# USAIE 論文系列合訂本 v0.1 # USAIE 論文系列 v0.1 作者：Neo.K（許筌崴） 機構：一言諾科技有限公司（EVEMISSLAB） 日期：2026-07-19 本套件把早期工作代號「真 Yahoo」正式化為「使用者主權自適應資訊環境」（User-Sovereign Adaptive Information Environment, USAIE）。 ## 文件 1. `01_從線性搜尋到個人化門戶_v0.1.md` 搜尋功能解體、零點擊、分散式意圖路由與門戶重構假說。 2. `02_使用者主權自適應資訊環境_USAIE_v0.1.md` USAIE、USIS、IES、PPIM、USAIP、PAAL 的正式定義與成熟度分級。 3. `03_個人認知控制平面_PECP_v0.1.md` 五平面架構、狀態更新、來源追溯、多樣性約束、實驗設計及可檢驗命題。 4. `04_從平台個人化到使用者治理_v0.1.md` 注意力主權、認知自由、資料可攜、平台鎖定及治理悖論。 5. `00_術語與符號總表.md` 四篇共用術語、縮寫及符號。 ## 建議閱讀順序 $$ \text{入口變遷} \rightarrow \text{USAIE 理論} \rightarrow \text{PECP 架構} \rightarrow \text{治理後果} $$ ## 版本定位 這是可保存、可繼續擴寫的 v0.1 學術草案。文獻與實證資料已納入截至 2026-07-19 可取得的主要公開來源，但尚未進行正式系統性文獻回顧、統計統合或同儕審查。 --- # USAIE 系列術語與符號總表 | 縮寫 | 英文 | 中文 | 定位 | |---|---|---|---| | USAIE | User-Sovereign Adaptive Information Environment | 使用者主權自適應資訊環境 | 完整上位系統範式 | | USAIP | User-Sovereign Adaptive Information Portal | 使用者主權自適應資訊門戶 | USAIE 的可見入口 | | PPIM | Persistent Personal Information Mediation | 持續式個人資訊中介 | 由事件式查詢轉向持續狀態 | | PECP | Personal Epistemic Control Plane | 個人認知控制平面 | 使用者治理來源、排序、信任、記憶與權限 | | USIS | User-Sovereign Information State | 使用者主權資訊狀態 | 完整持續內部狀態 | | IES | Information Environment Seed | 資訊環境種子 | USIS 的可序列化、可攜、可分享部分 | | PAAL | Personal Attention Allocation Layer | 個人注意力配置層 | 管理注意力、通知與資訊優先序 | | PRH | Portal Reconstitution Hypothesis | 門戶重構假說 | 解釋持續入口重新出現的理論 | ## 五平面 $$ \mathrm{USAIE} = \mathcal{D} + \mathcal{M} + \mathcal{C} + \mathcal{R} + \mathcal{A} $$ | 符號 | 平面 | |---|---| | $\mathcal{D}$ | 資訊資料平面 | | $\mathcal{M}$ | 語義中介平面 | | $\mathcal{C}$ | 個人認知控制平面 | | $\mathcal{R}$ | 自適應渲染平面 | | $\mathcal{A}$ | 稽核與回退平面 | ## 成熟度 | 等級 | 定義 | |---|---| | USAIE-L1 | 個人化 AI 門戶 | | USAIE-L2 | 可控式自適應門戶 | | USAIE-L3 | 可攜、本地優先、跨平台的使用者主權資訊環境 | ## 早期名稱映射 | 早期工作名稱 | 正式名稱 | |---|---| | 真 Yahoo | USAIE | | 真 Yahoo 門戶 | USAIP | | 網站種子 | IES | | 完整個人狀態 | USIS | | 個人注意力網站 | PAAL 所在的 USAIP/USAIE 實作 | | AI 預讀與重渲染 | 語義中介平面＋自適應渲染平面 | | 原文回退 | 稽核與回退平面中的可逆性機制 | --- # 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： $$ \mathcal{S}_{legacy}=I+D+A+R $$ 其中： - $I$：Information