川普當選抗爭不斷,網路公民運動會影響美國政治的未來?
川普當選抗爭不斷,網路公民運動會影響美國政治的未來?
2016.11.23 |

美國總統大選結束後,美國國內爭議不斷。首先是包含紐約、芝加哥、舊金山、西雅圖、波士頓、鳳凰城、洛杉磯等38個城市在選舉宣布後不到12小時即爆發千人以上大規模遊行。

此後幾天,遊行不但人數沒有減少,到了周末遊行人數更爆增,洛杉磯遊行擴大至8千人,而紐約曼哈頓川普大樓前的抗爭行動從上周三的2千餘人暴增至數萬人,將第五大道從中央公園(Central Park)至聯合廣場(Union Square Park)擠得水洩不通,現場更有千餘名警力維護秩序。

美國有史以來未見過行動如此迅速且規模如此巨大的全國性抗爭行動,上次美國有此規模之全國抗爭行動可能要回溯到越戰時期

這次抗爭幕後最大的推手是網路世代,不但透過Facebook、Twitter組織遊行以外,更透過YouTube、Facebook Live以及Periscope(Twitter)直播遊行現場,以及透過公民行動平台發動大規模連署。

對於這些抗爭行動(多為和平示威活動,僅有少數於洛杉磯、波特蘭與加州奧克蘭的抗爭行動釀成警民暴力衝突),美國國內反應自然是非常兩極化。

美國右派與許多川普選民嘲笑民主黨選民輸不起,川普本人則是在Twitter上發表民眾對他的抗爭是「不公平的」。不過,他也被人踢爆曾在2012年歐巴馬勝選時呼籲美國人對歐巴馬「發動革命」

美國左派與溫和派選民抗爭的同時,更有人發動連署要求12/19日選舉人大會將票投給希拉蕊,並否定川普當選的正當性。 此訴求已超過458萬人連署(截至11月23日),將成為全球最大公民行動平台Change.org上連署人數最多的專案之一。

此外,由於選票舞弊傳聞迭起,美國第三方候選人吉爾·史坦(Jill Stein)發起為搖擺州重新計票的群眾集資專案,短短三天內已籌得250萬美金,將先在威斯康辛州對該州法院申請重新計票。

目前許多台灣媒體仍將這次抗爭歸類為一般選舉後「輸不起」的激情反應,但在美國本土,連主流媒體都開始關注選舉人系統的重大缺陷。

過去選後抗爭,多是幾百人的當地活動,如果純粹只是抗議川普的人格,也難以解釋這次的公民運動規模。要了解為何這次美國民眾會如此憤怒,我們必須深入探討這次美國選舉人系統為何出包,以及選舉人系統的歷史典故。

真正的選舉結果,希拉蕊大贏2百萬票

這次選完後,國內外媒體馬上放出事先準備好的農場文,檢討希拉蕊出師不利導致民主黨敗選。事實上,現狀沒這麼單純,要討論民主黨選輸的原因,希拉蕊的個人行為還算其次。

雖然這次選舉的投票率稍遜於2012,實際投票人數以1億3400餘萬人,超越2012年的1億2900餘萬人。以美國過去數十年投票率來講,2016並沒有「大落」的現象。

而若論及過去幾次美國總統大選的總得票率:

1992年,柯林頓(民主黨)以44,909,806票擊敗老布希(共和黨)的39,104,550票。(總得票數+5.6%,選舉人票370對168)

1996年,柯林頓(民主黨)以47,401,185票擊敗鮑勃·杜爾(Bob Dole)(共和黨)的39,197,469票。(總得票數+8.5%,選舉人票379對159)

2000年,小布希(共和黨)以50,456,002票擊敗高爾(民主黨)的50,999,897票。(總得票數-0.5%,選舉人票271對266)

2004年,小布希(共和黨)以62,040,610票擊敗約翰·凱利(John Kerry)(民主黨)的59,028,444票。(總票數+2.4%,選舉人票286對251)

2008年,歐巴馬(民主黨)以69,498,516票擊敗約翰·馬侃(John McCain)(共和黨)的59,948,323票。(總票數+7.2%,選舉人票365對173)

2012年,歐巴馬(民主黨)以65,915,795票擊敗羅姆尼(Mitt Romney)(共和黨)的60,933,504票。(總票數+3.9%,選舉人票332對206)

2016年,川普(共和黨)以61,958,044票擊敗希拉蕊(民主黨)的63,640,193票。(總票數-1.02%,選舉人票306對232)

