量化异构AI生态系统中的模型唯一性

随着AI系统从孤立的预测器演变为复杂的、异构的基础模型和专用适配器生态系统，区分真正的行为新颖性与功能冗余性已成为关键的治理挑战。本文引入一种基于In-Silico准实验设计（ISQED）的统计框架，用于审计模型的唯一性。通过在模型之间强制执行匹配的干预，我们隔离固有的模型身份，并将唯一性量化为同伴不可表达残差（PIER），即目标行为中严格不可还原于其同伴任何随机凸组合的组成部分。PIER为零时，表明基于路由的替代成为可能。我们通过三个关键贡献建立了生态系统审计的理论基础。首先，我们证明了观察日志的根本局限：在没有干预控制的情况下，唯一性在数学上不可识别。其次，我们推导了主动审计的尺度律，表明自适应查询协议实现了minimax最优样本效率（$d\sigma^2\gamma^{-2}\log(Nd/\delta)$）。最后，我们表明合作游戏论方法（如Shapley值）在检测冗余方面根本性地失败。我们通过DISCO（Design-Integrated Synthetic Control）估计器实现了该框架，并在包括计算机视觉模型（ResNet/ConvNeXt/ViT）、大型语言模型（BERT/RoBERTa）和城市级交通预测模型等多种生态系统中进行部署。这些结果使可信赖的AI超越对单个模型的解释，建立了一种原则性、基于干预的审计和治理异构模型生态系统的科学。