Location，資訊定位； - $D$：Discovery，未知內容發現； - $A$：Answer Completion，答案完成； - $R$：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： $$ \text{提出查詢} \rightarrow \text{取得結果列表} \rightarrow \text{進入網站} \rightarrow \text{完成理解} $$ 但在 AI 搜尋與平台推薦環境中，這條鏈已被拆開： $$ I\rightarrow\text{搜尋與索引} $$ $$ D\rightarrow\text{社群、影音與推薦流} $$ $$ A\rightarrow\text{AI 摘要、答案引擎與聊天介面} $$ $$ R\rightarrow\text{被壓縮、重新分配或延後} $$ 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 $19\%$，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 $8\%$，未出現摘要時約為 $15\%$，而對摘要引用來源的直接點擊約為 $1\%$。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： $$ R_G=Q\cdot p_a\cdot p_c\cdot v_c $$ 其中 $Q$ 為查詢與互動量，$p_a$ 為廣告展示機率，$p_c$ 為廣告點擊或轉換機率，$v_c$ 為單次商業行為價值。 外部網站取得的自然流量則近似為： $$ T_W=D_q\cdot p_i\cdot p_r\cdot p_v\cdot p_o $$ 其中 $D_q$ 為相關查詢需求，$p_i$ 為被索引機率，$p_r$ 為進入可見排名機率，$p_v$ 為介面可見性，$p_o$ 為外部點擊機率。 因此可能出現： $$ R_G\uparrow \qquad\land\qquad T_W\downarrow $$ 更精確的觀察量應是： $$ \eta_R= \frac{\text{外部網站點擊}}{\text{搜尋或答案互動次數}} $$ 本文稱 $\eta_R$ 為「外部導流效率」。搜尋使用量上升並不表示 $\eta_R$ 上升。 ## 3. 搜尋功能解體命題 ### 命題一：功能解體 $$ \text{Search Share} \neq \text{Discovery Share} \neq \text{Answer Share} \neq \text{Referral Share} $$ 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 $$ \text{Source Used} \not\Rightarrow \text{Source Visited} $$ $$ \text{Source Influenced Answer} \not\Rightarrow \text{Source Recognized} $$ 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： $$ q_1\rightarrow R_1\rightarrow x_1\rightarrow q_2\rightarrow R_2\rightarrow x_2\rightarrow\cdots\rightarrow q_n $$ 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： $$ C_{LS}(n)= \sum_{i=1}^{n} \left( c_q^{(i)}+ c_r^{(i)}+ c_v^{(i)}+ c_s^{(i)} \right) $$ 其中 $c_s$ 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。** $$ MC_{search}>MC_{persistent} \Rightarrow P(\text{persistent portal adoption})\uparrow $$ 持續式入口的成本可近似為： $$ C_P(n)=C_0+\sum_{i=1}^{n}c_m^{(i)} $$ 若： $$ c_mn^*$，持續入口的平均成本低於反覆搜尋。 ## 6. 