从一条数据到一份资产 — Humanbased 博客

你向一家 AI 公司交付了 10 万条标注数据。按照约定，只要这些数据被使用了，你就能够从中获取一部分收益。你对未来充满了期待，因为你相信你提供的数据质量是非常高的，应该可以给你带来不错的收益。

然而，事情却并不像想象中那么乐观。在接下来的半年里，你的数据只是被少量地使用，每次使用也只是用到了其中一部分而已，因此你所得到的收益比预想中少很多。你不知道怎么回事，你所知道的所有信息都是那家AI公司告诉你的，你只能够选择相信。

又过了一段时间，你偶然从一篇行业报道里看到，另一家公司竟然也有你的数据，而且不仅仅是自己使用，还提供给别的公司，并从中获取收益。你很吃惊，因为此前你并没有听说过此事，于是你去找到了签约的那家AI公司。

公司的回复滴水不漏：那家公司的数据”来源合规”，与你签的合同”不涉及第三方披露义务”；至于收益偏低，“按实际使用结算，市场行情如此”。你想核实其中任何一句——你的数据到底被用了几次、有没有被再次授权出去、那家公司手里的是不是你这一批——都做不到。使用记录在他们的数据库里，授权合同在他们的柜子里，你手里只有几笔打款流水。

你顺着报道又查了一下：那家公司对外卖的是一个 40 万条的数据集。如果你的 10 万条真的在里面，它们和另外 30 万条混在一起，连你自己都指认不出来——更不用说拿它去对质。

到这里，你甚至分不清发生的是哪一种：是公司隐瞒了交易，把该分给你的收益截留了；还是数据在某个环节被泄漏，对方根本没付过钱。前者是违约，后者是失控，两者的意义完全不同——而你连区分它们的手段都没有。

你可能会想，下次找一家更靠谱一点的公司，这种事情就能够避免。确实，有些平台会给你报表——用了几次、分你多少，列得清清楚楚。但出报表的和欠你钱的是同一方：报表之外有没有别的交易、数据集里你的条目还在不在、授权撤没撤，你没有任何独立于平台去核对的手段。逐条的指纹、成员表、授权记录，从来只在平台自己的数据库里。贡献不可证，归属不可查，授权不可撤回，这是这套记账方式的结构决定的，换谁签约都一样。要改变它，需要换一套记账的规则——这正是 XnY Protocol 要做的事。

这套新规则的关键在于颗粒度。给整个数据集留一个总的存证是不够的——那只证明某个时刻有过这么一批数据，你的条目在不在、混入的那批按什么比例稀释，这些关键信息并没有记录。XnY Protocol 把账算到每一条 sample：每条贡献有自己的指纹，数据集是一批指纹的公开聚合，在一批数据中你占了多少份额，都是公开记录的，任何人都可以使用这些公开信息进行查验。

左右对照：今天，一个 40 万条的数据集是个黑箱，你手里只有一份写着按贡献比例分配的合同；在 XnY 里，同一个数据集是一张公开的成员表，每行一条 sample，带 cfId、贡献者 DID 和权重，你的条目逐条可辨。任何人都能重算这张表，与链上公布的 Merkle root 比对，改动任何一行两个 root 就对不上。份额是你的权重之和除以 totalShares。 — 图 1 · 同一个 40 万条数据集：黑箱，或一张带指纹和权重的公开成员表

数据资产的三个条件

数据要成为可持续产生收益的资产，必须同时解决三件事。

可证明——这资产是什么，归谁所有。它有两个方向：往回追，我的贡献从哪来、被谁改过、被谁审核；往前追，它进了哪个数据集、对应哪份收益。

可拥有——所有权必须是可行使的权利，不是合同里的一句声明。可行使意味着四件事：

可计量——我在数据集中占了多少份额
可流转——我能把自己持有的份额转给其他人
可定价——他人使用数据要付费，费用换来的是协议托底的访问授权
可退出——我可以把获得的收益取出

可访问——资产可以流动，但是数据本身不可以。谁能拿到数据，凭什么拿，授权怎么撤销——这三个问题的答案得由机制保证，说到做到，而不是写在条款里的承诺。

三者缺一即不成立：不可证则无从确权，不可拥有则无从交易，使用不可控则没人敢把数据放出来。我们再看看开篇，这三个条件一个都不具备，所以分成也只能是合同里的一句话而已。

对于这三个条件，XnY Protocol 各设计了一个机制，后面三节分别展开。机制里出现的协议对象，都放到它们第一次出场的地方解释；只有身份需要先交代——它贯穿所有机制。

