一座數位台北

從 Sim Francisco 來的啟發

2026 年，UC Berkeley 的團隊在 Anthropic 的 Opus 4.8 Build Day 黑客松上，用美國普查的個體資料合成出一座「會回答問題的舊金山」——Sim Francisco，拿下獎項並開源全部程式。它證明了一件事：不用問卷、只用公開資料，可以合成出一座能拿真實選舉對帳的城市。

Sim Taipei 是這個想法的台灣版。方法骨架與誠信規則照抄它（不偷看答案、held-out 驗證、公開回測），但台灣手上有一張舊金山沒有的王牌：中選會的村里級歷次開票——Sim Francisco 只能拿一兩個單點對帳，這裡有 456 個里 × 7 場選舉。也正因為對帳容易，我們比它更早撞上誠實的結論：AI 合成市民猜票猜輸了統計（第 05 段）——所以這座城市裡，AI 被降級成引擎二，只管沒有答案的問題。

哪台引擎回答哪種問題，先分清楚

從公開資料，合成一整座城市

983 種人格是什麼：6 個屬性軸（年齡×性別×婚姻×教育×省籍×統獨）在全市出現過的相異組合——不是 983 個「人」，而是一本全市共用的人格字典，210 萬選民都能在裡面找到自己的格子；每個里則是這本字典的不同權重混合。這個設計的解析度極限（哪些東西裝不進去），第 04 段照實講。

前 4 個是戶政統計直接給的；省籍、統獨沒有里級公開資料——由學術調查（TEDS）的「教育↔省籍↔統獨」相關結構插補，再用 1990 普查與客委會調查把各區水位釘住。這條插補鏈怎麼驗證、邊界在哪，第 04 段整段攤開。

✓ 的兩條有真實資料對驗：國族軸對開票地形（吻合度約 0.67）、性別議題軸對 2018 同婚公投。其餘 6 條沒有里級真值可對，全站一律標成「假說地圖」，不當結論賣。

戰績連基準一起講——不然數字只是裝飾

台北的里級政治地形極穩，「每個里都投上屆投的」這種零智慧猜法也能拿到不差的分數。所以下面每個數字都附上無腦基準（全市均值）讓你自己比——我們的價值不在「知道地形穩」（任何里長都知道），在把「穩」量化成 456 個帶誤差帶的數字。

• 誤差分數：模擬民調 ±3% 誤差情境下約 0.0028，基準 0.0077–0.0108——約基準的三分之一。兩個誠實註記：①這是自訂情境的變體，不是教科書標準 Brier 設定；②搖擺里實驗已跑（2026-08-07，照承諾好壞照登）：依上一場差距分層，搖擺里（N=177）份額誤差 0.0022 ≈ 全體 0.0021——「送分里灌水」不成立；但把方向命中按事後開票差距拆開就刺了：真正接近（<10pt）的 230 個里在 ±3pt 誤差下命中僅 64–72%、<5pt 的 134 里 52–68%——整體 86% ＝ 安全里近滿分＋真搖擺里六到七成，對「最後很接近」的里，方向天花板由民調誤差決定，這正是我們發布情境梯而不是單點的原因；校準曲線斜率≈1、整條偏移＝餵入的水位誤差（模型不添加形狀扭曲）；順帶更正——先前寫「±3%」實作為單側 +3%，本次兩側皆跑（85.7%／82.0%），結論不變
• 重建一致性（注意：這是一致性檢驗，不是預測力證據——模型與水位平移法同源，吻合只證明算法一致）：用今天的地形灌柯文哲 2014 的水位 → 模型 403 里、柯實拿 401 里；蔡英文 2020（北市）同法 → 377 vs 373
• holdout 鐵則：預測哪一場，那一場的開票就絕不進模型（包括任何校準）。切法詳揭露頁
• 預測存證：Wave 1（2026-08-06）已隨 git commit 釘死——saomin.tw @ 565aeee sim @ 016fa16。封存粒度：456 里全表＋中央預測（蔣 66：沈 34）＋四條可證偽宣稱＋議員政黨席次分布，發布後不改。誠實註記：hash 目前錨在私有 repo（內含學術授權資料，尚不公開），第三方暫時只能信任時間戳；開票對帳時逐里公開，屆時可與各波預測頁直接比對

