← Archive
lm-001589 · 2026-07

01_從線性搜尋到個人化門戶_v0.1

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

從線性搜尋到個人化門戶：AI 時代的搜尋功能解體與門戶重構

From Linear Search to Personalized Portals: Search Functional Decomposition and Portal Reconstitution in the Age of AI

作者： Neo.K（許筌崴）
機構： 一言諾科技有限公司（EVEMISSLAB）
版本： v0.1 學術草案
日期： 2026-07-19
狀態： 概念建模與理論建構稿；尚未經同儕審查

術語說明：本文將早期工作代號「真 Yahoo」正式化為「使用者主權自適應資訊環境」（User-Sovereign Adaptive Information Environment, USAIE）。工作代號僅用於概念史回溯，不指涉 Yahoo 公司之商標、產品所有權或合作關係。

摘要

本文研究一項表面矛盾的網路現象：傳統搜尋業務與查詢活動仍可持續成長，但大量資訊型網站與內容生產者卻感受到外部點擊、自然發現與冷啟動能力的下降。本文主張，矛盾源自「搜尋」一詞長期混合了至少四種不同功能：資訊定位、首次發現、答案完成與外部網站導流。生成式人工智慧、演算法資訊流及平台內答案使這些功能開始解耦。搜尋引擎並未消失，而是由連結分配器轉化為答案生成與任務中介系統；同時，社群平台、影音推薦、AI 對話及個人化首頁分別吸收首次發現與持續資訊追蹤功能。

本文提出「搜尋功能解體命題」與「門戶重構假說」（Portal Reconstitution Hypothesis, PRH）。前者指出，當資訊定位、答案生成、內容發現與網站導流分散到不同系統後，不再存在統一的單一第一入口；後者指出，當反覆查詢、來源切換與情境重建的邊際成本，高於建立並維持個人化資訊入口的成本時，使用者將由事件式線性搜尋轉向持續式資訊環境。Yahoo Scout 與 MyScout 在 2026 年的推出，可被視為 AI 答案引擎與個人化門戶重新結合的早期市場證據，但尚不足以證明使用者主權型門戶已經完成。

關鍵詞： 線性搜尋、零點擊搜尋、AI 答案引擎、個人化門戶、門戶重構、資訊發現、網站導流

1. 問題提出

搜尋引擎過去同時承擔四個角色：

Slegacy=I+D+A+R\mathcal{S}_{legacy}=I+D+A+R

其中：

  • II ：Information Location，資訊定位；
  • DD ：Discovery，未知內容發現；
  • AA ：Answer Completion，答案完成；
  • RR ：Referral，向外部網站導流。

在傳統十條藍色連結模式中，四者高度耦合：

提出查詢→取得結果列表→進入網站→完成理解\text{提出查詢} \rightarrow \text{取得結果列表} \rightarrow \text{進入網站} \rightarrow \text{完成理解}

但在 AI 搜尋與平台推薦環境中，這條鏈已被拆開：

I→搜尋與索引I\rightarrow\text{搜尋與索引} D→社群、影音與推薦流D\rightarrow\text{社群、影音與推薦流} A→AI 摘要、答案引擎與聊天介面A\rightarrow\text{AI 摘要、答案引擎與聊天介面} R→被壓縮、重新分配或延後R\rightarrow\text{被壓縮、重新分配或延後}

因此，「搜尋仍然成長」與「網站較難獲得點擊」可以同時成立。

Alphabet 於 2026 年第一季公布 Google Search & other 營收年增 19%19\% ，並稱查詢量創新高。這證明搜尋商業系統依然強勁，卻不能直接推出外部網站流量按相同比例成長。Google 另稱整體自然點擊量大致穩定、高品質點擊略增；Pew Research Center 以美國使用者瀏覽資料分析則發現，具有 AI 摘要的搜尋頁面中，傳統結果點擊率約為 8%8\% ，未出現摘要時約為 15%15\% ，而對摘要引用來源的直接點擊約為 1%1\% 。兩者測量層次不同，因此未必互相否定。

2. 搜尋活動與網站導流的分離

令搜尋平台營收為：

RG=Q⋅pa⋅pc⋅vcR_G=Q\cdot p_a\cdot p_c\cdot v_c

其中 QQ 為查詢與互動量， pap_a 為廣告展示機率， pcp_c 為廣告點擊或轉換機率， vcv_c 為單次商業行為價值。

外部網站取得的自然流量則近似為：

TW=Dq⋅pi⋅pr⋅pv⋅poT_W=D_q\cdot p_i\cdot p_r\cdot p_v\cdot p_o

其中 DqD_q 為相關查詢需求， pip_i 為被索引機率， prp_r 為進入可見排名機率， pvp_v 為介面可見性， pop_o 為外部點擊機率。

因此可能出現：

RG↑∧TW↓R_G\uparrow \qquad\land\qquad T_W\downarrow

更精確的觀察量應是：

ηR=外部網站點擊搜尋或答案互動次數\eta_R= \frac{\text{外部網站點擊}}{\text{搜尋或答案互動次數}}

本文稱 ηR\eta_R 為「外部導流效率」。搜尋使用量上升並不表示 ηR\eta_R 上升。

3. 搜尋功能解體命題

命題一：功能解體

Search Share≠Discovery Share≠Answer Share≠Referral Share\text{Search Share} \neq \text{Discovery Share} \neq \text{Answer Share} \neq \text{Referral Share}