身份：DID

DID——全称 Decentralized Identifier，去中心化身份标识，一个 W3C 标准。贡献者的链上身份，写作 did:xny:<uuid>，链上存为一个 uint128。它是个假名标识，不含任何真实身份信息。协议里所有的写操作都绑定 did 而不是钱包地址——身份和签名钱包是解耦的，钱包可以换，身份不变，这一点在后面讲收益领取时会再出现。

区块链在协议中的意义

协议把需要公开验证的事实都”锚在链上”——后文每个机制都会这么做。值得先停下来讲清楚：为什么要使用链，它到底提供什么。

文中说的链，都是指区块链。在这套协议里，它就是那本”不属于任何一方的账本”。它提供三样东西：

写入后没人能改——包括写入者自己，也包括我们
任何人都能读、能验，不需要谁的许可
规则由合约代码执行——分账的算术、授权的状态翻转，不经过任何一家公司的服务器

这正是开篇故事里缺的东西：出报表的和欠你钱的不再是同一方，因为账本不在任何一方手里。

同样重要的是链不负责什么。它不知道一条数据的内容对不对——那是审核签名的事；它也不保密——链上的一切都是公开且永久的。所以什么该上链、什么不该，有一条清楚的分界：

上链的，是需要被公开验证的最小事实——指纹、身份、份额、授权状态
不上链的，是内容本身——数据本体、授权条款、以及一切可能含隐私的东西；它们留在链下，链上只放一个 hash 作承诺

这样一来，你可以证明一份内容没被改过，而不必把内容给任何人看。

不可篡改也有代价：写错的东西改不掉，只能追加更正。协议为此把”追加更正”做成了一等公民——下一节会看到，有一类记录 (AMENDS) 专门干这件事，修正和原始记录都留在账上，谁改的、改了什么，一并可查。

一条贯穿所有实体的通则：链上对象有一个 id，通常还有内容的 metadataHash 和 metadataUri，再加上它自己类型需要的少数字段。内容本身留在链下，两边靠 hash 对上，要验完整性就取回内容重算一遍。这个划分的含义会在存储一节展开。

最后，协议的链上对象和它们的上下文，图 2 给出一张总览——每个对象都会在后文第一次干活的地方展开。

协议核心对象总览：DID 是身份，通过 contributorDid 指向 CF（贡献指纹），通过 assemblerDid 指向 DatasetVersion；一批 CF 按权重聚合成 DatasetVersion，DatasetVersion 的 datasetId 被 Grant 授权锚点引用；Frontier、Campaign、Task 三层是上下文锚，只有 taskId 进入 CF，它们不参与所有权、收益和授权。 — 图 2 · 协议核心对象与上下文锚

可证明

可证明分两层：单条贡献的来源可追溯，和跨数据集的所有权可确认。先讲第一层。

每一条贡献有自己的指纹

协议不定义”提交”和”审核”的流程——那是各家平台自己的事。它定义的是两个可签名、可上链的产物。

第一个是内容指纹，协议里叫 CF——全称 Contribution Fingerprint。每条贡献登记为一条 CF，它就是这条贡献的锚。CF 的 id 是这样算的：

cfId = keccak256(metadataHash, contributorDid, taskId)          // 无父级
cfId = keccak256(metadataHash, contributorDid, taskId, parentCf) // 有父级

内容动一个字，metadataHash 就变，cfId 就完全不同——像给内容按了个手印。注意这个公式里刻意没有 metadataUri：一条贡献由它的内容定义，不由它存放的位置定义。位置坏了可以修——合约为此提供了 updateCFMetadataUri，只有贡献者本人或已授权的审核员能够调用——但 cfId 永远不变。

CF 里还有一个 taskId，指向链上登记的一个 Task——它参与 CF 的 id 计算，是协议的一部分。Task 之上另有 Campaign 和 Frontier 两层策展层级，这三层对所有权和收益来说只是上下文锚：链上承诺它们存在、元数据可验，但是它们不参与所有权、收益、授权的任何机制——数据集的组装甚至是跨 Frontier 的，一个版本可以聚合来自任意任务的 CF。本文不展开这三层的业务含义。

parentCf 是血缘的关键。每条 CF 带一个类型 AtomicKind，一共四种：

SAMPLE——原始样本
LABEL——标注
AMENDS——修正
VALIDATION——审核背书

标注、修正、审核这些后续动作，都通过 parentCf 挂到它们所作用的那条数据上。这就是血缘在链上的最小形态：顺着 parentCf 链往回走，追到起源；反过来查引用，追到下游。

第二个是审核判定。审核员对一条结构化消息签名——用的是 EIP-712，以太坊通行的结构化签名标准，签的是字段本身而不是一段自由文本，所以每个字段都被签名锁定。消息里有八个字段：

