← Archive
lm-001591 · 2026-07

02_使用者主權自適應資訊環境_USAIE_v0.1

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗

使用者主權自適應資訊環境：持續式個人資訊中介的理論框架

User-Sovereign Adaptive Information Environments: A Theoretical Framework for Persistent Personal Information Mediation

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

本文提出「使用者主權自適應資訊環境」（User-Sovereign Adaptive Information Environment, USAIE），用以描述一類由使用者持續治理其資訊來源、推薦規則、知識信任政策、隱私邊界、媒介形式與介面狀態，並由人工智慧依長期個人狀態與即時情境動態生成的資訊入口。USAIE 不是一般個人化首頁、推薦系統、AI 答案引擎、儀表板或個人資料庫的別名；其關鍵差異在於，系統的個人化控制平面必須可被使用者檢視、修正、攜帶、覆寫與撤回。

本文建立 USAIE 的形式定義、必要條件、三層成熟度分級及核心術語，包括使用者主權資訊狀態（USIS）、資訊環境種子（IES）、持續式個人資訊中介（PPIM）、使用者主權自適應資訊門戶（USAIP）及個人注意力配置層（PAAL）。本文並將早期「網站種子」中的世界觀向量修正為「知識信任與觀點多樣性政策」，以避免把人的身份、政治立場或價值觀僵化為平台可操控的固定標籤。

關鍵詞： USAIE、使用者主權、個人化門戶、持續資訊狀態、資訊環境種子、可攜式個人化、AI 中介

1. 理論定位

既有個人化系統多半由平台維護一個隱藏使用者模型：

u^p=fp(clicks,watch time,purchases,engagement)\hat{\mathbf{u}}_p = f_p( \text{clicks}, \text{watch time}, \text{purchases}, \text{engagement} )

此模型通常由平台推斷、使用者看不到完整內容、無法逐項修正、難以跨服務移轉，並主要服務平台的留存與商業目標。

USAIE 不否定推斷式個人化，而是要求推斷被置於可治理框架內：

u∗=uexplicit+ucontext+uhistory+ugovernance\mathbf{u}^* = \mathbf{u}_{explicit} + \mathbf{u}_{context} + \mathbf{u}_{history} + \mathbf{u}_{governance}

其中 ugovernance\mathbf{u}_{governance} 表示使用者對來源、權重、資料使用、驗證門檻、多樣性及 AI 權限的明確規則。

近期「可治理個人化」與「跨平台使用者治理個人化」研究亦提出相似方向：LLM Agent 可能使使用者整合不同平台的資料與情境，並讓使用者表示變得可檢視、可修正與可攜。USAIE 在此基礎上進一步把研究對象由「推薦結果」擴張為「完整資訊環境」。

2. 正式定義

令時間 tt 的外部資訊來源集合為：

Xt={x1,x2,…,xn}\mathcal{X}_t=\{x_1,x_2,\ldots,x_n\}

來源可包含網站與 RSS、新聞與論文、電子郵件與私人文件、GitHub、資料庫、即時指標、影音字幕、聲音資訊與 Agent 結果。

令使用者主權資訊狀態為：

su(t)=[Lu,Cu,Ru,Eu,Pu,Mu,Hu(t)]\mathbf{s}_u(t) = [ \mathbf{L}_u, \mathbf{C}_u, \mathbf{R}_u, \mathbf{E}_u, \mathbf{P}_u, \mathbf{M}_u, \mathbf{H}_u(t) ]

其中：

  • Lu\mathbf{L}_u ：版面與表示偏好；
  • Cu\mathbf{C}_u ：內容主題與來源偏好；
  • Ru\mathbf{R}_u ：排序、推薦與探索政策；
  • Eu\mathbf{E}_u ：知識信任與觀點多樣性政策；
  • Pu\mathbf{P}_u ：隱私與資料揭露政策；
  • Mu\mathbf{M}_u ：媒介、語音、視覺與無障礙偏好；
  • Hu(t)\mathbf{H}_u(t) ：可選擇保留的歷史、已讀狀態與長期記憶。

令即時情境為：

ku(t)=[task,time,device,attention,urgency]\mathbf{k}_u(t) = [ \text{task}, \text{time}, \text{device}, \text{attention}, \text{urgency} ]

令使用者明示治理規則為 gu(t)\mathbf{g}_u(t) ，則 USAIE 產生的個人資訊環境為：

Eu(t)=Mθ(Xt,su(t),ku(t),gu(t))\mathcal{E}_u(t) = \mathcal{M}_{\theta} \left( \mathcal{X}_t, \mathbf{s}_u(t), \mathbf{k}_u(t), \mathbf{g}_u(t) \right)

其中 Mθ\mathcal{M}_{\theta} 是 AI 中介、選擇、驗證與渲染函數。

使用者主權優先序

Explicit User Rules>Inferred Preferences>Platform Commercial Objective\text{Explicit User Rules} > \text{Inferred Preferences} > \text{Platform Commercial Objective}

