기술 요약: AME – 생성형 AI 시장에서의 다중 유형 기여도 산정 프레임워크

1. 문제 정의

생성형 AI 생태계는 학습 데이터, 베이스 모델, 미세 조정(Fine-tuning, 예: LoRA) 행위, 프롬프트 등 이질적인 기여를 통해 가치가 창출되는 다단계, 다자간 협업 구조를 포함한다. 기존의 데이터 가치 평가 및 수익 배분 메커니즘은 동질적인 참여자와 단일 단계 생산 환경을 위해 설계되었기 때문에, 이러한 환경에는 부적합하다.

본 논문은 이러한 다단계 파이프라인 내에서 가치를 배분할 때 발생하는 세 가지 핵심 과제를 식별한다:

1. 부정확한 귀속(Inaccurate Attribution): 기존 방식은 여러 단계에 걸친 다양한 유형의 기여자(데이터, 모델, 노력, 프롬프트)로부터 발생하는 기여도를 공정하게 정량화하고 집계하는 데 어려움을 겪는다.
2. 매핑 불일치(Mismatched Mapping): 정량화된 기여 가치는 복잡한 권한 구조, 소유권과 사용권의 분리, 다양한 라이선스 약관으로 인해 권리 보유자에게 직접 연결되기 어렵다.
3. 신뢰 부족(Insufficient Trust): 할당 알고리즘의 신뢰할 수 있는 실행을 보장하는 것은 계산 비용이 많이 든다. 블록체인이 투명성을 제공하지만, 복잡한 생성형 AI 워크로드(학습, 추론, 귀속)를 완전 검증(예: 영지식 증명)을 통해 검증하는 비용은 종종 지나치게 높다.

2. 방법론: AME 프레임워크

저자들은 순차적으로 문제를 해결하기 위해 설계된 세 개의 논리적 계층으로 구성된 통합 프레임워크인 **AME (Attribution–Mapping–Execution)**를 제안한다.

제1계층: 귀속 계층 (MMShapley)

이 계층은 샤플리 값(Shapley value)에 기반한 다중 유형, 다단계 귀속 알고리즘인 MMShapley를 도입한다.

• 다단계 협력 게임 모델링: 파이프라인은 레이어($L$)를 가진 유향 비순환 그래프($G$)로 모델링된다. 기여자는 네 가지 집합인 학습 데이터($N_{data}$), 모델($N_{model}$), 빌더의 노력($N_{effort}$), 프롬프트($N_{prompt}$)로 구분된다.
• 다중 유형 효용 함수: 의미론적 기여를 평가하기 위해, 본 프레임워크는 생성된 이미지와 타겟 이미지 사이의 CLIP 기반 유사도 함수를 사용한다. 연합(Coalition)의 효용은 기대 유사도로 정의된다.
• 불완전성 처리: 효용 함수는 연합의 완전성을 고려한다. 예를 들어, 데이터만 있고 모델이 없는 연합은 효용이 0이지만, 데이터와 기본 모델이 함께 있는 연합은 부분적인 효용을 갖는다.
• 소규모 연합 페널티: 작은 연합 내에서 약한 기여자가 "무임승차"하는 것을 방지하기 위해 페널티 연산자($\delta_{size}$)를 적용한다. 기여자의 독립적 가치가 임계값($\theta$) 미만인 경우, 작은 연합에서의 가중치를 크게 줄인다.
• 단계 간 전파: 글로벌 회고 연산자(Global retrospection operator)가 다운스트림 레이어에서 업스트림 레이어로 기여 가치를 전파한다. 정보 이론(채널 노이즈 및 정보 병목 현상 고려)에서 유도된 거리 감쇠 함수($\delta_{dist}$)를 사용하여, 최종 출력으로부터의 거리가 멀어질수록 기여의 가중치를 감소시킨다.
• 복잡도 최적ization: 표준 샤플리 계산의 지수적 복잡도($O(2^n)$)를 피하기 위해, 본 프레임워크는 LoRA 모듈의 가산성과 파이프라인의 계층적 구조를 활용하여 문제를 독립적인 레이어 내 서브게임으로 분해한다.

제2계층: 매핑 계층 (권리 자격 부여)

이 계층은 추상적인 기여 가치를 탈중앙화된 NFT 기반 메커니즘을 통해 실행 가능한 경제적 권리로 변환한다.

• 소유권과 사용권의 분리: 각 기여 원천은 ERC-721 NFT로 발행된다. 프레임워크는 소유권 NFT(전체 제어권)와 사용권 NFT(허가된 권한)를 분리한다.
• 프로그래밍 가능한 라이선스: 사용권 NFT는 고정 수수료, 수익 공유, 유효 기간, 이익 배분 비율을 포함한 동적 조건을 담은 메타데이터를 포함한다.
• 수익 배분 공식: 권리 보유자 $j$에 대한 최종 배분은 그들의 승인된 기여 원천으로부터 파생된 수익 쉐어(MMShapley 값에 의해 가중치 적용)와 고정 수수료의 합계로 계산된다. 이는 중첩된 권한 부여와 다단계 이익 공유를 지원한다.

제3계층: 실행 계층 (신뢰할 수 있는 프로토콜)

이 계층은 스마트 컨트랙트와 행동 검증 메커니즘을 결합한 이중 계층 프로토콜을 통해 할당 체계의 구현을 보장한다.