审核员 DID——did:xny:31f0a8e2-…，链上已授权的身份
贡献者 DID——did:xny:f9b35e88-…，这条贡献是谁的
任务——0x9ad6551d…42d9e3，属于哪个任务
贡献类型——如 LABEL，一条标注
内容摘要——0x7c414b0a…e1f8，审的就是这份内容，一字未改
结论 verdict——如”通过”
评级 grade——如 A
签名有效期——如 2026-10-01 前有效，过期作废，签名不能被无限重放

审核员必须是链上已授权的身份，验签对普通钱包和合约钱包都支持——后者走 ERC-1271 标准接口。签名进链之后，“这条数据被谁认可过、评了几级”就不再是平台数据库里的一行记录，而是谁都能验的密码学事实。

一个值得说清的细节：协议里提交 CF 是 permissionless 的——无需许可，任何人都能调——链本身不在提交时验证”调用者控制这个 DID”。所以严格地说，链上锚定证明的是”这份内容 × 这个身份 × 这个时间”的绑定被公开记录了，且此后无人能改；“确实是本人所为”的背书来自审核签名，以及一个朴素的事实——真正的贡献者手里有原始内容，冒名者没有。协议不多承诺，但这已经足够支撑验证：给你一份元数据文档和一个 cfId，三步即可完成验证：

算文档的 hash；
按公式拼出 cfId；
到链上查这个 id 存在、绑的是谁的 DID 和哪个任务。

验证所需要的，只有这份文档和公开的链上记录，整个过程完全不依赖平台。

上半部分：cfId 由 metadataHash、contributorDid、taskId 和可选的 parentCf 一起做 keccak256 得到，公式刻意不含 metadataUri，所以位置可修而 id 不变。下半部分：血缘是一条 parentCf 链，SAMPLE 原始样本被 LABEL 标注引用，LABEL 被 AMENDS 修正引用，AMENDS 被 VALIDATION 审核背书引用，每条各有自己的 cfId。 — 图 3 · cfId 的构成与 parentCf 血缘链

所有权长在数据集上

这里有个容易混的层次，值得单独说清：CF 和 Dataset 是两层，所有权在 dataset 层面，不在单条 CF 层面。

一条 CF 的作用有两件：

追溯——它记录”我做了这条、属于哪个任务、谁审过、谁修过”
计算——被组装进某个数据集版本之后，它参与权重计算，权重决定份额和收益

单独一条 CF 不是资产：它不被持有，不被转让，也没人会买一条标注。

Dataset 才是资产的单位：把一批 CF 聚合成一个可持有、可流转、可定价、可退出的整体。这个分层是协议设计里最关键的一步——把所有权放在单条数据上，颗粒太细，交易不成立；放在数据集上，“我持有这个数据集 3% 的份额”是可计量、可转让的。而追溯的颗粒度保持在单条，两层各干各的事。

协议里，一个数据集版本由 (assemblerDid, manifestId, versionNumber) 三元组唯一确定，链上存三样东西：成员表的 Merkle root、总份额 totalShares、指向元数据的 URI。

组装是这样发生的：组装者——就是 Dataset 三元组里那个 assemblerDid——选定一批 CF，给每条一个权重，权重之和固定为 totalShares。全部成员和权重的列表发布在链下的元数据里，链上只存这张表的 Merkle root。于是开篇那个”混入 30 万条”的黑箱，变成一张公开的成员表：每一条是谁的、权重多少，都在表里；表的完整性由链上的 root 保证，谁也不能事后偷改。你的份额就是你那些条目的权重之和除以 totalShares——一道自己能重算的算术题。

组装不改变 CF 本身的任何东西。没被选进数据集的 CF 不会失效——指纹、归属、审核签名都还在链上，只是暂时没有份额挂在上面，将来照样可以被选进新的版本；被选进去的 CF 也不是被”消耗”了——它只是多了一个”被聚合进 X”的关联，源 cfId 永远可以独立验证，同一条 CF 还可以进别的数据集。组装本身也是 permissionless 的：任何注册了 DID 的用户都可以发布数据集版本，协议不把这个权力留给任何人。

这里要把两种”拥有”分开：组装者发布版本之后，就是这个数据集在协议里的管理者——合约里称它为 owner，后面讲的授权签发、撤销都由它执行；而份额持有人拿的是经济权益——分收益、可转让。管理权和收益权从组装那一刻起就是分开的：持有人不参与每一次授权的决策，但也不会被一个停摆的管理者锁死——组装是 permissionless 的，同一批 CF 任何人都可以重新组装成新的数据集版本。

