量子思維：民主不該只問「誰贏了」，而該問「社會是什麼」。

從量子視角來看，投票就是一種「測量」。而我們在前面的闡述中已經確立了一個根本命題：測量從來不是中性的，它會介入並改變被測量的系統。當我們用一張簡單的選票、一個非此即彼的選項去「測量」民意，我們不是在讀取一個預先存在的事實，而是在強迫一個豐富的疊加態坍縮為一個粗糙的單點結果。目前的民調與簡單多數決，其實是一種「誘導性坍縮」。當媒體每天公布非黑即白的支持率時，它正在強迫那些還在「疊加態」中思考的選民過早坍縮，進而導致社會極化。

問題不在於要不要測量——民主不可能沒有集體決策。問題在於：我們能否讓民主測量變得更「謹慎」？ 能否設計出一些方式，在不得不坍縮的過程中，盡可能保留疊加態的豐富性，讓坍縮的結果承載更多原有的量子資訊？

這就是本講的核心命題：從「多數決」走向「頻譜解析」。傳統多數決（plurality voting）是一種最粗暴的測量，每個人只能投給一個，其餘的偏好資訊被完全抹去。這就像一個量子系統被強迫坍縮後，我們只記錄「它是哪一個本徵態」，卻丟失了所有原來關於振幅、相位、相干性的重要資訊。簡單說，社會中的相位等於偏好之間的「相對位置與關係」。比方說：A和B雖然都支持環保，但一個因為經濟理由，而另一個因為世代正義——這就是不同相位。量子思維民主的結論很簡單：民主不該只問「誰贏了」，而該問「社會是什麼」。

我們將介紹幾種已經存在、但尚未被充分理解的投票制度創新——排序投票、同意投票、審議式民調——並用量子的眼睛重新看見它們的深層意義：它們不僅僅是「另一種計票方式」，而是更謹慎的民主測量工具。在此基礎上，我們將探討如何利用AI讓這些計票方式變得更可行、更可規模化，並提出量子啟發下的制度創意。

在進入AI之前，我們需要先用量子的視角，重新理解幾種既有的投票制度創新。這些制度早已存在，但它們的哲學意涵一直被忽視——直到現在，由量子民主的哲學為它們賦予新的光芒。

排序投票（ranked voting，又稱優先投票制）則不同。它允許選民對候選人進行排序：第一選擇、第二選擇、第三選擇……這看似只是多給了幾個順序，但在量子視角下，它的意義深遠：

它保留了偏好強度的振幅資訊：當一個選民把A排第一、B排第二，這不僅告訴我們「他支持A」，還告訴我們「如果A不行，他願意接受B」。這是在極簡的二元選項之外，增加了決策的振幅「維度」。 （相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

它也讓疊加態的「相位關係」得以表達：在量子系統中，不同本徵態之間不僅有振幅（強度），還有相位（相對關係）。排序投票無法完全捕捉相位，但至少捕捉了偏好之間的「次序關係」——這是一種簡化版的相位資訊。

它允許更平滑的集體決策：在愛爾蘭總統選舉、澳大利亞眾議院選舉等實踐中，排序投票已被證明能減少「策略投票」、降低「spoiler effect」（第三方候選人分票導致極端候選人當選）。從量子視角看，這是因為它讓更多「量子資訊」進入了決策過程，減少了資訊損失而導致的真相扭曲。

維基媒體基金會的選舉採用了「舒爾茨式投票」（Schulze method）——一種基於排序的孔多塞投票法[1]，能夠從所有選民的偏好排序中計算出「誰比誰強」的整體關係矩陣。簡單說：孔多塞制提出了「如果能贏所有人就該當選」的理想標準；而舒爾茨式則解決了「當沒有人能贏所有人時，該怎麼辦」的現實難題。這本質上就是在做一件量子機率的重建：從多個坍縮後的單點（每個選民的排序），試圖重建集體疊加態的整體分佈，這也是一種為了防止「贏者全拿」的數學機制