• 스마트 컨트랙트 워크플로우: 컨트랙트는 소유권/사용권 검증, 컴퓨팅 노드 스케줄링, 학습/추론 실행, 수수료 결제에 이르는 전체 라이프사이클을 관리한다.
• 스테이킹, 감사 및 평판: 완전한 검증의 높은 비용 없이 신뢰성을 확보하기 위해 다음을 채택한다:
  • 스테이킹(Staking): 노드는 참여를 위해 스테이크($S$)를 예치해야 한다.
  • 무작위 감사(Random Auditing): 결과는 확률 $p$로 불시에 점검된다.
  • 슬래싱(Slashing): 감사 실패 시 스테이크의 일부($\gamma S$)가 몰수된다.
  • 평판(Reputation): 평판 점수($\rho_t$)는 감사 결과에 따라 지수 이동 평균을 통해 업데이트된다. 높은 평판은 향후 더 높은 수익 기회와 상관관계가 있다.
• 인센티브 적합성: 이론적 분석은 즉각적인 경제적 처벌(슬래싱)과 장기적인 평판 손실의 결합이 낮은 감사 빈도 하에서도 합리적인 노드들이 정직한 행동을 선호하도록 만드는 인센티브 적합한 환경을 조성함을 입증한다.

3. 주요 기여

1. MMShapley 알고리즘: 연합 크기 페널티와 계층 간 거리 감쇠를 포함하여, 이질적이고 다단계인 생성형 AI 파이프라인으로 샤플리 값을 확장한 새로운 귀속 방법론이다.
2. 통합 AME 프레임워크: 기여 귀속, 권리 매핑(분리된 NFT를 통한), 그리고 신뢰할 수 있는 실행을 단일 워크플로우로 통합한 최초의 프레임워크이다.
3. 비용 효율적인 실행 프로토콜: 스마트 컨트랙트와 스테이킹-감사-평판 시스템을 결합하여, AI 워크로드에 대한 과도한 암호학적 검증 비용을 피하면서도 신뢰할 수 있는 할당을 달성하는 메커니즘이다.

4. 실험 결과

본 논문은 Stable Diffusion 1.5, LoRA 미세 조정을 사용한 이미지 생성 실험과 인간 평가를 통해 프레임워크를 검증한다.

• 귀속의 합리성:

  • 인간과의 일치성: 단계 내 평가에서 AME의 귀속 순위는 인간 베이스라인과 완벽한 일치(Spearman $\rho=1.0$, Kendall $\tau=1.0$)를 보였으며, Uniform Allocation 및 Daraxide 프레임워크를 크게 상회했다.
  • 글로벌 귀속: 글로벌 평가에서 AME는 가장 낮은 정규화 평균 절대 오차(NMAE = 0.104)를 기록했으며, 인간의 직관과 가장 높은 상관관계를 보였다.
  • 스타일 부재 상황: 특정 스타일(예: 클레이메이션)이 존재하지 않는 시나리오에서, AME는 관련 없는 LoRA 모델의 기여도를 0에 가깝게(0.012) 억제했으나, 다른 방법들은 해당 모델에 상당한 가중치를 부여했다.
  • 절제 연구(Ablation Studies): 실험을 통해 거리 감쇠와 연합 크기 감쇠 연산자가 모두 NMAE를 최소화하고 순위 일치성을 개선하는 데 필수적임을 확인했다.

• 실행 가능성:

  • 가스 소비량: 이더리움 테스트넷에 배포했을 때, 권한 부여, 작업 생성 등 고빈도 작업의 가스 소비량은 51,000에서 210,000 사이로 나타났으며, 이는 활발한 협업 생태계를 지원하기에 수용 가능한 수준이다.
  • 처리량: 시스템은 권한 설정에 대해 최대 41.5 TPS의 이론적 처리량을 달성하여 현재 플랫폼 요구 사항을 충족했다.

• 인센티브 적합성:

  • 시뮬레이션: 몬테카를로 시뮬레이션 결과, 스테이킹, 무작위 감사, 평판 메커니즘의 결합이 인구의 정직도 비율을 약 95.7%까지 효과적으로 끌어올렸으며, 이는 스테이킹 또는 감사만 사용하는 시스템보다 훨씬 우수한 성과였다.
  • 안전 마진: 분석을 통해 스테이크 대비 수익 비율($S/R$)이 7.0이고 감사 확률이 10%일 때 99.9% 이상의 안전성을 확보하는 "확률적 안전 통로"를 식별하여 인센티브 설계의 견고함을 검증했다.

5. 의의 및 주장

본 논문은 생성형 AI 데이터 시장의 가치 평가 및 수익 배분을 위한 초기 토대를 제공한다고 주장한다. 이는 다음과 같은 요소들을 연결하는 통합 솔루션을 제공함으로써 기존 연구의 파편화 문제를 해결한다:

• 가치 평가: 이질적인 기여를 공정하게 정량화함.
• 권리: 프로그래밍 가능한 라이선스를 통해 가치를 권리 보유자에게 동적으로 매핑함.
• 실행: 신뢰할 수 있고 비용 효율적인 결제를 보장함.

저자들은 현재의 평가가 이미지 생성 파이프라인에 집중되어 있고 인센티브 검증을 위해 시뮬레이션에 의존하고 있다는 점을 인정하면서도, AME 프레임워크가 공정하고 지속 가능한 생성형 AI 경제를 위한 미래 연구의 필수적인 이론적, 실무적 기초를 구축한다고 강조한다.