验证同样是机械的：拿元数据里的权重表重建 Merkle 树，和链上 root 比对；任何持有人拿自己的叶子和证明去调合约领份额，领得到就说明份额属实。

链下公开的权重表每行是 cfId、贡献者和权重，权重之和是 totalShares，这里是 10；每行哈希成叶，四个叶子两两哈希成 H12 和 H34，再合成 root，链上只存 root 和 totalShares。你的叶子是 L1 和 L3，份额是 3 加 1 除以 10，等于百分之四十。图中高亮了 L1 到 root 的路径，L1 的证明只需两个兄弟哈希 L2 和 H34。验证方式是拿权重表重建整棵树与链上 root 比对，或拿自己的叶子和证明直接向合约领份额。 — 图 4 · 权重表 → Merkle 树 → 链上 root，份额是一道可重算的算术

可拥有：让所有权可以行使

份额铸成 ERC-1155 代币——以太坊的多资产代币标准，同一份合约里每个数据集版本各是一种 token。前面说的四件事在这里逐一落地。

可计量，上一节已经讲了：份额从公开权重表算出，任何人可重算。

可流转：份额可以自由点对点转让，链上随时可查”现在归谁”。转让触发一个结算钩子，收益按转让前的持仓结清给转出方，转入方从新持仓开始累计——已经分给你的钱不会因为你把份额卖了而被追走。

可定价：使用数据要付费，付费换到的是访问授权。协议要求的是“能定价”这件事成立；至于定价高低、卖给谁，它不做规定——那属于具体实现和市场，不属于协议。它托底的是授权这个事实链上可查、可撤销。

可退出：收益进来时，合约执行 distribute(datasetId, token, amount)，按当时的持仓快照把钱记到每个持有人的待领账上。这里有两条硬规则：

分母固定为 totalShares，不是”已被领取的份额数”——晚来领份额的人不吃亏，早领的人也占不到便宜。
收益归谁，看 distribute 那一刻份额在谁手里；之后再转让，已经记到你账上的钱不会跟着份额转给买方。这条规则是防纠纷的：份额开放转让之后，“这笔钱算谁的”必须有唯一答案。领取时，钱付给 DID 当前的 owner 地址——记账跟着身份走，钱包丢了换一个，待领的收益还在。

平台费在 distribute 时按固定比例切出，单独提取。费率是一个公开参数，可以为零；收取的每一笔在链上都是可见的流出——对账时它不是一个模糊的”运营成本”，是一条能逐笔核对的记录。

份额生命周期时间轴——组装、领取份额、distribute、转让份额、领取收益——下方是一份示例账本：你领取 10 份中的 4 份；一次 1,000 的分配给你入账 400，因为分母固定为 totalShares，晚领不吃亏早领不占便宜；你转出 2 份，400 仍归你，因为转让前收益先结清给转出方；之后你领取收益，400 付到 DID 当前 owner 地址，换了钱包也一样。 — 图 5 · 份额生命周期：卖掉份额，已入账的收益还是你的

可访问：谁能看到明文

前面所有机制处理的都是”账本”；数据的访问是另一回事。原始数据不公开存放，谁能取到，由授权决定。至于用访问控制挡住还是加密锁住，是实现的选择，协议不规定手段，只规定放行的条件。

授权分两层：

链下是授权本体——一份可验证凭证 VC——W3C 标准的、带签名的 JSON 令牌，写明谁授权给谁、哪个数据集、允许做什么、有效期多久。条款放链下是有意的：它会变，会含隐私，不该进入公开且永久的账本。
链上是锚点——协议里叫 Grant，一次访问授权的锚，由 GrantAnchorRegistry 记录，只存数据集 id、被授权方的摘要、签发和到期时间、状态。状态只有两个值：ACTIVE 和 REVOKED。

因此，“是否有效、是否已撤销”是任何人可查、赖不掉的链上事实；而”授权的具体条款”保持在链下的灵活和私密。两层各取所长。

把数据放给请求方之前，验证方必须全部通过五道检查：

请求方证明自己控制凭证里的那个 DID；
凭证签名有效，且签发者必须是这个数据集在链上的 owner DID——否则任何人都能自签一份”授权”；
凭证与授权方批准时留存的摘要一致；
请求方和数据集与链上锚点匹配；
锚点状态是 ACTIVE 且未到期。

五道检查全部通过才放行，锚点有效只是必要条件之一。

第二道检查里的 owner 是单数——就是前面说过的管理者 assemblerDid：授权由它签发和撤销；份额持有人的收益权不受影响，每一次授权带来的收入照样按份额分。