門戶的歷史螺旋 $$ \text{Directory Portal} \rightarrow \text{Search Engine} \rightarrow \text{Algorithmic Feed} \rightarrow \text{AI Answer Engine} \rightarrow \text{Personal AI Portal} $$ 舊門戶由編輯部決定所有人看什麼；演算法資訊流依平台推測偏好排序；AI 個人化門戶則開始把自然語言查詢、答案生成、使用者興趣與多種垂直資料整合在同一個持續入口。 Yahoo 於 2026 年 1 月推出 Yahoo Scout，將其描述為結合開放網路、Yahoo 資料及多個垂直產品的 AI 答案引擎；同年 3 月推出 MyScout，提供可自訂資訊卡的個人化首頁。這代表大型既有門戶業者已判斷「答案引擎＋個人化首頁」具有戰略價值。 然而，這只能驗證： $$ \text{AI Portal Direction} $$ 尚不能驗證： $$ \text{User-Sovereign Portal Completed} $$ 因為平台仍可能掌握隱藏使用者模型、排序目標、資料攜帶與商業最佳化。 ## 7. 研究命題與可證偽條件 ### H1：查詢增長—外部點擊脫鉤命題 搜尋與答案互動量增加時，外部導流效率 $\eta_R$ 可能下降。 ### H2：重複任務門戶優勢命題 對每日或每週反覆執行的多來源追蹤任務，持續式入口的平均任務時間低於事件式搜尋。 ### H3：新概念冷啟動限制命題 $$ D_q\approx0 \Rightarrow T_W\approx0 $$ 搜尋引擎擅長捕捉既有需求，不一定擅長創造尚未形成公共詞彙的新需求。 ### H4：平台化發現命題 首次接觸資訊的比例將更多分散至社群、影音、AI 與推播介面，而非集中於通用搜尋框。 ### 可證偽條件 若長期資料顯示 AI 答案普及後外部導流效率持續上升、使用者在重複資訊任務中仍普遍偏好每次重新搜尋，且個人化首頁長期留存無任何領域優勢，則門戶重構假說應被削弱或限定。 ## 8. 限制 本文不主張搜尋引擎將消失，也不主張所有使用者都會採用門戶。導航、交易、在地服務、單一事實與臨時問題仍適合搜尋。本文討論的是長期追蹤、資訊過載與多來源整合情境下的相對優勢。 Yahoo 對自身使用者規模與資料資產的描述屬公司自陳；Google 對整體點擊穩定與高品質點擊的描述亦來自平台方。本文因此將平台陳述、第三方行為資料與學術測量分開處理，不把任何單一來源視為最終結論。 ## 9. 結論 搜尋引擎沒有死亡。正在消失的是一個較舊的隱含契約：使用者每提出一次資訊需求，搜尋引擎就會把他送往一個外部網站。 新的結構是： $$ \text{Search} \rightarrow \text{Answer} \rightarrow \text{Optional Source Visit} $$ 對長期資訊需求，更可能進一步變成： $$ \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。 --- # 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： $$ \hat{\mathbf{u}}_p = f_p( \text{clicks}, \text{watch time}, \text{purchases}, \text{engagement} ) $$ 此模型通常由平台推斷、使用者看不到完整內容、無法逐項修正、難以跨服務移轉，並主要服務平台的留存與商業目標。 USAIE 不否定推斷式個人化，而是要求推斷被置於可治理框架內： $$ \mathbf{u}^* = \mathbf{u}_{explicit} + \mathbf{u}_{context} + \mathbf{u}_{history} + \mathbf{u}_{governance} $$ 其中 $\mathbf{u}_{governance}$ 表示使用者對來源、權重、資料使用、驗證門檻、多樣性及 AI 權限的明確規則。 近期「可治理個人化」與「跨平台使用者治理個人化」研究亦提出相似方向：LLM Agent 可能使使用者整合不同平台的資料與情境，並讓使用者表示變得可檢視、可修正與可攜。USAIE 在此基礎上進一步把研究對象由「推薦結果」擴張為「完整資訊環境」。 ## 2. 正式定義 令時間 $t$ 的外部資訊來源集合為： $$ \mathcal{X}_t=\{x_1,x_2,\ldots,x_n\} $$ 來源可包含網站與 RSS、新聞與論文、電子郵件與私人文件、GitHub、資料庫、即時指標、影音字幕、聲音資訊與 Agent 結果。 