# 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：

$$
C_{switch}'<C_{switch}
$$

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

$$
Q_{personalization}\uparrow
\quad\text{as}\quad
D_{personal}\uparrow
$$

同時：

$$
R_{privacy}\uparrow
\quad\text{as}\quad
D_{personal}\uparrow
$$

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

$$
A_{agency}\uparrow
\qquad
C_{configuration}\uparrow
$$

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：

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

### 5.3 認知卸載—認知退化悖論

USAIE 應最小化：

$$
\text{Redundant Cognitive Labor}
$$

而不是最小化：

$$
\text{Human Thinking}
$$

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：

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

## 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。

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

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：

$$
\max\text{Personalization}
$$

而是：

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

同時：

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

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。