若平台商業目標可以在不透明情況下覆蓋使用者規則，該系統只能稱為平台型個人化，不能稱為完整 USAIE。

3. 持續式個人資訊中介

本文以「持續式個人資訊中介」（Persistent Personal Information Mediation, PPIM）描述其運作範式。

AI 答案引擎通常是：

qt+ht−1→atq_t+h_{t-1}\rightarrow a_t

PPIM 則是：

su(t+1)=U(su(t),fu(t),ku(t),ΔWt)\mathbf{s}_u(t+1) = \mathcal{U} \left( \mathbf{s}_u(t), \mathbf{f}_u(t), \mathbf{k}_u(t), \Delta\mathcal{W}_t \right)

其中 fu(t)\mathbf{f}_u(t) 為使用者明示修正與回饋， ΔWt\Delta\mathcal{W}_t 為外部世界的新資訊， U\mathcal{U} 為受使用者規則約束的狀態更新函數。

系統不再每次從零回答，而是持續維護已讀內容、事件差分、尚未覆蓋的觀點、需要重新驗證的來源與當前任務。

4. 使用者主權資訊狀態與資訊環境種子

完整內部狀態稱為：

USIS=User-Sovereign Information State\mathrm{USIS} = \text{User-Sovereign Information State}

可序列化、可匯出或分享的版本稱為：

IES=Information Environment Seed\mathrm{IES} = \text{Information Environment Seed}

其關係為：

IES=Serialize⁡(USISshareable)\mathrm{IES} = \operatorname{Serialize}(\mathrm{USIS}_{shareable})

IES 不應預設包含全部歷史與敏感資料，而應只包含使用者選擇公開或移轉的政策與偏好。

建議的種子向量為：

zu=[L,C,R,E,P,M,D]\mathbf{z}_u = [ \mathbf{L}, \mathbf{C}, \mathbf{R}, \mathbf{E}, \mathbf{P}, \mathbf{M}, \mathbf{D} ]

其中 D\mathbf{D} 表示資料可攜、保存與刪除政策。

5. 從世界觀向量到知識信任政策

早期構想以 Worldview Vector 表示政治傾向、價值觀與信任域。此表示具有直觀性，但存在風險：

  1. 把變動中的思想僵化為固定標籤；
  2. 成為政治推斷、歧視或操控工具；
  3. 讓系統把迎合誤認為尊重；
  4. 把人本身與資訊接觸策略混為一談。

因此本文改用：

Eu=Epistemic and Diversity Policy\mathbf{E}_u = \text{Epistemic and Diversity Policy}

即「知識信任與觀點多樣性政策」。它描述使用者希望系統如何處理資訊，而不是宣稱使用者本身是什麼人。

可包含：

  • 原始資料與二手評論的優先序；
  • 爭議主張的交叉驗證數量；
  • 是否顯示反方、正交或隨機探索內容；
  • 學術、新聞、論壇及個人經驗的權重；
  • 不確定性、證據等級與時間有效性標示。

6. USAIE 與相鄰系統的區別

6.1 個人化首頁

Platform Content+Platform Model+User Topics→Customized Homepage\text{Platform Content} + \text{Platform Model} + \text{User Topics} \rightarrow \text{Customized Homepage}

USAIE 則為：

Multi-source World+Governable State+Portable Policies+AI Mediation→Adaptive Environment\text{Multi-source World} + \text{Governable State} + \text{Portable Policies} + \text{AI Mediation} \rightarrow \text{Adaptive Environment}

6.2 推薦系統

推薦系統主要解決：

Rank⁡(i∣u,c)\operatorname{Rank}(i\mid u,c)

USAIE 需要共同決定：

Generate⁡(selection,ranking,representation,modality,verification,interaction)\operatorname{Generate} ( \text{selection}, \text{ranking}, \text{representation}, \text{modality}, \text{verification}, \text{interaction} )

6.3 AI 答案引擎

q→aq\rightarrow a

相對於：

(Xt,su,ku)→Eu(t)(\mathcal{X}_t,\mathbf{s}_u,\mathbf{k}_u) \rightarrow \mathcal{E}_u(t)

