🤖 machine learning

AME: A Multi-Type Contributor Attribution Framework in Generative AI Markets

本文介绍了 AME，这是一个旨在通过整合多类型贡献者估值、权利映射和可信执行，以实现与人类判断一致的结果，从而解决生成式人工智能市场中公平价值分配挑战的统一框架。

原作者： Yang Shi, Songwen Pei, Yang Gao, Bingxue Zhang

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Yang Shi, Songwen Pei, Yang Gao, Bingxue Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个宏大的协作艺术项目，最终的杰作并非由一个人完成。相反，它是由一个团队共同创作的：有人提供原始画布（数据），有人搭建画架和画笔（基础模型），有人绘制初稿（微调），还有人给出最后的绘画指令（提示词）。

在生成式人工智能的世界里，这正是图像和内容生成的真实方式。但问题在于：当艺术品售出时，谁应该获得报酬？

目前，这个系统非常混乱。它就像一场聚餐，每个人都带了一道菜，但无论谁带来了昂贵的牛排，还是谁只带了一包薯片，账单都是平摊的。你提供的论文题为**《AME：一种多类型贡献者归因框架》，该论文提出了一种全新的、更公平的分配奖励的方式。他们称之为 AME 框架，代表着归因（Attribution）、映射（Mapping）和执行（Execution）**。

以下是该框架的工作原理，分为三个简单的层级：

第一层：“公平的计分员”（归因）

问题： 在过去，我们无法轻易判断特定数据或特定提示词到底贡献了多少价值。是基础模型做了 90% 的工作，还是特定的提示词起到了决定性作用？现有的方法对所有人的对待方式都是一样的，这并不公平。

AME 的解决方案： 作者创建了一个名为 MMShapley 的新型数学工具。你可以把它想象成一位超级聪明的裁判，全程观察整个创作过程。

它观察创作的每一个阶段（训练、构建、提示）。
它会追问：“如果我们移除了这个人的特定贡献，最终的图像质量会下降多少？”
“搭便车”修复机制： 有时，微小的贡献可能会在无意中显得很有帮助。该系统设有“惩罚规则”（就像教练把表现不佳的球员换下场一样），以确保那些几乎没有实质贡献的人不会拿到丰厚的薪水。
“距离”原则： 论文还意识到，添加最后触感的人（提示词编写者）比在多年前构建模型的人离最终结果更近。因此，系统会赋予离终点线更近的步骤略高的权重，从而淡化那些发生在很久以前的步骤的价值。

结果： 这一层级为每一位贡献者（从数据提供者到提示词编写者）计算出一个精确的“得分”。

第二层：“数字合同”（映射）

问题： 即使我们知道谁应得多少，我们该如何实际支付给他们呢？在现实世界中，权利关系是非常复杂的。有时，拥有数据的人并不是使用数据的人。有时，他们想把权利转让给别人，而那个人又会再次转让。传统的系统就像一个锁着的档案柜；一旦打开，你就很难追踪谁拥有什么。

AME 的解决方案： 这一层利用区块链（一种数字化的、不可篡改的账本）为每一项贡献创建“数字身份证”（NFT）。

权力分离： 想象你拥有一栋房子（数据）。你可以保留房产证（所有权），但可以将其出租给他人（使用权）。该系统将这两者分离开来。你可以将你的数据租给十个不同的人，而系统会追踪所有这些人的行为。
智能合约： 这些是数字协议，会根据第一层计算出的得分自动进行支付。如果“公平的计分员”判定提示词编写者应获得 20% 的利润，合约就会自动将 20% 的资金发送到他们的数字钱包。无需人工中介来决定谁该拿钱。

第三层：“诚信执行者”（执行）

问题： 运行计算机是非常昂贵的。如果要求计算机证明自己诚实地完成了工作，成本会高得惊人。如果不进行检查，人们可能会通过作弊来骗取报酬而不付出劳动。

AME 的解决方案： 这一层使用**质押（Staking）、审计（Auditing）和声誉（Reputation）**的巧妙结合，在不产生巨额费用的情况下保持所有人的诚实。