同意投票（approval voting）是另一個有趣的設計：選民可以投給「所有他同意的人」，而不是只能選一個。你可以在五位候選人中，勾選你認為「可以接受」的所有人。這看似簡單，但量子意義同樣深刻：

它表達了「可能性的集合」：當你同時同意A和B，你是在說：「我的內在頻譜中，這兩個都是可接受的區域」。這不是強迫自己從疊加態坍縮到一個點，而是畫出一個可以接受的「可能區域」——就像量子力學中的「位置不確定性區間」。

它保留了「不反對」的資訊：在傳統投票中，不投給B可能意味著反對B，也可能只是更支持A。同意投票讓這兩種情況得以區分：如果你反對B，你不會勾他；如果你只是更支持A但也不反對B，你可以同時勾兩者。

它更容易實現「頻譜解析」：同意投票的結果可以呈現為「每位候選人獲得的同意票數」，這本身就是一幅簡化的態度頻譜——它告訴我們社會的「可接受區間」在哪裡，而不僅僅是「最愛誰」。

維基媒體的「安全投票」（Secure Poll）系統的同意投票模式，用於匿名意見收集。這項由維基媒體基金會於2009年開發的技術，如今已被用於中文維基百科的管理人員選舉、解任投票、仲裁委員會選舉等場景。這證明，即使在現有技術條件下，更精細的投票制度也是可行的。

我們在前面已經介紹過審議式民調（Deliberative Polling），但從測量角度，它有另一個層面的意義。

審議式民調的經典設計是：先對隨機樣本做一次傳統民調（強迫坍縮），然後邀請其中一部分人參加審議週末（提供對話廣場），最後再做一次民調（第二次坍縮）。兩次結果的差異，就是「審議的效果」。從量子視角看，審議式民調在做一件極其珍貴的事：它讓我們看見「強迫坍縮」與「自然坍縮」的差距。 （相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

第一次民調：參與者在資訊不足、未經思考的情況下被強迫表態。這是「暴力測量」，結果往往反映的是情緒噪聲、媒體框架、同溫層效應，而非參與者真實的內在頻譜。
審議過程：提供一個安全的演化環境，讓疊加態得以充分發展、與其他相位干涉、逐漸趨於成熟。

第二次民調：雖然仍然是坍縮，但這個坍縮發生在疊加態充分演化之後。調查結果承載了更多資訊、更深刻的自我理解。

費希金的研究反覆證明：這兩個民調的差異是巨大的、系統性的、且朝特定方向偏移的。這意味著，我們日常仰賴的傳統投票與民調，根本不是在中性地「反映民意」，而是在製造一種特定類型的民意——那種被強迫、被簡化、被剝奪演化機會的民意。

審議式民調的分析結果對民主制度提出了尖銳的挑戰：如果我們明知傳統投票是一種暴力測量，我們有什麼理由繼續依賴它作為民主決策的唯一依據？

這些更精細的投票制度，長期以來停留在理論或少數實驗的原因很簡單：它們太複雜了。排序投票的計票需要處理複雜的矩陣運算；同意投票的結果解讀需要多維度的可視化；審議式民調的成本更是高得驚人。在沒有AI技術輔助的時代，它們註定只能是點綴。AI的出現，正在改變這一切，以下是AI如何讓「謹慎測量」從理想走向現實的幾
個方向：

排序投票最大的實務障礙是計票的複雜性。以修正孔多塞投票法的循環悖論的舒爾茨式投票[1]為例，它需要建構「候選人之間的成對比較矩陣」，找出「最強路徑」，計算整體排名。這在幾十萬、幾百萬選民的規模下，手工計票幾乎不可能。

AI可以：

• 即時處理大規模排序數據：將每位選民的排序轉化為成對比較矩陣，自動完成所有路徑分析。
• 驗證計票過程的正確性：用不同演算法交叉比對，確保結果無誤。
• 提供可解釋的計票報告：不只是輸出結果，還能視覺化呈現「為什麼A贏了B」「哪條路徑決定了勝負」，讓公民理解決策過程，而非只能接受黑箱結果。