令使用者主權資訊狀態為： $$ \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) ] $$ 其中： - $\mathbf{L}_u$：版面與表示偏好； - $\mathbf{C}_u$：內容主題與來源偏好； - $\mathbf{R}_u$：排序、推薦與探索政策； - $\mathbf{E}_u$：知識信任與觀點多樣性政策； - $\mathbf{P}_u$：隱私與資料揭露政策； - $\mathbf{M}_u$：媒介、語音、視覺與無障礙偏好； - $\mathbf{H}_u(t)$：可選擇保留的歷史、已讀狀態與長期記憶。 令即時情境為： $$ \mathbf{k}_u(t) = [ \text{task}, \text{time}, \text{device}, \text{attention}, \text{urgency} ] $$ 令使用者明示治理規則為 $\mathbf{g}_u(t)$，則 USAIE 產生的個人資訊環境為： $$ \mathcal{E}_u(t) = \mathcal{M}_{\theta} \left( \mathcal{X}_t, \mathbf{s}_u(t), \mathbf{k}_u(t), \mathbf{g}_u(t) \right) $$ 其中 $\mathcal{M}_{\theta}$ 是 AI 中介、選擇、驗證與渲染函數。 ### 使用者主權優先序 $$ \text{Explicit User Rules} > \text{Inferred Preferences} > \text{Platform Commercial Objective} $$ 若平台商業目標可以在不透明情況下覆蓋使用者規則，該系統只能稱為平台型個人化，不能稱為完整 USAIE。 ## 3. 持續式個人資訊中介 本文以「持續式個人資訊中介」（Persistent Personal Information Mediation, PPIM）描述其運作範式。 AI 答案引擎通常是： $$ q_t+h_{t-1}\rightarrow a_t $$ PPIM 則是： $$ \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) $$ 其中 $\mathbf{f}_u(t)$ 為使用者明示修正與回饋，$\Delta\mathcal{W}_t$ 為外部世界的新資訊，$\mathcal{U}$ 為受使用者規則約束的狀態更新函數。 系統不再每次從零回答，而是持續維護已讀內容、事件差分、尚未覆蓋的觀點、需要重新驗證的來源與當前任務。 ## 4. 使用者主權資訊狀態與資訊環境種子 完整內部狀態稱為： $$ \mathrm{USIS} = \text{User-Sovereign Information State} $$ 可序列化、可匯出或分享的版本稱為： $$ \mathrm{IES} = \text{Information Environment Seed} $$ 其關係為： $$ \mathrm{IES} = \operatorname{Serialize}(\mathrm{USIS}_{shareable}) $$ IES 不應預設包含全部歷史與敏感資料，而應只包含使用者選擇公開或移轉的政策與偏好。 建議的種子向量為： $$ \mathbf{z}_u = [ \mathbf{L}, \mathbf{C}, \mathbf{R}, \mathbf{E}, \mathbf{P}, \mathbf{M}, \mathbf{D} ] $$ 其中 $\mathbf{D}$ 表示資料可攜、保存與刪除政策。 ## 5. 從世界觀向量到知識信任政策 早期構想以 Worldview Vector 表示政治傾向、價值觀與信任域。此表示具有直觀性，但存在風險： 1. 把變動中的思想僵化為固定標籤； 2. 成為政治推斷、歧視或操控工具； 3. 讓系統把迎合誤認為尊重； 4. 把人本身與資訊接觸策略混為一談。 因此本文改用： $$ \mathbf{E}_u = \text{Epistemic and Diversity Policy} $$ 即「知識信任與觀點多樣性政策」。它描述使用者希望系統如何處理資訊，而不是宣稱使用者本身是什麼人。 可包含： - 原始資料與二手評論的優先序； - 爭議主張的交叉驗證數量； - 是否顯示反方、正交或隨機探索內容； - 學術、新聞、論壇及個人經驗的權重； - 不確定性、證據等級與時間有效性標示。 ## 6. USAIE 與相鄰系統的區別 ### 6.1 個人化首頁 $$ \text{Platform Content} + \text{Platform Model} + \text{User Topics} \rightarrow \text{Customized Homepage} $$ USAIE 則為： $$ \text{Multi-source World} + \text{Governable State} + \text{Portable Policies} + \text{AI Mediation} \rightarrow \text{Adaptive Environment} $$ ### 6.2 推薦系統 推薦系統主要解決： $$ \operatorname{Rank}(i\mid u,c) $$ USAIE 需要共同決定： $$ \operatorname{Generate} ( \text{selection}, \text{ranking}, \text{representation}, \text{modality}, \text{verification}, \text{interaction} ) $$ ### 6.3 AI 答案引擎 $$ q\rightarrow a $$ 相對於： $$ (\mathcal{X}_t,\mathbf{s}_u,\mathbf{k}_u) \rightarrow \mathcal{E}_u(t) $$ 前者以問題為中心，後者以持續狀態與世界變化為中心。 ### 6.4 個人資料庫 個人資料庫回答「我的資料如何保存、授權與提供給服務」；USAIE 另回答「外部世界如何被整理、驗證並呈現給我」。 ### 6.5 儀表板 儀表板將固定資料映射到預先設計的視圖；USAIE 的介面、摘要深度、媒介與驗證路徑都可以是動態輸出。 ## 7. USAIE 的七項必要條件 1. **持續狀態性：** 具有可治理、可修改、可刪除的長期資訊狀態。 2. **多來源中介性：** 能跨平台或跨來源接入。 3. **動態表示性：** 可依任務、注意力與裝置改變摘要、版型、媒介及互動方式。 4. **明示治理性：** 使用者可直接調整來源、權重、探索比例、驗證門檻與資料範圍。 5. **可攜性：** $$ \operatorname{Import}_B \left( \operatorname{Export}_A(\mathbf{s}_u) \right) \approx \mathbf{s}_u $$ 6. **可逆與可追溯性：** $$ \forall y\in\mathcal{E}_u, \quad \exists x\in\mathcal{X}_t: \operatorname{Trace}(y,x)=1 $$ 7. **認知多樣性控制：** 使用者可切換熟悉、反向、正交、隨機及高證據門檻模式。 ## 8. 成熟度分級 ### USAIE-L1：個人化 AI 門戶 具備個人化資訊卡、AI 答案、持續更新首頁與有限主題選擇。Yahoo MyScout 可被視為此方向的代表性實例，但其平台資料、使用者控制與可攜性仍須分別檢驗。 ### USAIE-L2：可控式自適應門戶 在 L1 之外增加來源控制、推薦權重調整、多情境模式、動態渲染、原文回退與使用者覆寫。Mini True Yahoo 的 AI 預讀、Render Override 與 Raw Page Fallback 主要對應此層。 ### USAIE-L3：使用者主權資訊環境 在 L2 之外增加狀態與政策可攜、本地優先或可選資料治理、跨平台與跨 Agent 生效、多粒度授權與撤回、種子組合分享、多樣性下限，以及平台不得秘密覆蓋使用者規則。 ## 9. 個人注意力配置層 $$ \mathrm{PAAL} = \text{Personal Attention Allocation Layer} $$ 其核心函數為： $$ A_i(t) = f( \text{importance}, \text{novelty}, \text{urgency}, \text{relevance}, \text{diversity}, \text{cognitive cost} ) $$ PAAL 決定資訊獲得多少視覺、時間與通知資源，但 USAIE 還包括資料、信任、來源、隱私、介面與可攜性，因此： $$ \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 U_p=\alpha E+\beta R+\gamma V $$ USAIE 應允許使用者治理多目標函數： $$ \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 $$ 其中 $R_u$ 為相關性，$Q_u$ 為證據品質，$D_u$ 為多樣性，$S_u$ 為意外發現，$A_u$ 為自主性，$C_u$ 為認知成本，$P_u$ 為隱私風險，$B_u$ 為偏誤、操控與封閉風險。 ## 11. 研究命題 1. **持續狀態效率命題：** 在重複性資訊任務中，USAIE 的平均任務成本低於事件式搜尋。 2. **可治理信任命題：** 可操作控制與來源追溯共同存在時，感知自主性與信任高於只有解釋的系統。 