使用者可能先在社群平台得知事件，再到搜尋引擎驗證，最後在 AI 介面整合資料。只以最後一次查詢衡量入口，會忽略首次發現；只以網站推薦流量衡量搜尋使用，則會忽略零點擊答案。

命題二：來源使用與來源可見分離

Source Used⇏Source Visited\text{Source Used} \not\Rightarrow \text{Source Visited} Source Influenced Answer⇏Source Recognized\text{Source Influenced Answer} \not\Rightarrow \text{Source Recognized}

生成式系統可讀取、擷取或綜合來源，而使用者未必造訪或辨識該來源。2026 年針對 Google AI Overviews 的研究已開始測量來源選擇、主張支持程度與出版者衝擊，顯示 AI 摘要不只是搜尋結果的附加層，而是新的編輯與注意力分配層。

命題三：單一第一入口消失

資訊意圖 可能的第一入口
已知網站、品牌、人物 搜尋引擎或網址列
商品比較與交易 電商、搜尋、AI 購物助手
技術解題 AI、文件、GitHub、搜尋
影音教學 YouTube、短影音、搜尋
新聞偶然發現 社群、影音、推播、聚合器
長期領域追蹤 個人化首頁、RSS、社群、AI 摘要
複雜研究 AI、搜尋、資料庫與原始文件組合

網路入口因此由單一搜尋框轉向「分散式意圖路由」。

4. 無限線性搜尋問題

傳統搜尋任務可表示為：

q1→R1→x1→q2→R2→x2→⋯→qnq_1\rightarrow R_1\rightarrow x_1\rightarrow q_2\rightarrow R_2\rightarrow x_2\rightarrow\cdots\rightarrow q_n

每一輪都需要重新完成查詢構造、結果掃描、頁面切換、來源比較、重複排除與任務狀態回憶。總成本可寫為：

CLS(n)=∑i=1n(cq(i)+cr(i)+cv(i)+cs(i))C_{LS}(n)= \sum_{i=1}^{n} \left( c_q^{(i)}+ c_r^{(i)}+ c_v^{(i)}+ c_s^{(i)} \right)

其中 csc_s 代表情境重建與狀態切換成本。對單次明確問題，線性搜尋仍極有效；對每日更新、跨來源、長週期與多專案追蹤，成本可能持續累積。

5. 門戶重構假說

門戶重構假說（PRH）：當事件式搜尋的反覆查詢、來源切換與狀態重建邊際成本，高於持續式資訊中介的建立與維護成本時，使用者將逐步由線性搜尋轉向個人化門戶或持續資訊環境。

MCsearch>MCpersistent⇒P(persistent portal adoption)↑MC_{search}>MC_{persistent} \Rightarrow P(\text{persistent portal adoption})\uparrow

持續式入口的成本可近似為：

CP(n)=C0+∑i=1ncm(i)C_P(n)=C_0+\sum_{i=1}^{n}c_m^{(i)}

若：

cm<cq+cr+cv+csc_m<c_q+c_r+c_v+c_s

則存在臨界使用次數：

n∗=C0(cq+cr+cv+cs)−cmn^*= \frac{C_0} {(c_q+c_r+c_v+c_s)-c_m}

當 n>n∗n>n^* ，持續入口的平均成本低於反覆搜尋。

6. 門戶的歷史螺旋

Directory Portal→Search Engine→Algorithmic Feed→AI Answer Engine→Personal AI Portal\text{Directory Portal} \rightarrow \text{Search Engine} \rightarrow \text{Algorithmic Feed} \rightarrow \text{AI Answer Engine} \rightarrow \text{Personal AI Portal}

舊門戶由編輯部決定所有人看什麼；演算法資訊流依平台推測偏好排序；AI 個人化門戶則開始把自然語言查詢、答案生成、使用者興趣與多種垂直資料整合在同一個持續入口。

Yahoo 於 2026 年 1 月推出 Yahoo Scout，將其描述為結合開放網路、Yahoo 資料及多個垂直產品的 AI 答案引擎；同年 3 月推出 MyScout，提供可自訂資訊卡的個人化首頁。這代表大型既有門戶業者已判斷「答案引擎＋個人化首頁」具有戰略價值。

