OPML: нова парадигма машинного навчання, основана на оптимістичному механізмі

Моделі штучного інтелекту в системах блокчейн завжди були в центрі уваги індустрії. Нещодавно новий метод під назвою OPML(Оптимістичне машинне навчання) привернув широку увагу. OPML використовує оптимістичний механізм, що дозволяє реалізувати низьковартісні та високоефективні послуги машинного навчання в системах блокчейн.

! OPML: Машинне навчання з Optimistic Rollup

В порівнянні з традиційним ZKML, OPML має очевидні переваги. Його поріг участі дуже низький, звичайний ПК може запускати великі мовні моделі без GPU, такі як модель 7B-LLaMA розміром 26 ГБ. OPML запозичила механізм верифікаційної гри з систем Truebit і оптимістичного rollup, щоб забезпечити децентралізацію та верифіковану консенсусність машинного навчання.

Робочий процес OPML такий:

1. Запитувач ініціює завдання машинного навчання
2. Сервер завершив завдання та надіслав результати на ланцюг
3. Верифікатори перевіряють результати, у разі розбіжностей запускається верифікаційна гра
4. Сторони точно визначають спірні етапи за допомогою бінарного договору
5. Нарешті, провести покроковий арбітраж на смарт-контракті

! OPML: Машинне навчання з оптимістичною системою зведення

Щоб підвищити ефективність, OPML впровадив кілька інноваційних технологій:

• Створено спеціалізовану віртуальну машину, що забезпечує еквівалентність виконання поза ланцюгом та в ланцюзі.
• Розробка легковагової бібліотеки DNN, що дозволяє конвертувати моделі популярних фреймворків
• Використання технології крос-компіляції для компіляції коду висновків ШІ в інструкції VM
• VM-образи управляються за допомогою дерева Меркла, на ланцюг завантажується лише коренева хеш-значення.

Експерименти показали, що OPML на звичайному ПК може виконати базове інферування AI-моделі за 2 секунди, а весь процес верифікації завершується за 2 хвилини. Це значно перевищує продуктивність одностадійних верифікаційних ігор.

! OPML: Машинне навчання з Optimistic Rollup

Для подальшого підвищення продуктивності OPML також запропонував багатоступеневу верифікацію гри. Це дозволяє обчисленням повною мірою використовувати прискорення GPU/TPU та паралельну обробку, продуктивність наближається до локального середовища. Багатоступенева OPML використовує граф обчислень для представлення процесу виведення, що дозволяє гнучко використовувати локальні апаратні ресурси.

! OPML: Машинне навчання з Optimistic Rollup

В порівнянні з одностадійною схемою, двоступенева OPML може забезпечити α-кратне прискорення обчислень, а розмір дерева Меркла зменшується з O(mn) до O(m+n). Це суттєво підвищує ефективність системи та її масштабованість.

Для забезпечення узгодженості результатів OPML використовує фіксовану точку та програмну бібліотеку з плаваючою комою. Це ефективно вирішує проблему відмінностей у обчисленнях з плаваючою комою на різних платформах, гарантуючи узгодженість результатів між платформами.

В цілому, OPML пропонує нову низьковитратну та високоефективну парадигму для машинного навчання на блокчейні. Він не лише підтримує моделювання, а й може бути використаний для навчання моделей та інших завдань машинного навчання. З подальшою оптимізацією та вдосконаленням, OPML має потенціал стати важливим технологічним напрямком у сфері блокчейн AI в майбутньому.