反觀今年,川普雖然以306張選舉人票擊敗希拉蕊的232票,但總票數結算至今,希拉蕊總票數已超越川普200多萬票,領先幅度達1.02%,是2000年時高爾領先小布希總票數比例的四倍。

在柯林頓擊敗老布希後,共和黨在美國政治中的優勢年代(共和黨多掌握白宮與參議院)結束了。隨後,二十餘年民主黨相對強勢。

綜觀過去五、六屆總統選舉,民主黨勝選幾乎是排山倒海之勢,但共和黨兩次勝選除了2004年有2.4%領先以外,不到二十年內第二次輸了總票數,卻仍透過選舉人系統進入白宮。這種情況在美國歷史上也只發生過五次,約每十任總統就有一任輸了總票數,但仍靠選舉人票勝選。因此,可以理解為何這次選舉的結果讓許多左派與民主黨選民格外憤怒。

大家一開始相信希拉蕊出師不利的說法,隨著選票計算揭露,希拉蕊領先兩百萬票,這種說法也備受懷疑。

當數以百萬計的選票因為選舉人票系統而被忽視,也讓不少許多美國人開始檢討川普勝選的主要原因,是選舉人系統的制度性缺陷。

選舉人票的系統問題:有被操作的風險

簡而言之,美國的選舉人系統(Electoral College)是一種代議式民主,在選舉國家首長的功用和英國議會、蘇聯的蘇維埃代表大會、中華民國過去的國民代表大會以及中華人民共和國的人民代表大會類似。基本上就是先從各選區選出代表後,再由代表們選出(決定)首長人選。

這種系統是否有問題呢?

答案是見仁見智。直接民主(Direct Demorcacy)與代議民主(Representative Democracy)各有利弊,而事實上,英國和蘇維埃雖然在首長選舉都是透過代議民主,但兩者選舉的透明度、政治清廉度都有天壤之別。 因此,我們該關注的不只是系統是什麼,而是系統怎麼被人利用。

回到美國的選舉人系統,理論上選舉人票是依照人口分配,但事實上,選舉人票的分配仍有些古怪的特性,使其仍有被操作的風險。

首先,每州最少會被分配三名選舉人票,因此人口少的州所配得的選舉人票比例較高。比如說,加州人口約3,914萬人,為美國最大的州,配得55名選舉人票。而懷俄明州(Wyoming)人口只有58.6萬,為美國最小的州,也配得3名選舉人票。

以比例來看,加州1百萬人配得1.5選舉人票,而懷俄明州每1百萬人卻配得5名選舉人票,是加州的三倍以上。因此加州住民對於美國政治影響力遠低於懷俄明州。

80年代以前,美國大州與小州的投票趨勢還未像今天一般分歧對立,但是到了今天,美國人口最多的州除了德州與喬治亞州是共和黨鐵票倉以外,大州如加州、紐約、伊利諾(Illinois)、紐澤西都是民主黨的鐵票倉,人口占美國21%。

南方與中西部的小州則是共和黨的鐵票倉,雖然人口總數不多,但是選舉人票相加的結果,卻相當可觀。導致最後能決定選戰結果的三大搖擺州,是佛州(Florida,美國人口第三大)、賓州(Pennsylvania,美國人口第六大)和俄亥俄州(Ohio,美國人口第七大)。

第二,制度性議題,就是選舉人的分配方式。美國憲法只有規定由選舉人共同選出總統,除此之外,選舉人票分配的方式則完全由州自己決定, 因此「贏者全拿」只是一種慣例,而不具有法律基礎

所謂贏者全拿,就是如果加州選民過半投給民主黨,那加州的55選舉人票將會全數投給民主黨候選人。美國有些州認為這種作法並不妥當,因此有緬因州(Maine)以及納布斯卡(Nebraska)兩州決定參考該州投票比例分配選舉人票。

美國另有十州(加州、紐約、紐澤西、華盛頓等)已簽署全國總票數跨州協定,協定成員皆通過立法,在總統大選時,選舉人票的贏家若不是總票數贏家時,這十州會將選舉人票投給總票數贏家,來確保選舉人票的「多數」基礎。

可惜的是,目前為止此協定只有民主黨鐵票倉簽署。一方面,共和黨州由於多反對聯邦影響州自主性,因此對此協定興趣缺缺;另一方面,賓州、俄亥俄、佛州等三大搖擺州因為自己在選舉人票系統中的影響力,而不太可能會同意簽署協定。

許多人一開始認為選舉人系統的規則是美國兩百三十年來的「正當傳統」,實際上這是跨州政治的重要議題。

這次選舉的結果更是一大導火線,再次引爆左派多數州對於美國選舉人系統的不滿。

選舉人票由來

現在讓我們來聊聊,為什麼美國會有這種選舉人票系統呢?美國與英國不同,是採三院分權,為何要沒事找一堆選舉人來選總統?

