2026年9月15日，一場虛擬的「新北市長選舉」有了結果。參加這場選舉的，是26,771名人工智能虛擬選民。
台灣議題研究中心（TPOC）依照新北市人口結構，以性別、年齡、29個行政區、學歷與政黨傾向等條件，建立26,771個大型語言模型虛擬受眾代理人，再讓它們模擬如果由李四川與蘇巧慧競逐新北市長，自己會支持誰。
這已經不是單純詢問 AI「誰會當選」。每一個虛擬選民都被賦予不同的人物條件，再被要求作出政治判斷。除了投票支持度，模擬內容還包括候選人的好感度、勝選看好度、突發市政危機處理能力、中央與地方協調能力，以及操守與可信度。
TPOC公佈的模擬結果顯示，李四川獲得37.9%支持，蘇巧慧為31.5%，另有約三成虛擬選民尚未決定或兩人都不支持。這些數字不是傳統民調的調查結果。TPOC將這套方法稱為「AI民意模擬」，它仍然建立在資料、人物設定與大型語言模型之上。
可是，這場沒有真實選民參加的選舉，提出了一個比預測誰會當選更有意思的問題。
TPOC已經讓26,771名 AI虛擬選民模擬在李四川與蘇巧慧之間作出選擇。那麼在政黨正式決定候選人以前，能不能用同樣的方法，先比較幾名可能人選？
假設某政黨有 A、B、C三名可能人選。現在的民調顯示 A支持度最高，黨內最看好 B，C的知名度最低。政黨可以讓 A、B、C分別與其他政黨的同一名候選人競選，再設定多種選舉情境進行模擬。例如經濟景氣正常時，分別模擬 A、B、C參選的結果；如果經濟衰退，再讓三個人各自模擬一次；如果住宅問題成為選戰焦點、青年投票率提高，或者發生重大外交事件，也分別重新模擬。
這樣得到的就不再只有一個「現在誰的民調最高」，而是三名可能人選在不同選舉情境下，各自可能獲得多少選民支持。
模擬結果可能顯示，A在目前情勢下最有利，B在青年投票率提高時表現較好，原本知名度最低的 C，卻在經濟衰退或重大危機發生時取得較高支持。這時，政黨得到的不是另一份民調，而是三名可能人選面對不同未來時的不同結果。
這還不是普遍存在的政治實務。目前沒有足夠證據顯示主要政黨已經把數名潛在候選人交給 AI虛擬選民比較，再依據模擬結果正式決定提名。但是，這個做法並非科幻。美國的競選團隊與政治顧問已經利用合成選民（synthetic voters）測試競選信息，模擬不同信息可能引起的選民反應。9月16日，在哈佛甘迺迪學院一場討論中，美國兩黨資深政治策略人士談到，人工智能可以利用大量資料建立合成選民群體（synthetic cohorts），協助競選團隊測試信息，特別是針對傳統電話民調愈來愈難接觸的選民。前白宮政治主任 Doug Sosnik甚至預期，2028年美國總統大選可能成為第一場真正意義上的「AI選戰」（AI campaign）。
AI已經可以模擬選民如何選擇，也已經以真實候選人模擬一場尚未發生的選舉。下一步，如果這套方法被提前用在政黨提名之前呢？
這裏要注意的，不是「AI民調會不會比傳統民調更准」，而是 AI正在增加一種政黨過去很難擁有的能力：模擬提名不同候選人，可能產生什麼選舉結果。
假設 A得到政黨提名，最後以51%得票率當選，我們知道 A贏了。但 B、C沒有獲得提名，因此沒有人知道，如果當初提名的是 B或 C，選舉結果會不會不同。
歷史只會發生一次。傳統上，政黨只能觀察真正獲得提名者的選舉結果，無法知道如果當初提名另一個人，結果會不會不同。AI情境模擬增加的能力，正是模擬不同候選人獲得提名後，可能出現什麼選舉結果。
過去，政黨主要依靠政治經驗、民調、焦點團體與直覺推測這些沒有實際發生的結果；現在，則可以用較低的成本，大規模而系統性地反覆模擬。