義大利參議院已在2024年開始使用AI應用程式來計算修正案的投票順序，基於預定規則自動排序，大幅減少人工調整的需求。這雖然不是直接處理排序投票，但證明了AI在複雜投票程序管理上的可行性。

同意投票的結果——每位候選人獲得的同意票數——是一個多維度的數據集。傳統呈現方式只能列出數字，很難讓人直觀理解社會態度的整體分佈。

AI可以：

• 生成「態度頻譜圖」：將候選人的支持變化投影到多維度偏好的「態度空間」，讓公民看見不同候選人在「態度空間」中的相對位置，以及社會同意票的分佈熱區。
• 動態呈現「可接受區間」的演化：隨著投票進行，即時更新社會「可接受區間」的輪廓，讓公民看見自己的偏好如何與集體頻譜互動。
• 識別「潛在共識區」：AI可以分析同意票的相關性，找出那些同時被不同群體接受的候選人或政策選項——即使這些群體在其他議題上對立。

弗里德里希·瑙曼基金會與People Powered組織在2025年發布的《數位參與工具評鑑》中，介紹了約17款運用AI的數位審議工具，其中包括能「彙整並視覺化呈現整場討論」的Talk to the City平台。這類工具讓「看見集體疊加態」不再是理論想像。
（相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

審議式民調最大的痛點是成本：動員數百人參加週末審議、提供住宿餐飲、聘請專業主持人、處理質性資料——一次活動往往耗資數百萬。這使得它只能偶爾為之，無法成為民主的常態機制。

AI可以從多個方向降低成本、擴大規模：

• 線上審議平台：用AI主持人輔助或取代部分人類主持人，讓數千人同時在線上進行高品質審議。Google DeepMind開發的「Habermas Machine」和史丹佛大學的「線上審議論壇」，都在嘗試這個方向。AI 如何從數千種對立意見中，擬合出一份「所有人都不排斥」的共識聲明，這正是文中「頻譜解析」最真實的技術體現。
• 自動化質性資料處理：將參與者的討論內容即時轉錄、摘要、歸納意見分群，讓研究者和決策者能快速掌握審議過程中的態度演化。
• 多語言即時翻譯：打破語言障礙，讓不同語言的公民能共同參與審議——這在多元文化社會尤其重要。

多項初步研究發現顯示，數位平台在「規模化」和「速度」上確實有顯著優勢，雖然在「信任感」和「討論品質」方面仍面臨挑戰。這正是人機協作可以發揮的地方：AI處理規模與效率，人類處理深度與信任。

投票不僅是測量，也是決策，公民在做決策前，需要充分理解選項的內容與後果。傳統的「投票指南」往往只是簡單的政見列表，難以滿足複雜的資訊需求。

AI可以：

• 個人化的投票助理：德國慕尼黑工業大學學生開發的「wahl.chat」，讓選民可以透過對話式AI，深入詢問各政黨的政策立場、與實際投票記錄的比對、政策承諾的可行性評估。上線後已服務超過15萬人。
•  政策後果模擬：AI可以根據不同投票結果，模擬可能的政策走向與社會影響，讓選民在做決定時，不只是基於當下的情緒，而是基於對未來的某種想像。
•  觀點強制相遇：在選民做出最終選擇前，AI可以主動呈現與其傾向不同的觀點並詢問：『你願意花 90 秒理解另一種理由嗎？』——這是在投票前最後一刻，讓疊加態有機會做最後一次演化。

據報導某些地方企業在管理中，開發了「職工訴求直通車系統」，搭載智能語義分析功能，職工可通過文字、語音、視頻方式提交提案，AI自動分類並在48小時內生成處理進度圖。這雖然是企業層級的應用，但其背後邏輯——用AI降低參與門檻、加速反饋循環——同樣適用於公共領域。

​然而，當我們將計票與審議交給 AI，如何確保這副『數位顯微鏡』本身沒有偏見？

從「信任人」轉向「信任數學」 量子計票委員會的權力並非來自行政任命，而是來自其運作流程的開源性與可驗證性 。AI 在處理複雜計票（如舒爾茨式投票或相位分析）時，必須遵循「演算法透明」原則 ：

