OPML: Новый парадигма машинного обучения на основе оптимистичного механизма

Искусственный интеллект в системе блокчейн, его моделирование и обучение всегда были в центре внимания в отрасли. В последнее время новый метод, названный OPML(Оптимистическое машинное обучение), привлек широкое внимание. OPML использует оптимистичный механизм, который позволяет реализовать недорогие и высокоэффективные услуги машинного обучения в системе блокчейн.

! OPML: Машинное обучение с оптимистичным свертыванием

В отличие от традиционного ZKML, OPML имеет явные преимущества. Его порог участия очень низок, обычный ПК может запускать крупные языковые модели, такие как модель 7B-LLaMA размером 26 ГБ, без GPU. OPML заимствует механизмы верификационных игр из систем Truebit и оптимистичного роллапа, чтобы гарантировать децентрализованность и проверяемый консенсус в услугах машинного обучения.

Рабочий процесс OPML следующий:

1. Запросчик инициирует задачу машинного обучения
2. Сервер завершил задачу и отправил результат в цепочку.
3. Валидатор проверяет результат, в случае разногласий запускает игру проверки
4. Стороны точно определяют спорные шаги через двусторонний протокол.
5. Наконец, проведите пошаговый арбитраж на смарт-контракте

! OPML: Машинное обучение с оптимистичной системой свертывания

Чтобы повысить эффективность, OPML внедрила несколько инновационных технологий:

• Создана специализированная виртуальная машина, обеспечивающая эквивалентность выполнения вне цепочки и на цепочке.
• Разработка легковесной библиотеки DNN, позволяющей конвертировать модели популярных фреймворков
• Используйте технологию кросс-компиляции для компиляции кода вывода ИИ в инструкции VM
• Образы VM управляются с помощью дерева Меркла, только корневой хэш загружается в цепочку.

Эксперименты показали, что OPML может завершить базовое AI моделирование на обычном ПК за 2 секунды, а весь процесс верификации завершается менее чем за 2 минуты. Это значительно превышает производительность однопроцессорной верификационной игры.

! OPML: Машинное обучение с оптимистичным свертыванием

Для дальнейшего повышения производительности OPML также предложил многос阶段ную верификационную игру. Это позволяет вычислениям в полной мере использовать ускорение GPU/TPU и параллельную обработку, производительность приближается к локальной среде. Многос阶段ный OPML использует граф вычислений для представления процесса вывода, что позволяет гибко использовать локальные аппаратные ресурсы.

! OPML: Машинное обучение с оптимистичным свертыванием

По сравнению с одностадийной схемой, двухстадийный OPML может обеспечить α-кратное ускорение вычислений, а размер дерева Меркла снижается с O(mn) до O(m+n). Это значительно повышает эффективность и масштабируемость системы.

Чтобы обеспечить согласованность результатов, OPML использует фиксированную точку и программную библиотеку с плавающей точкой. Это эффективно решает проблему различий в вычислениях с плавающей точкой на разных платформах и обеспечивает согласованность результатов между платформами.

! OPML: Машинное обучение с оптимистичной системой свертывания

В общем, OPML представляет собой новую парадигму с низкими затратами и высокой эффективностью для машинного обучения на блокчейне. Он не только поддерживает вывод моделей, но также может быть использован для различных задач машинного обучения, таких как обучение моделей. С дальнейшей оптимизацией и улучшением, OPML, вероятно, станет важным технологическим направлением в области блокчейн AI в будущем.