保证金（质押）： 在计算机节点（工作者）开始执行任务之前，他们必须锁定一笔资金（质押金）。
随机检查（审计）： 系统不会检查每一个任务（因为那样太贵了）。相反，它会随机抽取一些任务进行检查，就像警察随机拦截车辆一样。
声誉评分： 如果你作弊并被抓获，你不仅会失去保证金，你的声誉评分也会下降。低声誉评分意味着你未来将无法获得工作机会。
逻辑核心： 诚实是最划算的。如果你作弊，你今天可能会省下一小笔钱，但你会失去保证金和未来的收入。该系统的设计初衷是让诚实成为一种长期盈利的最优策略。

总结

论文通过涉及图像生成的真实实验测试了这个系统。

公平性： 当我们询问人类谁应该获得荣誉时，AME 系统的数学计算比旧方法更符合人类的直觉。
效率： 该系统可以在区块链上运行，且不会产生高昂的计算机费用。
信任： “质押 + 声誉”系统成功阻止了计算机在模拟实验中的作弊行为。

简而言之，AME 框架是一个公平、自动化且值得信赖的交易市场蓝图。在这个市场中，每一个帮助构建生成式人工智能的人，都能基于智能数学、数字合约以及由真金白银支撑的“诚信体系”，获得与其价值完全相符的报酬。

技术摘要：AME —— 生成式 AI 市场中的多类型贡献者归因框架

1. 问题陈述

生成式 AI 生态系统涉及多阶段、多方的协作，价值是通过异构的贡献（包括训练数据、基础模型、微调行为（如 LoRA）以及提示词）创造的。现有的数据估值和收入分配机制不足以应对这种环境，因为它们是为同质参与者和单阶段生产设置而设计的。

本文识别了在这些多阶段流水线中分配价值的核心挑战：

归因不准确： 当前的方法难以公平地量化和聚合来自不同类型贡献者（数据、模型、投入、提示词）在多个阶段的贡献。
映射失配： 量化的贡献值无法直接链接到权利持有者，这是由于复杂的授权结构、所有权与使用权的分离以及多样化的许可条款所致。
信任不足： 确保分配算法的可信执行在计算上是昂贵的。虽然区块链提供了透明度，但通过全量验证（例如零知识证明）来验证复杂的生成式 AI 工作负载（训练、推理、归因）的成本通常过高。

2. 方法论：AME 框架

作者提出了 AME (Attribution–Mapping–Execution，归因–映射–执行)，这是一个由三个逻辑层组成的统一框架，旨在按顺序解决上述挑战。

第一层：归因层 (MMShapley)

该层引入了 MMShapley，一种基于 Shapley 值的多类型、多阶段归因算法。

多阶段合作博弈建模： 将流水线建模为一个具有各层 ( $L$ ) 的有向无环图 ( $G$ )。贡献者被划分为四个集合：训练数据 ( $N_{data}$ )、模型 ( $N_{model}$ )、构建者投入 ( $N_{effort}$ ) 和提示词 ( $N_{prompt}$ )。
多类型效用函数： 为了评估语义贡献，框架使用基于 CLIP 的生成图像与目标图像之间的相似度函数。联合体的效用被定义为预期相似度。
处理不完整性： 效用函数考虑了联合体的完整性。例如，仅有数据而没有模型的联合体效用为零，而拥有数据和默认模型的联合体则产生部分效用。
小规模联合体惩罚： 为了防止小规模联合体中的弱贡献者“搭便车”，应用了惩罚算子 ( $\delta_{size}$ )。如果贡献者的独立价值低于阈值 ( $\theta$ )，其在小规模联合体中的权重将被显著降低。
阶段间传播： 全局回顾算子将贡献值从下游层向上传播。源自信息论（考虑信道噪声和信息瓶颈）的距离衰减函数 ( $\delta_{dist}$ ) 会随着贡献与其最终输出距离的增加而降低其权重。
复杂度优化： 为了避免标准 Shapley 计算的指数级复杂度 ( $O(2^n)$ )，框架利用了 LoRA 模块的可加性和流水线的层级结构，将问题分解为独立的层内子博弈。

第二层：映射层 (权利凭证)

该层通过去中心化的、基于 NFT 的机制，将抽象的贡献值转化为可执行的经济权利。

解耦所有权与使用权： 每个贡献源都被铸造为 ERC-721 NFT。框架将 所有权 NFT（完全控制）与 使用权 NFT（授权许可）分离。
可编程许可： 使用权 NFT 包含用于动态条款的元数据，包括授权类型（固定费用、收入分成）、有效期和利润分配比例。
收入分配公式： 权利持有者 $j$ 的最终分配额通过计算其授权贡献源（由 MMShapley 值加权）产生的收入份额以及任何固定费用之和得出。这支持了嵌套授权和多级利润分配。