• 代碼即法律：所有的計票邏輯、AI 主持人的引導規則、以及機率分配的加權公式，都必須完全開源並託管於公共監測平台 。
• 可審計的坍縮：每一張選票從「疊加態」到最後「計票結果」的轉換過程，都應提供可溯源的數學證明。公民不需精通數學，但必須能透過第三方中立機構（如學術單位或開源社群）的審計報告，確認 AI 沒有在測量過程中加入「隱變量」來操縱結果。
（相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

為了在保護選民隱私（保留疊加態的私密性）的同時確保公正，應結合現代密碼學工具：

• 匿名且透明：利用區塊鏈記錄每一筆「機率分配」點數，確保數據不可篡改。
• 零知識審計：透過「零知識證明」（Zero-Knowledge Proofs），讓外部審計者在不知道特定選民投給誰的情況下，依然能從數學上證明最終的「頻譜解析結果」與所有原始選票的加總完全一致。

委員會不直接操作計票，而是負責「規則的後設審議」。其決策過程應透過 AI 輔助即時視覺化，向公眾解釋：

• 選擇動機：為何此議題選擇「排序投票」而非是「多數決」或他種方案？
• 模擬對比：AI 應同時跑出多種計票模型的模擬結果，並由委員會向社會說明，不同測量方式如何影響了疊加態的呈現，讓「測量方式的選擇」本身也成為一種社會學習 。

為了應對 AI 可能被惡意引導或演算法偏誤的風險，應常設由不同政黨與公民團體推薦的「技術紅隊」 。

• 對抗性測試：在正式計票前，由紅隊測試演算法是否對特定相位存在「屏蔽」或「過度放大」。 
• 即時校準：若監測顯示 AI 主持人在審議過程中存在引導偏誤，系統應具備自動示警與人工介入校準的機制 。

這不是把權力交給技術菁英，而是建立一個「對稱的不信任機制」：任何人都可以挑戰計票規則，但必須通過數學與開源程式碼來證明。

AI讓現有制度更可行，但量子視角還能啟發我們想像一些前所未見的「測量」形式。以下是幾個從量子原理出發的創意發想：

​1. 核心定義：從單向支持到雙向干涉

傳統投票強迫每個選民坍縮為單一選項，量子啟發下的「機率投票」，不僅允許選民表達支持的機率分佈，更應引入「負值」的概念來代表破壞性干涉。這意味著選民手中的 100 點，不再只能是正數的分配，也可以包含負數的反對 。

2. 具體機制：支持與抵銷的疊加

想像一張數位選票，配備有滑動拉桿（Slider）。你可以在候選人 A 身上分配+60 點（建設性干涉），但在你強烈排斥的候選人 D 身上分配 -40 點（破壞性干涉）。為了避免選民將所有點數都用在「消滅對手」而非「支持最愛」，需要設定「民主能量守恆」——每個人擁有的影響力總額是固定的，你可以選擇分散支持（保持疊加），或是集中反對，但不能無限制地擴張破壞能量。

例如，每位選民的總點數絕對值加總不得超過100，而且負值不得超越正值。負值投票的設計，並不是為了鼓勵仇恨動員，而是為了反映一個民主事實：強烈反對也是一種政治訊號。「民主能量守恆」傳遞了一個民主價值：你可以表達反對，但純粹的仇恨不該比建設性的支持更有分量。

• 建設性干涉（+）：增加該候選人在集體疊加態中的振幅。
• 破壞性干涉（-）：直接抵銷其他選民賦予該候選人的能量，降低其最終坍縮機率 。

​3. 計票方式的量子升級：相干性加權在 AI 輔助下，計票不再只是單純的加減法，而是分析「社會相位的相干性」： （相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

• 淨振幅計算：將所有選民的正負點數加總 。一個雖然擁有高度支持、但同時擁有極高反對的候選人（高度極化），其淨能量會因為大量的「破壞性干涉」而大幅縮減 。
• 相干性獎勵：AI 會優先識別出那些能產生「最大公約數」的候選人。如果一個候選人雖然正點數不是最高，但幾乎沒有收到負點數（即沒有人對其產生破壞性干涉），這代表該候選人在社會頻譜中具備最強的「相干性」與整合潛力 。