协议也支持撤销授权，其语义是停止新的访问。授权方随时可以撤销授权，链上状态切换为 REVOKED，立刻生效，之后的访问请求全部被拒。但已经到了别人手里的数据，协议是没有办法追回的——我们目前是通过水印溯源和许可条款来约束二次分发。

四条泳道：授权方 owner 在链下签发 VC 并把它锚定到链上，锚点状态为 ACTIVE，VC 本身交给被授权方；请求方带着 VC 和 DID 认证找验证方，验证方跑五步检查——请求方确实控制 VC 里的 DID、VC 签名有效且签发者是数据集 owner DID、VC 与批准时留存的摘要一致、请求方和数据集与锚点匹配、锚点 ACTIVE 且未到期——并向链上查状态，五步全过才放行数据。授权方随时可以撤销，链上状态切换为 REVOKED，此后的请求在第五步被拒。 — 图 6 · 授权与撤销：链下 VC + 链上锚点，五步全过才放行

数据存储

数据存储非常重要，因为它是上面三件事共同的地基。整个存储体系是一个混合存储架构，一条数据的信息分放在三个地方：

链上——只放最小事实：id、hash、指向链下的地址。前面各节讲的都是这一层。
链下的公开永久层——放元数据：描述这条数据的文档，谁做的、属于哪个任务、数据本体的 hash 和地址是什么。它生来就是给公众验证用的，所以”写上去就公开可读、永远存在、删不掉”的永久层对它正合适。
链下的受控存储——放数据本体：内容本身，凭授权才能看，要能控制谁访问、将来还可能下架。它绝不能上永久层，否则”凭授权访问”就永久失效了：谁都能读，而且收不回来。

链上的记录指向元数据，元数据里再写着数据本体的 hash 和地址。任何人顺着这条链就能够取回内容，然后按照公式重算 hash，跟链上的记录对比，就能验证数据没被改过。当然，能随意取回的只到元数据这一层；最后一步——取数据本体——要经过前面所说的授权通道，而不是随意获取的。

在这个架构上，协议只管两条硬规则：

内容寻址：每个地址都配一个 hash；取回内容必须重算 hash，对不上必须拒绝。存储方是谁不重要——云存储也好，去中心化网络也好，内容对不对可以自证。对地址本身的要求也只有两条：一是任何人都能远程取回——不是只有存它的那台机器能读，所以本地路径不算数；二是内容不可变——同一地址永远返回同一内容。
位置可修，身份不变：地址失效可以更新，因为 id 和地址是解耦的。存储迁移、加副本、换供应商，都不触动链上的任何事实。

除这两条之外——存在哪、几份副本、保留多久、谁付钱——协议一概不规定，这些是实现方的工程和经济问题，不同的实现可以给出不同的答案。

尾声

你终止了和那家 AI 公司的合同，这一次，把数据交给了跑在 XnY Protocol 上的平台。

提交数据的那一刻，你的每一条数据都有了自己的指纹，并绑定着你的DID，记在那本不属于任何一方的账本上。审核员的判定和签名也进了账本——这条数据是你的、被谁认可过、评了几级，从此不需要你自己保存证据。

后来这些数据被组装进一个数据集，其中还有别人的 30 万条数据。但这次，混合是一张公开的成员表：哪些条目是你的、各占多少权重，你随时可以打开来对；你的份额是你那些条目的权重之和除以 totalShares，一道自己能重算的算术。

数据集卖出去了。每一次授权都留下链上锚点——授给谁的摘要、有效期、撤没撤，谁都能查。再看到”另一家公司也有这批数据”的报道，你一查便知是正常授权还是泄漏：有锚点，去对账；没锚点，拿着指纹和血缘去追责。开篇那个你无法区分的问题，现在有了判据。

每次收入进来，合约按那一刻的持仓把钱记到你的待领账上，数字你自己能读；想提就提，打到你身份对应的地址。分成不再是合同 PDF 里的一句话，是代码执行的确定性逻辑。

哪天这家平台自己倒了呢？你的指纹、份额、待领的收益都不在它的数据库里，在链上，换一家运营方接着跑，它们还在——每一个承诺的成立，都不依赖任何一家公司还活着。

当然，协议有自己清楚的边界。数据本身的质量，协议不背书——那由审核员的签名和市场来回答；数据集能不能卖出好价钱，也不是协议的事。真正还在路上的是明文的控制权：今天数据本体托管在运营方的存储里，而让数据所有者自己掌握密钥、运营方也碰不到明文，是协议正在推进的下一步。

本文描述 XnY Protocol v2 的协议定义，链上数据与实现进展见 explorer.xny.ai，文档见 docs.xny.ai。