美國許多人猜想是因為要保護弱勢州的利益,其實不然。而真正的原因,其實很多美國人都不清楚。

選舉人系統最初設計理念背後真正的原因就是:與奴隸制度妥協

回溯到1987年美國建國初年,美國才剛獨立,美國建國元勳的聯邦黨將美國從邦聯(Confederation)改制為聯邦(Federation),制定出美國憲法,碰到了憲法一大難題:怎麼選出聯邦首長?

當時美國北部州的少數人種(主要以黑人為主)多為自由身,奴隸人口很少。反觀,南部務農大州奴隸制度仍興盛,很明顯兩者的社會型態和經濟型態大不同,政治上更難混為一談。當時美國人口約270萬人,而奴隸就占了68萬人。

若參考美國建國13州的人口,雖然紐約和賓州與當時人口最多的維吉尼亞州(Virginia)的自由人口差不了多少,維吉尼亞卻另有29萬奴隸人口。因此當南北多州談判時,南方州便大力反對用直接選舉的方式選出總統,而北方州亦拒絕南方州將沒投票權的奴隸人口算入總票數。

最後,兩方決定折衷方案,歷史上稱為五分之三折衷案。此折衷案允許無投票權之奴隸以及其他少數人種算作「3/5個人」,而其作用在於賦予南方奴隸大州約1/3的額外票數。

為了方便計算,當時的建國元勳們通過建立選舉人票系統,來計算並制定每州所分配的票額。折衷方案通過後,像維吉尼亞州即使與北方大州賓州投票人口相差不多,卻拿下了20%的選舉人票。

經過230年,美國早已廢除奴役制度,少數人種也已獲得投票權,但是這古老的選舉人制度也被保留了下來。

選舉人票改革難度大

既然選舉人票系統在美國史上已出包五次,為何不改革呢?

因為美國修憲除了國會兩院必須超級多數(三分之二)通過外,還必須通過各州表決的超級多數(四分之三),也就是50州之中必須要有38州表決同意修憲。

上面已討論過,人口小州在選舉人票系統的配票額度遠高於人口大州,而美國三大搖擺州也不願失去自己在選舉人系統中的關鍵性。因此對於多數州而言,即使選舉人票系統使得美國各州州民的政治影響力不均,許多美國州(尤其是共和黨多數州)必將封殺修憲案。

美國_網路民主_Internet democracy_shutterstock_511833004.
圖/ shutterstock

網路公民運動會影響美國政治未來嗎?

美國總統大選的實質意義與英國脫歐公投一樣,算是一種民意機制,卻沒有法律效力。

因此,在12月19日美國選舉人投票前,川普都還不是總統。

美國大量抗爭的民眾訴求,即是希望選舉人將票投給總票數最高的希拉蕊,雖然此訴求合法合理,但是卻不可能發生。

由於大部分州的選舉人是由勝選政黨選出,因此共和黨選出的選舉人跳票機率很小。目前希拉蕊的選舉人票仍落後川普58票,至少要30名選舉人跳票,希拉蕊才有可能當選,因此這次翻盤的機率是微乎其微

即使如此,這次的選舉人雙方都已有躁動,連共和黨內部都發聲要摘掉川普。

即使如此,值得關注的是,網路平台推動美國有史以來最迅速、規模數一數二的抗爭遊行與公民運動。而希望選舉人支持希拉蕊的線上連署,也在選後三天內突破2百萬人,目前已突破450萬人。依目前連署人數趨勢看來,在12月19日選舉人投票前,有機會再增加百萬人,屆時可能成為世界有史以來最大的連署專案。

而在輿論爆炸下,民主黨參議員已順勢提出廢除選舉人修憲案

雖然法案通過機率極低(註:共和黨完全執政,還沒到各州表決時,在國會就會先被擋下來),這次美國發生的大規模公民運動,在網路平台與年輕世代的積極參與下,未來可能會成為美國政治的重要面向,也是未來每位美國政客必須關注的新焦點。

#####《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長800至1000字,兩天內會回覆是否採用,文章會經編輯潤飾,如需改標會與您討論。

關鍵字: #美國總統大選
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