← Archive
lm-001599 · 2026-07

04_從平台個人化到使用者治理_v0.1

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

從平台個人化到使用者治理：AI 資訊環境中的注意力主權、認知自由與資料可攜性

From Platform Personalization to User Governance: Attention Sovereignty, Cognitive Liberty, and Data Portability in AI Information Environments

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

隨著搜尋、新聞、購物、娛樂與工作逐步被 AI 中介，個人化系統不再只是排列內容，而開始決定人如何接觸世界、如何理解來源及如何配置有限注意力。本文從治理與政治經濟角度分析使用者主權自適應資訊環境（USAIE），主張未來資訊權力的核心將由「誰擁有資料」進一步轉向「誰控制個人化模型、注意力分配與認知中介規則」。

本文提出注意力主權、認知自由與個人化可攜性三個治理概念，並分析個人化—隱私、控制—負擔、認知卸載—認知退化、探索—安全及開放—操控五組悖論。本文不假設使用者控制天然善良；高度可控的個人化環境也可能形成更封閉的私人繭房、惡意種子市場或由強勢代理人代替使用者作決定。因此，強形式 USAIE 必須結合透明、可撤回授權、來源追溯、多樣性下限、非操控預設及公共利益約束。

關鍵詞： 注意力主權、認知自由、資料可攜、平台治理、資訊繭房、AI 中介、數位主權

1. 個人化正在成為認知基礎設施

傳統平台個人化影響哪些貼文排在前面、哪些商品被推薦、哪些影片自動播放。AI 資訊環境進一步影響哪些來源被納入答案、哪些衝突主張被省略、哪些資料被視為可信、使用者是否需要看到原文、哪些問題被判定重要，以及哪些任務由 Agent 自動執行。

個人化的治理對象因此由內容排序擴張為：

G={selection,ranking,summarization,verification,memory,action}\mathcal{G} = \{ \text{selection}, \text{ranking}, \text{summarization}, \text{verification}, \text{memory}, \text{action} \}

2. 注意力主權

注意力主權是個人對其有限注意力如何被資訊系統請求、排序、占用、延後與保留，具有可理解、可操作及可撤回的治理能力。

令每日可用注意力為：

Bu=∑i=1naiB_u=\sum_{i=1}^{n}a_i

注意力主權要求：

Allocate⁡(Bu)=f(gu,ku,ΔW)\operatorname{Allocate}(B_u) = f( \mathbf{g}_u, \mathbf{k}_u, \Delta\mathcal{W} )

而非主要由：

Allocate⁡(Bu)=f(engagement maximization)\operatorname{Allocate}(B_u) = f(\text{engagement maximization})

使用者應能設定哪些主題可以即時打斷、哪些內容只能進入每日摘要、商業內容比例、重複資訊壓縮、高焦慮內容呈現方式、深度閱讀與快速掃描模式，以及不被個人化的中立模式。

3. 認知自由

認知自由不是否定一切中介，而是保留使用者形成、修正及拒絕觀點的能力。

AI 中介可能提供認知卸載、多來源綜合、複雜資訊簡化、對比與驗證；也可能造成自動化偏誤、來源失憶、過度依賴摘要、觀點範圍由模型預先決定，以及把模型選擇誤認為世界本身。

最低要求為：

Reversibility+Source Visibility+Alternative Views+User Override\text{Reversibility} + \text{Source Visibility} + \text{Alternative Views} + \text{User Override}

4. 個人化可攜性

平台鎖定的一個主要來源，是使用者離開平台後必須重新累積行為歷史、偏好、關注清單、隱私設定、推薦模型與已讀狀態。

Cswitch=Cdata+Cprofile+Ctraining+CworkflowC_{switch} = C_{data} + C_{profile} + C_{training} + C_{workflow}

若 IES 與治理政策可移轉：

Cswitch′<CswitchC_{switch}'<C_{switch}

平台競爭可能由「誰掌握最多不可攜資料」轉向「誰能最好執行使用者的既有規則」。

但完整個人模型可能比密碼或瀏覽紀錄更敏感，因此可攜不應等於一次匯出全部人格模型，而應採最小揭露、模組化匯出、加密、到期、撤回與裝置端解密。

5. 五組治理悖論

5.1 個人化—隱私悖論

Qpersonalization↑asDpersonal↑Q_{personalization}\uparrow \quad\text{as}\quad D_{personal}\uparrow

同時：

Rprivacy↑asDpersonal↑R_{privacy}\uparrow \quad\text{as}\quad D_{personal}\uparrow

解法是本地優先、選擇性揭露及可撤回授權。

5.2 控制—負擔悖論

Aagency↑Cconfiguration↑A_{agency}\uparrow \qquad C_{configuration}\uparrow

若要求使用者設定數百個參數，主權將變成責任轉嫁。合理架構應是：

AI Suggestion+Progressive Disclosure+Final User Override\text{AI Suggestion} + \text{Progressive Disclosure} + \text{Final User Override}