然而，這只能驗證：

AI Portal Direction\text{AI Portal Direction}

尚不能驗證：

User-Sovereign Portal Completed\text{User-Sovereign Portal Completed}

因為平台仍可能掌握隱藏使用者模型、排序目標、資料攜帶與商業最佳化。

7. 研究命題與可證偽條件

H1：查詢增長—外部點擊脫鉤命題

搜尋與答案互動量增加時，外部導流效率 ηR\eta_R 可能下降。

H2：重複任務門戶優勢命題

對每日或每週反覆執行的多來源追蹤任務，持續式入口的平均任務時間低於事件式搜尋。

H3：新概念冷啟動限制命題

Dq≈0⇒TW≈0D_q\approx0 \Rightarrow T_W\approx0

搜尋引擎擅長捕捉既有需求，不一定擅長創造尚未形成公共詞彙的新需求。

H4：平台化發現命題

首次接觸資訊的比例將更多分散至社群、影音、AI 與推播介面，而非集中於通用搜尋框。

可證偽條件

若長期資料顯示 AI 答案普及後外部導流效率持續上升、使用者在重複資訊任務中仍普遍偏好每次重新搜尋，且個人化首頁長期留存無任何領域優勢，則門戶重構假說應被削弱或限定。

8. 限制

本文不主張搜尋引擎將消失，也不主張所有使用者都會採用門戶。導航、交易、在地服務、單一事實與臨時問題仍適合搜尋。本文討論的是長期追蹤、資訊過載與多來源整合情境下的相對優勢。

Yahoo 對自身使用者規模與資料資產的描述屬公司自陳；Google 對整體點擊穩定與高品質點擊的描述亦來自平台方。本文因此將平台陳述、第三方行為資料與學術測量分開處理，不把任何單一來源視為最終結論。

9. 結論

搜尋引擎沒有死亡。正在消失的是一個較舊的隱含契約：使用者每提出一次資訊需求，搜尋引擎就會把他送往一個外部網站。

新的結構是：

Search→Answer→Optional Source Visit\text{Search} \rightarrow \text{Answer} \rightarrow \text{Optional Source Visit}

對長期資訊需求，更可能進一步變成：

Persistent User State+ΔWorld→Adaptive Portal\text{Persistent User State} + \Delta\text{World} \rightarrow \text{Adaptive Portal}

真正的歷史轉變不是 Yahoo 取代 Google，而是事件式線性搜尋逐步讓出部分功能給持續式個人資訊環境。這為 USAIE 理論提供了時代背景與必要性。

參考文獻

  1. Alphabet Inc. (2026). Alphabet Announces First Quarter 2026 Results. https://abc.xyz/investor/
  2. Google. (2025-08-06). AI in Search is driving more queries and higher quality clicks. https://blog.google/products-and-platforms/products/search/ai-search-driving-more-queries-higher-quality-clicks/
  3. Chapekis, A., & Lieb, A. (2025-07-22). Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
  4. Reuters Institute for the Study of Journalism. (2026). Digital News Report 2026. https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2026
  5. Yahoo Inc. (2026-01-27). Introducing Yahoo Scout, a New AI Answer Engine. https://www.yahooinc.com/press/introducing-yahoo-scout-a-new-ai-answer-engine
  6. Yahoo Inc. (2026-03-11). Yahoo Introduces MyScout, the First Personalized Homepage for AI Answers. https://www.yahooinc.com/press/yahoo-introduces-myscout-the-first-personalized-homepage-for-ai-answers
  7. Khosravi, M., & Yoganarasimhan, H. (2026). Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia. arXiv:2602.18455. https://arxiv.org/abs/2602.18455
  8. Xu, H., Iqbal, U., & Montgomery, J. M. (2026). Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact. arXiv:2605.14021. https://arxiv.org/abs/2605.14021
  9. Liu, J., et al. (2026). From Hidden Profiles to Governable Personalization: Recommender Systems in the Age of LLM Agents. arXiv:2604.20065. https://arxiv.org/abs/2604.20065
  10. Lin, J., et al. (2026). LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries. arXiv:2605.09794. https://arxiv.org/abs/2605.09794
  11. Wang, W., et al. (2022). User-controllable Recommendation Against Filter Bubbles. Proceedings of SIGIR 2022. https://doi.org/10.1145/3477495.3532075
  12. Neo.K（許筌崴）. (2026-02). 《真 Yahoo 白皮書：AI 驅動的個人化門戶革命》v1.0，內部概念稿。
  13. Neo.K（許筌崴）. (2026-06). 《Mini True Yahoo 技術白皮書：AI 預讀、即時渲染控制與個人化資訊入口》v0.3，內部技術稿。