這和傳統民調不同。民調主要回答：如果現在投票，你支持誰？AI情境模擬則可能繼續追問：如果未來發生不同的事情，你最後可能支持誰？前者測量現在的狀態，後者試圖模擬不同條件下可能出現的結果。
韓愈在《馬說》觀察到的，幾乎是另一幅圖景。
「千里馬常有，而伯樂不常有。」他提出的問題不是天下沒有千里馬，而是千里馬即使存在，卻未必有人懂得辨認。對應到今天，實際的問題是：真的沒有好人才，還是人才其實存在，只是選拔制度沒有把他辨認出來？
政黨提名長期面對的正是這種困難。只是政治里的「伯樂」從來不只有一個。黨內菁英判斷誰最適合代表政黨；地方組織判斷誰最能動員；初選讓黨員或支持者選擇；民調則測量一般選民此刻最支持誰。
而這些方法判斷的，本來就不是完全相同的事情。政黨提名候選人，是取決於「最可能得到人民支持的人」嗎？答案未必。政黨還可能考慮忠誠度、派系平衡、政治資歷、地方組織、選區佈局，以及候選人當選之後能不能與政黨合作。
由此，選民支持的千里馬，不一定是政黨眼中的千里馬。AI則再增加第三種：模型推算的千里馬。
假設某政黨準備挑選一名市長候選人。黨內菁英認為 B最適合。B資歷完整、地方組織紮實，也最容易整合政黨。傳統民調卻顯示 A支持率最高。A的知名度最高，目前也領先競爭對手。而 C的知名度最低。
可是政黨使用虛擬選民模型模擬不同的選舉環境之後，C勝出的次數最多。模擬結果顯示，一旦選戰進入政策攻防，C在中間選民、青年與特定地區的支持成長最快，面對幾種主要危機時，支持度也最穩定。
這時，千里馬有三並列：黨內菁英眼中是 B；選民支持的是 A；AI情境模擬出的千里馬是 C。但誰才是伯樂？
假設 AI已經可以相當準確地估計候選人的勝選機率：A是52%，B是56%，C是71%。政黨是不是就應該提名 C？仍然未必。
C可能最會贏得選舉，卻不是最會治理的人；可能擁有很強的個人魅力，卻與政黨主張完全不同；也可能最容易取得短期選票，卻主張一項長期會傷害公共利益的政策。甚至從政黨本身的角度來看，一個最可能當選、但當選之後完全不接受組織協調的人，也未必就是最理想的候選人。
預測誰最可能贏，和決定誰最值得被提名，是兩個問題。前者 AI早已參與，後者卻始終包含價值判斷。
而且，虛擬選民的數量增加，也不等於模擬就更接近真實選民。這些代理人仍然建立在訓練資料、人物設定與模型行為之上；如果模型低估某些群體的反應、沒有掌握地方政治文化，增加代理人的數量，也可能只是把同一種偏差複製更多次。
今年，歐美研究 AI模擬焦點團體的學者特別提醒：這類工具在測試與修改競選信息上可能具有用途，但如果目的是理解政治認同、價值與政治意義如何在人與人的互動中形成，就不能直接用 AI模擬取代真人互動。
模擬選民，和理解選民，不是同一回事。AI並沒有替民主政治找到一位不會看錯人的終極伯樂。它帶來的反而將是更複雜的情境。黨內菁英是一位，地方組織是一位，民調反映選民現在的支持。未來，數千甚至數萬名由資料與大型語言模型生成的虛擬選民，又可能成為另一位。
可是，當它們各自指出不同的「最好候選人」，政黨最後仍然得自己回答一個 AI無法代為決斷的問題：究竟什麼才叫「最好」？
韓愈在《馬說》最後問：「其真無馬邪？其真不知馬也？」人工智能也許能讓政黨增加一種「識馬」的方法。但如果有一天，真的出現第一位經由 AI情境模擬而脫穎而出的候選人，那一天最值得關注的，恐怕已經不是 AI有沒有挑對人。而是：政黨究竟要把選民現在最支持的人、未來最可能勝選的人，還是最適合治理的人，稱為自己的「千里馬」？這個答案，不能只交給26,771名虛擬選民決定。