第三层：执行层 (可信协议)

该层通过结合智能合约和行为验证机制的双层协议，确保分配方案的实施。

智能合约工作流： 合约管理整个生命周期：验证所有权/使用权、调度计算节点、执行训练/推理以及结算费用。
质押、审计与声誉： 为了在不进行高成本全量验证的情况下确保可信度，系统采用了以下机制：
- 质押 (Staking)： 节点必须锁定质押金 ( $S$ ) 才能参与。
- 随机审计 (Random Auditing)： 以概率 $p$ 进行结果抽检。
- 惩罚 (Slashing)： 审计失败会导致部分质押金 ( $\gamma S$ ) 被扣除。
- 声誉 (Reputation)： 声誉分数 ( $\rho_t$ ) 通过基于审计结果的指数移动平均进行更新。高声誉与更高的未来收入机会相关联。
激励相容性： 理论分析表明，结合即时经济惩罚（惩罚机制）和长期声誉损失，可以创建一个激励相容的环境，使理性节点即使在低审计频率下也倾向于诚实行为。

3. 核心贡献

MMShapley 算法： 一种新型归因方法，将 Shapley 值扩展到异构、多阶段的生成式 AI 流水线，并纳入了联合体规模惩罚和层间距离衰减。
统一的 AME 框架： 首个将贡献归因、权利映射（通过解耦 NFT）和可信执行集成到单一工作流中的生成式 AI 市场框架。
高效执行协议： 一种通过结合智能合约与“质押-审计-声誉”系统来实现可信分配的机制，避免了为 AI 工作负载进行高昂的全量密码学验证的成本。

4. 实验结果

论文通过使用 Stable Diffusion 1.5、LoRA 微调和人类评估的图像生成实验验证了该框架。

归因合理性：
- 人类一致性： 在阶段内评估中，AME 的归因排名与人类基准显示出完美的连贯性（Spearman $\rho=1.0$ , Kendall $\tau=1.0$ ），显著优于均匀分配法和 Daraxide 框架。
- 全局归因： 在全局评估中，与基准方法相比，AME 实现了最低的归一化平均绝对误差（NMAE = 0.104）以及最高的与人类直觉的相关性。
- 风格缺失处理： 在特定风格（如粘土动画）缺失的情况下，AME 成功地将无关 LoRA 模型的贡献压低至接近零（0.012），而其他方法仍为其分配了显著权重。
- 消融研究： 实验证实，距离衰减和联合体规模衰减算子对于最小化 NMAE 和提高排名一致性至关重要。
执行可行性：
- Gas 消耗： 在以太坊测试网上部署后，框架的高频操作（如授权、任务创建）消耗了 51,000 至 210,000 Gas 之间，这被认为是支持活跃协作生态系统的可接受水平。
- 吞吐量： 系统在授权设置方面的理论吞吐量高达 41.5 TPS，足以满足当前平台的需求。
激励相容性：
- 模拟： 蒙特卡洛模拟表明，结合质押、随机审计和声誉机制能有效将群体诚实率提升至 ~95.7%，显著优于仅有质押或仅有审计的系统。
- 安全裕度： 分析确定了一个“概率安全走廊”，显示出当质押与收入比 ( $S/R$ ) 为 7.0 且审计概率为 10% 时，可实现 >99.9% 的安全性，验证了激励设计的鲁棒性。

5. 重要性与主张

本文声称为生成式 AI 数据市场的价值评估和收入分配提供了初步基础。它通过提供一个统一的解决方案，解决了现有研究的碎片化问题，连接了：

估值： 公平地量化异构贡献。
权利： 通过可编程许可将价值动态映射到权利持有者。
执行： 确保可信且具成本效益的结算。

作者强调，尽管目前的评估侧重于图像生成流水线并依赖模拟进行激励验证，但 AME 框架为未来研究公平且可持续的生成式 AI 经济奠定了必要的理论和实践基础。他们也承认了局限性，包括对图像生成的关注、需要解决特定司法管辖区的法律要求，以及缺乏现实世界的部署验证。