前者以問題為中心，後者以持續狀態與世界變化為中心。

6.4 個人資料庫

個人資料庫回答「我的資料如何保存、授權與提供給服務」；USAIE 另回答「外部世界如何被整理、驗證並呈現給我」。

6.5 儀表板

儀表板將固定資料映射到預先設計的視圖；USAIE 的介面、摘要深度、媒介與驗證路徑都可以是動態輸出。

7. USAIE 的七項必要條件

  1. 持續狀態性： 具有可治理、可修改、可刪除的長期資訊狀態。
  2. 多來源中介性： 能跨平台或跨來源接入。
  3. 動態表示性： 可依任務、注意力與裝置改變摘要、版型、媒介及互動方式。
  4. 明示治理性： 使用者可直接調整來源、權重、探索比例、驗證門檻與資料範圍。
  5. 可攜性：
Import⁡B(Export⁡A(su))≈su\operatorname{Import}_B \left( \operatorname{Export}_A(\mathbf{s}_u) \right) \approx \mathbf{s}_u
  1. 可逆與可追溯性：
∀y∈Eu,∃x∈Xt:Trace⁡(y,x)=1\forall y\in\mathcal{E}_u, \quad \exists x\in\mathcal{X}_t: \operatorname{Trace}(y,x)=1
  1. 認知多樣性控制： 使用者可切換熟悉、反向、正交、隨機及高證據門檻模式。

8. 成熟度分級

USAIE-L1：個人化 AI 門戶

具備個人化資訊卡、AI 答案、持續更新首頁與有限主題選擇。Yahoo MyScout 可被視為此方向的代表性實例，但其平台資料、使用者控制與可攜性仍須分別檢驗。

USAIE-L2：可控式自適應門戶

在 L1 之外增加來源控制、推薦權重調整、多情境模式、動態渲染、原文回退與使用者覆寫。Mini True Yahoo 的 AI 預讀、Render Override 與 Raw Page Fallback 主要對應此層。

USAIE-L3：使用者主權資訊環境

在 L2 之外增加狀態與政策可攜、本地優先或可選資料治理、跨平台與跨 Agent 生效、多粒度授權與撤回、種子組合分享、多樣性下限，以及平台不得秘密覆蓋使用者規則。

9. 個人注意力配置層

PAAL=Personal Attention Allocation Layer\mathrm{PAAL} = \text{Personal Attention Allocation Layer}

其核心函數為：

Ai(t)=f(importance,novelty,urgency,relevance,diversity,cognitive cost)A_i(t) = f( \text{importance}, \text{novelty}, \text{urgency}, \text{relevance}, \text{diversity}, \text{cognitive cost} )

PAAL 決定資訊獲得多少視覺、時間與通知資源，但 USAIE 還包括資料、信任、來源、隱私、介面與可攜性，因此：

PAAL⊂USAIE\mathrm{PAAL}\subset\mathrm{USAIE}

10. 最佳化目標

平台個人化常最佳化參與與留存：

max⁡Up=αE+βR+γV\max U_p=\alpha E+\beta R+\gamma V

USAIE 應允許使用者治理多目標函數：

max⁡Uu=αRu+βQu+γDu+δSu+ϵAu−λCu−μPu−νBu\max U_u = \alpha R_u +\beta Q_u +\gamma D_u +\delta S_u +\epsilon A_u -\lambda C_u -\mu P_u -\nu B_u

其中 RuR_u 為相關性， QuQ_u 為證據品質， DuD_u 為多樣性， SuS_u 為意外發現， AuA_u 為自主性， CuC_u 為認知成本， PuP_u 為隱私風險， BuB_u 為偏誤、操控與封閉風險。

11. 研究命題

  1. 持續狀態效率命題： 在重複性資訊任務中，USAIE 的平均任務成本低於事件式搜尋。
  2. 可治理信任命題： 可操作控制與來源追溯共同存在時，感知自主性與信任高於只有解釋的系統。
  3. 多樣性下限命題： 只最佳化個人相關性的 USAIE 仍會形成私人資訊繭房，因此必須維持：
Du(t)≥DminD_u(t)\geq D_{min}
  1. 可攜性競爭命題： 當個人化狀態可移轉時，平台競爭會由資料封鎖轉向服務品質。
  2. 狀態污染命題： 若短期點擊直接改寫長期偏好，個人化模型將產生漂移與錯誤固化。

12. 限制與未決問題

USAIE 仍面臨初始化負擔、跨平台資料標準、個人狀態被竊取或推斷、AI 摘要失真、種子市場操控、不同法域的資料規則，以及使用者是否願意治理複雜設定等問題。

因此，USAIE 追求的是：

More Governable Personalization\text{More Governable Personalization}

而非：

More Invisible Profiling\text{More Invisible Profiling}

13. 結論

USAIE 的核心不是更準確地猜測使用者喜歡什麼，而是把資訊環境的生成條件轉化為使用者可以理解、修改、攜帶與撤回的治理對象。

USAIE=Persistent State+Multi-source Mediation+Explicit Governance+Adaptive Rendering+Traceability+Portability\mathrm{USAIE} = \text{Persistent State} + \text{Multi-source Mediation} + \text{Explicit Governance} + \text{Adaptive Rendering} + \text{Traceability} + \text{Portability}

個人化首頁是可見外觀；持續資訊狀態是記憶核心；資訊環境種子是可交換表示；使用者主權則取決於控制平面是否真正由使用者治理。

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。