​這聽起來複雜，但在AI輔助下完全可行。更重要的是，它傳遞了一個訊息：民主制度承認你的內在複雜性，並邀請你如實表達，而非因為程序而被強迫簡化。

有趣的是，維基媒體的「安全投票」系統已經支援一種稱為「直方圖計分投票制」（Histogram range vote）的模式，允許投票者為每位候選人打出不同的分數（如支持+1、中立0、反對-1）。這雖然還不是連續的點數分配，但已是朝向「保留強度資訊」的方向邁進。

傳統代議民主中，如果每個選區選出一個當選代表，這等於強迫選區內複雜的民意疊加態坍縮為「單點立場」。結果是：一個明明分成40% A、35% B、25% C的選區，最後只有A的聲音被聽見，另外65%的選民卻會感覺到自己不是被「代表」了，而是被制度「消失」了。透鏡代表不只是代表「中間選民」，而是能「連結不同相位」的人。例如：一個在環保議題上能連結左派，在經濟誘因上能連結右派的代表。

量子啟發：我們需要的不是一個代表「較多數立場」的少數代理人，而是一個能「聚焦」選區內在相干性的透鏡。具體做法是：選舉時，選民不只投票給人，還要回答5到7個核心價值的「頻譜議題」（例如：你認為政府應在多大程度上介入經濟？1到7分）。AI根據所有人的答案與投票意向，建構出整個選區的「態度分佈矩陣」——它會看見，支持A的人和反對A的人，可能在「環境保護」上相位高度同步；支持B和C的人，可能在「社會福利」上共享相同頻率。

最後，不是選出得票最高的人，而是選出一個「透鏡代表」：這個人的價值座標，恰好位於整個分佈矩陣的「相干中心」。他可能不是任何群體的第一選擇，但他的立場能同時與多個不同相位產生建設性干涉——換句話說，他能同時聽懂40%的A群體、35%的B群體、25%的C群體各自的痛點，並在議會中提出一個讓三方都能部分接受的「聚焦方案」。

這不是比例代表制（那是按粒子數量分席位），而是「透鏡代表制」：代表的功能不是「代言某一塊群體」，而是聚焦整體社群，讓選區內原本可能互相抵銷的相位，有機會產生建設性干涉。透鏡代表的正當性，不來自「最多人把他當第一選擇」，而來自「最少人完全無法接受他」。這是一種從「贏者全拿」轉向「容忍優先」的代表邏輯。

這是最簡單也最激進的創意：在重大議題交付公民投票之前，強制設定一個「審議期」——例如三個月——在此期間，禁止任何簡化的「贊成/反對」動員，只允許深度對話、資訊分享、觀點碰撞。

在這三個月內：

• 媒體不得播放簡化的口號式廣告，只能播出經過認證的、呈現多元觀點的審議內容。
• 社群平台必須調整演算法，確保使用者能接觸到與自己立場不同的觀點，而非被困在同溫層。
• 各地舉辦公民會議、審議工作坊，並由AI輔助將討論內容可視化、傳播出去。
（相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

三個月結束時，不是直接投票，而是先進行一次「審議式民調」，讓社會看見「經過審議的民意」與「未經審議的民意」的差異，然後才進入正式投票。這個創意的核心是：用制度保障疊加態的演化時間，對抗當代政治的「即時坍縮暴力」。瑞士某些州已經有類似的「審議日」（Deliberation Day）試驗設計，但還未強制化、規模化。

任何投票制度都面臨一個根本問題：計票規則本身是誰決定的？傳統上，這是政治角力的結果——多數群體會選擇對自己有利的計票方式。

量子啟發：如果我們承認「測量方式決定了坍縮結果」，那麼計票規則的選擇本身，就應該是一個更高層次的民主過程。可以設立一個獨立的「量子計票委員會」，其成員透過某種審議過程選出，任務是：針對每一場重大投票，選擇最適合該議題特性的計票方式。