5.3 認知卸載—認知退化悖論

USAIE 應最小化：

Redundant Cognitive Labor\text{Redundant Cognitive Labor}

而不是最小化：

Human Thinking\text{Human Thinking}

應將去重、格式轉換與初步整理交給 AI，同時保留來源判斷、價值取捨與重要決策給人。

5.4 探索—安全悖論

反向與隨機探索可打破繭房，也可能增加錯誤資訊、仇恨或操控內容。系統必須把「不同觀點」與「低可信度」分開，不以多樣性為由取消證據門檻。

5.5 開放—操控悖論

種子分享與市場可能出現偽裝成中立的宣傳種子、針對脆弱族群的操控配置、隱藏廣告、惡意資料來源與追蹤個人狀態的模板。因此 IES 需要簽章、權限清單、來源清單、商業揭露與安全掃描。

6. 平台個人化與使用者治理

面向 平台個人化 使用者治理型個人化
使用者模型 隱藏推斷 可檢視、可修正
最佳化目標 留存、廣告、交易 使用者自定多目標
資料範圍 平台局部資料 使用者選擇的跨域資料
規則可攜 通常不可 原則上可
來源控制 平台決定 使用者可設定
多樣性 平台策略 使用者政策＋最低保障
原文回退 不一定 必須
記憶寫入 常為隱式 可拒絕、可撤回
商業內容 與推薦混合 應清楚揭露

核心對立為：

Platform-Governed Personalizationvs.User-Governed Information Environment\text{Platform-Governed Personalization} \quad\text{vs.}\quad \text{User-Governed Information Environment}

7. 使用者主權並非使用者絕對主義

USAIE 不應被理解為使用者可以要求系統隱藏所有相反證據、偽造來源、將推測標示為事實、取消法律與安全限制、未經同意使用他人資料或讓 Agent 執行高風險行動。

使用者主權指向個人資訊環境的治理權，而不是對事實、他人權利或公共安全的無限制支配。

Personal Preference≠Epistemic Integrity Constraint\text{Personal Preference} \neq \text{Epistemic Integrity Constraint}

使用者可選擇呈現與探索策略，但系統仍應標示證據品質、來源衝突與不確定性。

8. 治理原則

  1. 明示優先： 平台推斷不得秘密覆蓋使用者明示規則。
  2. 資料最小化： 只使用完成當前任務所需的最低資料。
  3. 可撤回性： 使用者可撤回資料、記憶與 Agent 權限。
  4. 可逆性： 摘要、重渲染及建議必須能回到原始來源與處理記錄。
  5. 多樣性保障： 提供可見的多樣性與來源集中度指標。
  6. 商業透明： 廣告、贊助、聯盟分潤及平台自有服務偏好必須標示。
  7. 非操控預設： 不得利用使用者弱點最大化依賴、焦慮或衝動行為。
  8. 加強保護： 兒童與脆弱族群不應直接套用成人的完全可配置種子市場。

9. 制度與市場影響

9.1 從資料護城河轉向執行競爭

平台需競爭推理品質、渲染品質、隱私保障、來源覆蓋、速度、成本與開放標準相容性。

9.2 新型中介者

可能出現個人資訊環境託管者、種子設計師、認知安全審計者、來源評級服務、個人模型備份服務及跨平台偏好轉譯器。

9.3 開放網路的新交換問題

若 AI 入口大量使用網站內容卻不產生點擊，USAIE 仍需處理原始內容生產者的激勵。可能機制包括微支付、訂閱權限轉接、引用與收益分配、使用量透明及出版者授權協議。

10. 研究問題

  1. 使用者是否願意編輯與攜帶個人化模型？
  2. 哪些設定應由使用者明示，哪些可由 AI 建議？
  3. 多樣性下限應由個人、平台或法律設定？
  4. 如何測量認知自由，而不只測量滿意度？
  5. 種子可攜是否會降低平台鎖定，還是形成新的個人模型壟斷者？
  6. 本地優先架構能否在成本、速度與隱私間取得可接受平衡？
  7. AI 中介對內容生產者的補償應採市場機制、協議標準或法律制度？

11. 結論

AI 個人化正在由「讓人更容易找到喜歡的內容」轉化為「替人預先構造可見世界」。個人化不再只是產品功能，而是注意力、知識與行動的治理問題。

強形式 USAIE 的目標不是：

max⁡Personalization\max\text{Personalization}

而是：

max⁡(Agency+Traceability+Portability+Epistemic Integrity)\max ( \text{Agency} + \text{Traceability} + \text{Portability} + \text{Epistemic Integrity} )

同時：

min⁡(Manipulation+Privacy Risk+Lock-in+Cognitive Dependency)\min ( \text{Manipulation} + \text{Privacy Risk} + \text{Lock-in} + \text{Cognitive Dependency} )

使用者主權的真正標準，不是系統看起來多懂使用者，而是使用者能否理解系統如何理解自己，並有能力修正、拒絕、攜帶或終止這種理解。

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。