OPML: Paradigma Baru Pembelajaran Mesin Berbasis Mekanisme Optimis

Infrastruktur sistem blockchain dan pelatihan serta inferensi model kecerdasan buatan selalu menjadi fokus perhatian industri. Baru-baru ini, metode baru bernama OPML(Optimistic machine learning) telah menarik perhatian luas. OPML menggunakan mekanisme optimis, yang dapat mewujudkan layanan pembelajaran mesin dengan biaya rendah dan efisiensi tinggi di atas sistem blockchain.

Dibandingkan dengan ZKML tradisional, OPML memiliki keunggulan yang jelas. Ambang partisipasinya sangat rendah, PC biasa dapat menjalankan model bahasa besar tanpa GPU, seperti model 7B-LLaMA berukuran 26GB. OPML mengadopsi mekanisme permainan verifikasi dari Truebit dan sistem rollup optimis untuk memastikan desentralisasi layanan pembelajaran mesin dan konsensus yang dapat diverifikasi.

Alur kerja OPML adalah sebagai berikut:

1. Pemohon memulai tugas pembelajaran mesin
2. Server menyelesaikan tugas dan mengirimkan hasilnya ke rantai
3. Validator memverifikasi hasil, jika ada keberatan, maka memulai permainan verifikasi.
4. Kedua belah pihak menentukan langkah-langkah sengketa secara tepat melalui perjanjian bipartit
5. Terakhir, lakukan arbitrase langkah demi langkah pada kontrak pintar

Untuk meningkatkan efisiensi, OPML mengadopsi berbagai teknologi inovatif:

• Membangun mesin virtual khusus, memastikan ekivalensi antara eksekusi off-chain dan on-chain
• Mengembangkan pustaka DNN ringan, dapat mengonversi model kerangka utama
• Menggunakan teknologi kompilasi silang untuk mengkompilasi kode inference AI menjadi instruksi VM
• Gambar VM menggunakan pohon Merkle untuk pengelolaan, hanya mengunggah hash akar ke rantai

Eksperimen menunjukkan bahwa OPML dapat menyelesaikan inferensi model AI dasar dalam waktu kurang dari 2 detik pada PC biasa, dan seluruh proses validasi selesai dalam waktu kurang dari 2 menit. Ini jauh melampaui kinerja validasi permainan satu tahap.

Untuk lebih meningkatkan kinerja, OPML juga mengusulkan permainan verifikasi multi-tahap. Ini memungkinkan perhitungan untuk memanfaatkan percepatan GPU/TPU dan pemrosesan paralel secara maksimal, dengan kinerja yang mendekati lingkungan lokal. OPML multi-tahap menggunakan representasi grafik komputasi untuk proses inferensi, sehingga dapat memanfaatkan sumber daya perangkat keras lokal dengan fleksibel.

Dibandingkan dengan skema satu tahap, OPML dua tahap dapat mencapai percepatan perhitungan α kali lipat, ukuran pohon Merkel juga turun dari O(mn) menjadi O(m+n). Ini secara signifikan meningkatkan efisiensi dan skalabilitas sistem.

Untuk memastikan konsistensi hasil, OPML menggunakan algoritma fixed-point dan perpustakaan floating-point berbasis perangkat lunak. Ini secara efektif menyelesaikan masalah perbedaan perhitungan floating-point di berbagai platform dan menjamin konsistensi hasil lintas platform.

Secara keseluruhan, OPML menyediakan paradigma baru yang hemat biaya dan efisien untuk pembelajaran mesin di blockchain. Ini tidak hanya mendukung inferensi model, tetapi juga dapat digunakan untuk berbagai tugas pembelajaran mesin seperti pelatihan model. Dengan optimasi dan penyempurnaan lebih lanjut, OPML diharapkan dapat menjadi arah teknologi penting di bidang AI blockchain di masa depan.