【尖端講座系列】第十七場 The Role of AI in Democratic Governance

【尖端講座系列】第十七場 The Role of AI in Democratic Governance

　　2021年3月31日上午，本院舉辦【尖端講座系列】第十七場，主題為The Role of AI in Democratic Governance人工智能與民主政治，合辦單位為國立臺灣大學政治學系。主講人為伊利諾大學厄巴納-香檳分校政治系的敖超麗教授，她同時擔任台灣大學地理環境資源學系之客座教授。主持人劉康慧教授首先開場並介紹敖超麗教授的研究背景。

主旨：

　　敖超麗教授在人工智能的研究跨足數個不同的領域與學科：其中包含電腦科學、物理學、統計學、數學、法律與政治學等。這篇演講以美國選區圖重劃的案例，闡述人工智能如何在短時間內畫出大量不同的選區圖形，而其龐大的資訊量該如何經統計運算公式後被篩選與運用。雖然人工智能演算法提供選區劃分的無限可能性，但如何避免選舉政治操作，仍是一個重要的人文議題，需考量社會的經濟、文化與種族等因素。

傑利蠑螈？風車、高飛，龍蝦

　　敖教授在開場即說明選區的劃分與選舉結果息息相關：在同一個區域範圍內，在人數與選民政黨傾向的條件不變之下，可藉由不同的選區劃分方式，讓選票開出有利民主黨或共和黨兩個截然不同的結果。為求公平，每十年進行的人口普查決定州的選區數目，然後重新劃分選區圖型。但每次的重劃皆無法避免偏益其中一個黨派，甚至隨著科技與演算法的進步，政客們更能有效地劃出影響選情的不同圖形。這些因政黨利益操作畫出的選區圖千奇百怪，出現貌似風車、高飛狗或龍蝦的形狀，這些扭曲的選區使大眾質疑選舉的公平性。

　　傑利蠑螈（Gerrymander）這個政治術語意指以不公平的選區邊界劃分操縱選舉，使投票結果有利於某方，在1985年美國最高法院裁決此做法違憲。但要在法院中證明選區圖確實嚴重的偏袒某黨派，實際上有舉證的困難。選區圖的畫法有千萬種可能性，若沒有與其它可能的圖形做比較，如何證明特定的畫法是否違反公平原則？敖教授透過人工智能演算法的輔助來回答這個問題。

教電腦畫圖：演算法的進化論

　　為了取得公正選區圖的基準點，有必要列舉出所有選區的可能性，交叉比對大量的圖形後取得中間值。敖教授運用到電腦龐大的運算力來協助她的研究。首先，她指示電腦繪製隨機的選區圖，雖然得到的圖形數量龐大，但多數皆無參考價值，因為不符合法定的繪圖原則。選區的劃分須符合下列四點原則：範圍相連接，人口數相當，城市與行政區維持完整性，並符合1965年簽署通過的《投票權利法》。給電腦以上的條件指令，程式即可描繪出大量符合規範的選區圖。

　　電腦程式經過數次的改寫，能夠更快速而且精確的畫出最符合要求的圖形。電腦演算法的優化（Optimization algorism）如同物種的進化論，透過結合不同版本的母圖（parent map），經過多次修改，保留優點、淘汰漏缺，得到更精進的子圖（child map）。

　　這種人工智能不但學習繪圖，也能透過演化而縮短所需的運算時間。原本需要花五個半小時才能產生的選區圖，經過突變運算元（mutation operator）可在十二分鐘內得出更好的版本，最終的演算法可在三分鐘內畫出最理想而且符合規範的選區圖。

超級電腦（Supercomputer）與取樣方法

　　為了畫出全美五十州的選區圖，需要用到大量的運算容量與效能，於是敖教授使用名為Blue Waters的超級電腦。這是一台PetaFLOPS級別的超級電腦，曾經是世界第一迅速的研究計算機。Blue Waters使用大規模並行處理系統（massively parallel system），載搭七十五萬台核心處理器（processors），可以維持在每秒一萬億次的計算速度。但處理器的數量並非計算快速的關鍵，重點是如何協調處理器之間的資訊傳輸，以達到最高效率的執行。以蓋房子為例，工人多不代表工程可以進行比較快，而是每位工人都需要分工、了解自己的任務、相互合作才能有效率的完工。Blue Waters使用到傳送與接收緩衝器（sending and receiving buffer），這個機制加速之間的資訊傳輸，達到高效率的演算。

　　敖教授強調發展超級電腦科技的重要性。二十年前的超級電腦Cray的功效等同於現代的iPhone4；以此推算，只要持續發展這項科技，未來的人也能在口袋中隨身攜帶等同於Blue Waters的超級電腦。超級電腦的計算能力不光只能運用在物理、軍事或太空研究上，亦能如敖教授般用此科技來處理政治人文的議題，證明更快速的電腦對人類社會與生活所有面向的發展都是有助益的。

　　雖然超級電腦能夠產出大量合規範的選區圖，但因數量太過龐大，如何取樣得到可分析的數據是敖教授研究中面臨的一大考驗。她們採用了馬可夫鏈蒙地卡羅演算法（Markov chain Monte Carlo, MCMC）。但若單純以馬氏鏈從隨機分布取樣，得到的結果也將漫無目標，而且數據必定會出現不符合規範的選區圖。因此，敖教授使用了Metropolis–Hastings演算法：這個程序可以產生具有細緻平衡特性的狀態轉移機率，透過這樣的程序，可以建立一個馬可夫模型（Markov Model）。接著她結合了繪圖時用到的優化演算法（optimization algorism）與馬可夫模型（sampling）來進行取樣。得到的結果就是能夠在隨機的前提下取得最大量的樣本，但同時樣本又皆符合四項法定的繪圖原則。他們開發出的這個演算法稱之為「演化式馬可夫鏈蒙地卡羅演算法」（Evolutionary MCMC）。

結論：人工智能與民主政治

　　科技的進步幫助政客更容易畫出傑利蠑螈這種以政治操盤為目標的選區圖，根據大法官Kegan的說法，2010年的選區圖為美國史上最嚴重的政治操控案例之一。當今人們該如何運用人工智能繪圖，又同時避免落入偏袒一黨的弊端呢？

　　人工智能對於民主政治有著舉足輕重的地位，但AI卻不能完全取代人類來進行選區圖的劃分。人類的能力與人工智能的長處不同：更多的計算產生更多的選區圖，但不代表選舉制度更加「公平」，不斷演變的政治情勢與社會價值觀引領著選舉制度的變遷，其中牽涉少數族群權益、多元性別尊重等議題。隨機不等於公正，人工智能提供更多的可能性，但價值判斷仍需經過人們的辯論與省思。

　　透過人工智能與人類的合作，人工智能生產大量的資訊，而人類則負責分析處理資訊並善用這項工具。這個過程需加強資訊的公開與透明度，讓大眾瞭解新資訊的意義。如同一個鐵鎚是個工具，可以運用於有益大眾的建設上，不當的使用亦可造成人身傷害。如何避免科技被有心人士利用在私利上，是敖教授希望在座的聽眾重視的議題。