3. **多樣性下限命題：** 只最佳化個人相關性的 USAIE 仍會形成私人資訊繭房，因此必須維持： $$ D_u(t)\geq D_{min} $$ 4. **可攜性競爭命題：** 當個人化狀態可移轉時，平台競爭會由資料封鎖轉向服務品質。 5. **狀態污染命題：** 若短期點擊直接改寫長期偏好，個人化模型將產生漂移與錯誤固化。 ## 12. 限制與未決問題 USAIE 仍面臨初始化負擔、跨平台資料標準、個人狀態被竊取或推斷、AI 摘要失真、種子市場操控、不同法域的資料規則，以及使用者是否願意治理複雜設定等問題。 因此，USAIE 追求的是： $$ \text{More Governable Personalization} $$ 而非： $$ \text{More Invisible Profiling} $$ ## 13. 結論 USAIE 的核心不是更準確地猜測使用者喜歡什麼，而是把資訊環境的生成條件轉化為使用者可以理解、修改、攜帶與撤回的治理對象。 $$ \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。 --- # 個人認知控制平面：使用者治理型資訊環境的系統架構與可檢驗命題 ## The Personal Epistemic Control Plane: System Architecture and Testable Propositions for User-Governed 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 本文將使用者主權自適應資訊環境（USAIE）進一步形式化為五平面系統架構，並提出其核心機制「個人認知控制平面」（Personal Epistemic Control Plane, PECP）。本文主張，資料是否歸使用者所有並不足以保證資訊主權；真正決定系統性權力的是誰能設定來源選擇、排序目標、驗證門檻、多樣性、摘要深度、記憶更新及 AI 行動權限。若這些控制仍由平台的隱藏模型掌握，系統即使高度個人化，也不能稱為強形式 USAIE。 本文提出資料平面、語義中介平面、認知控制平面、自適應渲染平面、稽核與回退平面，以及一套可實作的狀態更新、權限優先序、種子結構、來源追溯與多樣性約束。最後提出五組對照系統、三類任務及十項實驗指標，使 USAIE 可從概念主張轉化為可證偽的 HCI、資訊檢索與推薦系統研究計畫。 **關鍵詞：** PECP、USAIE、控制平面、資訊檢索、推薦系統、可治理個人化、來源追溯、人機互動 --- ## 1. 從資料主權到控制平面主權 數位主權常被簡化為： $$ \text{Who owns the data?} $$ 但在資訊環境中，更關鍵的問題是： $$ \text{Who controls the transformation?} $$ 即使使用者擁有原始資料，平台仍可能控制哪些來源被選入、哪些資訊被隱藏、如何排序與摘要、何時改寫長期偏好、哪些商業內容被插入，以及 AI 可以替使用者執行哪些行動。 > **個人認知控制平面（PECP）是使用者對資訊選擇、知識信任、排序、多樣性、表達、記憶與 AI 權限進行明示治理的規則層。** ## 2. 五平面架構 $$ \mathrm{USAIE} = \mathcal{D} + \mathcal{M} + \mathcal{C} + \mathcal{R} + \mathcal{A} $$ ### 2.1 資訊資料平面 $\mathcal{D}$ 負責接入 URL、網頁、RSS、新聞、論文、PDF、郵件、私人文件、GitHub、影音字幕、感測資料、日曆及 Agent 結果。資料平面只負責「有什麼」，不直接決定「應該看什麼」。 ### 2.2 語義中介平面 $\mathcal{M}$ 負責內容抽取、實體與時間標記、去重、聚類、摘要、翻譯、難度調整、主張—證據對應、來源衝突偵測及世界變化差分。 ### 2.3 個人認知控制平面 $\mathcal{C}$ 負責來源白名單與黑名單、主題與時效權重、證據門檻、多樣性、隱私、記憶寫入、摘要強度、商業內容政策、Agent 權限及使用者覆寫。 ### 2.4 自適應渲染平面 $\mathcal{R}$ 依情境輸出卡片、長文、時間線、表格、圖表、來源對照、研究模式、低刺激模式、語音、背景資訊流與無障礙介面。 ### 2.5 稽核與回退平面 $\mathcal{A}$ 保存原始來源、AI 處理步驟、摘要—證據對應、使用者覆寫、記憶變更、模型與規則版本、狀態快照及還原點。 ## 3. 