最後一行就是判決：全部疊加＝凍結單獨，一模一樣——983 種人格對引擎一的貢獻是零。這不是被抓包，是設計：AI 層猜票猜輸的那一刻（第 05 段），它就被移出選舉預測，只留在引擎二。⚠ 此表為完美水位條件的相對比較，絕對數字別跟上面 ±3% 情境的 0.0028 直接比。

• 性別議題軸 ↔ 2018 同婚公投開票：吻合度 0.32（扣掉綠票與教育等人口因素後仍有 0.24——代表不是人口資料的轉述）
• 國族軸 ↔ 開票地形：0.67
• 11 個有真值可對的議題，5-fold held-out 成績單：結構型 R² 0.60–0.75、態度型 0.23–0.58——哪類問題答得好、哪類答不好，全部攤開
• 一個「假說先行、事後被獨立印證」的案例：模型在零民調輸入下推估「沈伯洋相對最強的選區＝中山大同」；TVBS 之後發布的六選區交叉，唯一沈領先的區正是中山大同

規則：每一波發布後不回改，新波不覆蓋舊波，歷次全保留——不準的波次會留在原地被對帳，準的也一樣。

省籍與統獨是推算出來的——怎麼算、為什麼敢、邊界在哪

怎麼算：里級的省籍、統獨沒有任何公開資料。我們拿學術調查（TEDS）裡「教育↔省籍↔統獨」的真實相關結構，插補進每個里的人口表；再用 1990 戶口普查的區級外省比例校正——注意，只借它的「相對形狀」（哪區偏高哪區偏低），總量重新錨定在現況（客委會 110 年調查）。

為什麼敢用：因為這條鏈是對過帳的，不是信仰。插補出來的外省分布——在從沒看過任何選票的情況下——對 2022 蔣萬安的里級得票相關 +0.59；經 1990 形狀校正後升到 +0.64。36 年前的地理形狀到今天還能預測藍票，這個數字本身就是「形狀還在」的證據。權重也做過敏感度分析：外省校正強度 K 從 0.2 掃到 2.0，驗證分數整段平台穩定——不是單點僥倖。若哪天它對不上帳了，這段會照實改寫。

邊界在哪：983 種人格是全市共用的字典，每個里是這本字典的權重組合——所以凡是不能化約成人口結構的東西，結構上就裝不進去：里長的人際網絡、在地爭議建案、候選人同鄉效應。我們實測過：就算把所有人口屬性餵好餵滿，AI 輪詢也只還原了真實里間差異的約三成——剩下七成在樁腳、地緣與組織裡，不在任何公開資料裡。這正是引擎二只敢標假說、引擎一寧可抄開票的原因。

會自己投票的 AI 市民，猜票猜輸了統計模型

這頁到這裡為止都在講它會什麼。但這個專案真正學到的東西，幾乎都是從失敗來的 —— 這些我也放上來，因為那才是你該拿來判斷我的依據。

我試過讓 AI 市民自己猜票，四次都輸。輸給一個很笨的統計模型 —— 把上一場開票的里級結構直接凍結、再用民調把水位釘對。最後一次是 2026-07-15：就算把省籍餵給它，它也只還原了真實里間差異的 30%。所以「誰會贏」我不用 AI 算，用凍結地形算。AI 市民負責的是沒有前例可循的問題：新議題、新候選人。

我試過用候選人的形象預測他的票倉，沒有預測力。59 位現任議員實測，中位相關 +0.004 —— 幾乎是零。議員的票是樁腳和地緣經營出來的，不是形象。這個負面結果反而讓產品變對了：不賣「人設預測票倉」，改賣「機會面圖」。

我試過把模型輸出直接拿去做廣告受眾建議，輸給裸的 ChatGPT。它漏掉了「離門市遠近」這種生意常識。後來客戶一句真實客群知識，又同時打翻了 ChatGPT 和我手調的權重 —— 那次學到的是：只有真實結果的校準才對得了寶。

8 條價值軸裡，也只有國族和性別議題兩條有真實資料背書，其餘 6 條我標成假說地圖，因為它們還沒有里級真值可以對。