對於高度極化的議題，可能選擇排序投票以鼓勵第二偏好整合；對於共識基礎較強的議題，可能選擇同意投票以擴大參與；對於新興複雜議題，可能選擇審議式民調作為正式投票的前置參考。

委員會的選擇不是任意的，而是必須公開其「計票哲學」——為什麼這種測量方式最能保留該議題的疊加態資訊？為什麼這種坍縮規則最能反映社會的真實意志？這個創意的核心是：將「測量的選擇」本身民主化，而非任由單一政治權力或歷史慣性決定。

在討論完具體制度之後，我們需要後退一步，問一個更根本的問題：為什麼要從多數決走向頻譜解析？傳統多數決的背後，是一種「戰爭隱喻」：投票是一場戰鬥，贏者全拿，輸者下次再來。政治被視為零和遊戲，民主的品質完全取決於這四年「誰贏了」。

頻譜解析的背後，則是一種「學習隱喻」：投票是一種測量，測量的目的不是決定勝負，而是讓社會學習認識自己。每一次投票，都應該讓我們更理解集體疊加態的輪廓——哪些區域有共識、哪些區域有張力、哪些區域正在演化。

表一: 「傳統多數決」與「頻譜解析」的差異比較表

從這個角度看，頻譜解析不是要取代多數決，而是要讓多數決變得意義更豐富。在頻譜解析的框架下：

• 投票結果不只是「誰當選」，還包括「社會態度分佈圖」
• 投票過程不只是「加總偏好」，還包括「讓偏好演化」
• 投票之後不只是「執行決策」，還包括「持續監測社會頻譜的變化」
  

​這正是量子民主的核心精神：不確定性不是需要消除的威脅，而是值得探索的資源。每一次測量，都是在不確定性海洋中的一次航行，而非抵達終點。

讓我們回到本章開頭的命題：測量從來不是中性的。當我們用傳統多數決去測量民意，我們不是在反映社會，而是在塑造社會——塑造一個被強迫簡化、被剝奪演化機會的社會。頻譜解析的各種制度創新——排序投票、同意投票、審議式民調——都是在試圖讓這個塑造過程變得更謹慎、更尊重疊加態的民主豐富性。它們不是完美的，但它們指向同一個方向：讓民主的測量，從「強迫坍縮」走向「謹慎觀察」。

AI的出現，讓這些制度有機會從邊緣走向中心，不是AI取代人的判斷，而是AI移除規模化的障礙——複雜計票、多維可視化、大規模審議、個人化資訊輔助——讓謹慎的「民主測量」成為民主常態，而非偶一為之的小型實驗。AI 在此並非取代人類的意志，而是作為「數位顯微鏡」，幫助人類看清那些被肉眼（傳統投票）忽略的細微共識。

量子視角為這一切提供了哲學基礎：它告訴我們，為什麼要這樣做——不是因為這樣「更公平」或「更有效率」，而是因為這樣更接近真實的社會民主。真實的社會不是由固定偏好的粒子組成，而是由不斷演化、彼此干涉、充滿內在張力的疊加態組成。承認這個真實，並據此設計制度，是民主走向成熟的必經之路。

我們測量民意的方式，決定了我們成為什麼樣的公民。在下一講，我們將探討一個更大的問題：當我們有了對話廣場和頻譜解析，一個成熟的民主社會應該具備怎樣的「氣質」？如何在承認不確定性的前提下，學會共同航行？那是從制度走向民主文化的終章。

參考資料：

[1] 孔多塞制與舒爾茨式孔多塞制：誰能贏過所有其他候選人，誰就當選。但現實常有「A贏B、B贏C、C贏A」的循環，此時孔多塞制無解。舒爾茨式則用「擊敗路徑強度」打破循環，在任何情況下都能給出唯一排名——前者是理想標準，後者是可操作的演算法。
（相關報導： 張慶瑞觀點：別讓「強迫坍縮」殺死民主─當 AI 遇上量子思維，如何終結立院僵局？ ｜ 更多文章 ）

＊作者為中原大學講座教授，曾任台大代理校長。​