控制優先序 當頁覆寫通常應高於長期規則： $$ O_u(t) \succ G_u \succ I_u(t) \succ D_p $$ 其中： - $O_u(t)$：當頁或當次明示覆寫； - $G_u$：使用者長期治理規則； - $I_u(t)$：系統推斷偏好； - $D_p$：平台預設與商業目標。 例外僅限安全、法律或使用者預先設定的不可覆寫限制。 ## 4. 狀態更新與記憶污染防止 將使用者狀態分為： $$ \mathbf{s}_u(t) = \mathbf{s}_u^{long} + \mathbf{s}_u^{trend}(t) + \mathbf{o}_u(t) $$ 其中 $\mathbf{s}_u^{long}$ 為長期穩定規則，$\mathbf{s}_u^{trend}(t)$ 為短期趨勢，$\mathbf{o}_u(t)$ 為當次覆寫。 長期狀態應滿足： $$ \Delta\mathbf{s}_u^{long}=0 $$ 除非使用者明示確認，或多次一致行為達到門檻且使用者同意。 短期趨勢可自動衰減： $$ \mathbf{s}_u^{trend}(t+\Delta t) = \rho\mathbf{s}_u^{trend}(t) + \Delta\mathbf{f}_u(t) $$ 其中： $$ 0\leq\rho<1 $$ 此設計避免一次點擊、偶然閱讀或研究反方資料直接污染長期模型。 ## 5. 來源追溯模型 每一個生成結果 $y_j$ 應對應一個來源集合： $$ \Gamma(y_j) = \{(x_i,w_{ij},r_{ij})\} $$ 其中 $x_i$ 為原始來源，$w_{ij}$ 為貢獻權重，$r_{ij}$ 為支持、反駁、背景或推斷關係。 最低要求為： $$ |\Gamma(y_j)|\geq1 $$ 對無法追溯的事實性主張： $$ \Gamma(y_j)=\varnothing $$ 系統不得以確定事實形式呈現。 ## 6. 多樣性與反繭房約束 只追求相關性時： $$ \max R_u \Rightarrow D_u\downarrow $$ 因此 PECP 應允許設定： $$ D_u(t)\geq D_{min} $$ 以及探索比例： $$ \epsilon_u(t)\in[0,1] $$ 資訊輸出可由： $$ \mathcal{E}_u = (1-\epsilon_u-\omega_u)\mathcal{E}_{relevant} + \epsilon_u\mathcal{E}_{orthogonal} + \omega_u\mathcal{E}_{oppositional} $$ 其中 $\epsilon_u$ 為正交探索比例，$\omega_u$ 為反向或爭議觀點比例。 ## 7. 種子結構與可攜介面 最小 IES 可採 JSON、YAML 或其他開放格式： ```json { "schema_version": "0.1", "layout_policy": {}, "content_sources": [], "ranking_policy": {}, "epistemic_policy": {}, "privacy_policy": {}, "modality_policy": {}, "memory_write_policy": {}, "agent_permission_policy": {}, "portability_policy": {} } ``` 可攜性不要求所有平台完全相同，而要求語義近似： $$ d \left( \mathbf{s}_u, \operatorname{Import}_B( \operatorname{Export}_A(\mathbf{s}_u)) \right) \leq\varepsilon $$ ## 8. 最小可實作管線 ```text Content Source → Extractor → AI Pre-Reader → User Seed / Context Seed → PECP Policy Check → Dynamic Renderer → User Override → Raw Source Fallback → Optional Memory Update ``` 最小輸出應包括一句話摘要、核心主張、來源標示、使用者指定版型、原文回退、當頁覆寫，以及是否寫入長期記憶的明確選項。 ## 9. 系統比較實驗 ### 9.1 對照組 | 組別 | 系統 | |---|---| | A | 傳統搜尋引擎 | | B | AI 答案引擎 | | C | 平台個人化首頁 | | D | USAIE-L2 可控式門戶 | | E | USAIE-L3 可攜、本地優先環境 | ### 9.2 任務類型 1. **明確目標查詢：** 尋找單一已知答案。 2. **每日態勢掌握：** 掌握特定領域過去 24 小時的變化。 3. **開放式探索：** 發現未知但相關的資訊、反方觀點及跨領域連結。 ## 10. 測量指標 $$ T_s=\text{達到滿意資訊狀態的時間} $$ $$ N_q=\text{查詢或提示次數} $$ $$ N_c=\text{頁面與情境切換次數} $$ $$ D_s=\text{來源與觀點多樣性} $$ $$ E_c=\text{主張的證據覆蓋率} $$ $$ K_r=\text{延遲知識保留} $$ $$ A_p=\text{感知自主性} $$ $$ L_c=\text{認知負荷} $$ $$ P_r=\text{隱私揭露與集中風險} $$ $$ M_c=\text{錯誤修正與信心校準} $$ CTR、停留時間與留存率可以保留，但不能作為主要成功標準。 ## 11. 可檢驗命題 ### P1：持續狀態效率 $$ \bar{C}_{USAIE} < \bar{C}_{search} \quad \text{when } n>n^* $$ ### P2：可操作控制效應 提供「解釋＋直接修改」的系統，其感知自主性高於只提供解釋的系統。 ### P3：來源回退校準 可一鍵比較原文與摘要的系統，應具有較低自動化偏誤。 ### P4：多樣性下限 具有 $D_{min}$ 約束的系統，長期來源集中度低於只最佳化相關性的系統。 ### P5：可攜狀態降低鎖定 IES 可移轉時，切換平台所需重新訓練與設定成本下降。 ### P6：本地優先隱私效應 個人狀態在本地處理、僅選擇性揭露時，集中風險下降，但可能增加運算與維護成本。 ## 12. 安全與失敗模式 1. 惡意種子； 2. 來源投毒； 3. 設定劫持； 4. 記憶污染； 5. 摘要漂移； 6. 權限擴張； 7. 虛假可攜。 安全設計應包括簽章、版本歷史、沙箱、權限分級、差異檢視及不可見規則檢測。 ## 13. 結論 USAIE 的主權不是由華麗首頁、推薦準確率或資料所有權單獨決定，而由誰控制 $\mathcal{C}$ 決定： $$ \boxed{\text{Who controls the control plane?}} $$ 完整 USAIE 必須使使用者能看見、修改、暫停、匯出規則，能比較 AI 結果與原文、拒絕記憶寫入、限制 Agent 權限，並保留探索與多樣性。 PECP 是把「個人化」轉化為「治理」的核心機制，也是後續 MVP 與實證研究最重要的架構基準。 ## 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。 --- # 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： $$ \mathcal{G} = \{ \text{selection}, \text{ranking}, \text{summarization}, \text{verification}, \text{memory}, \text{action} \} $$ ## 2. 注意力主權 注意力主權是個人對其有限注意力如何被資訊系統請求、排序、占用、延後與保留，具有可理解、可操作及可撤回的治理能力。 令每日可用注意力為： $$ B_u=\sum_{i=1}^{n}a_i $$ 注意力主權要求： $$ \operatorname{Allocate}(B_u) = f( \mathbf{g}_u, \mathbf{k}_u, \Delta\mathcal{W} ) $$ 而非主要由： $$ \operatorname{Allocate}(B_u) = f(\text{engagement maximization}) $$ 使用者應能設定哪些主題可以即時打斷、哪些內容只能進入每日摘要、商業內容比例、重複資訊壓縮、高焦慮內容呈現方式、深度閱讀與快速掃描模式，以及不被個人化的中立模式。 ## 3. 認知自由 認知自由不是否定一切中介，而是保留使用者形成、修正及拒絕觀點的能力。 AI 中介可能提供認知卸載、多來源綜合、複雜資訊簡化、對比與驗證；也可能造成自動化偏誤、來源失憶、過度依賴摘要、觀點範圍由模型預先決定，以及把模型選擇誤認為世界本身。 最低要求為： $$ \text{Reversibility} + \text{Source Visibility} + \text{Alternative Views} + \text{User Override} $$ ## 4. 個人化可攜性 平台鎖定的一個主要來源，是使用者離開平台後必須重新累積行為歷史、偏好、關注清單、隱私設定、推薦模型與已讀狀態。 $$ C_{switch} = C_{data} + C_{profile} + C_{training} + C_{workflow} $$ 若 IES 與治理政策可移轉： $$ C_{switch}'