OPML: Mô hình máy học mới dựa trên cơ chế lạc quan

Mô hình suy diễn và đào tạo trí tuệ nhân tạo trong hệ thống blockchain luôn là tâm điểm chú ý của ngành công nghiệp. Gần đây, một phương pháp mới có tên là OPML(Học máy lạc quan) đã thu hút được sự chú ý rộng rãi. OPML áp dụng cơ chế lạc quan, có thể thực hiện dịch vụ học máy với chi phí thấp và hiệu quả cao trên hệ thống blockchain.

So với ZKML truyền thống, OPML có những lợi thế rõ rệt. Ngưỡng tham gia của nó rất thấp, PC thông thường không cần GPU vẫn có thể chạy mô hình ngôn ngữ lớn, chẳng hạn như mô hình 7B-LLaMA kích thước 26GB. OPML đã mượn cơ chế trò chơi xác thực của Truebit và hệ thống rollup lạc quan để đảm bảo dịch vụ học máy phi tập trung và đồng thuận có thể xác minh.

Quy trình làm việc của OPML như sau:

1. Người yêu cầu khởi động nhiệm vụ học máy
2. Máy chủ hoàn thành nhiệm vụ và gửi kết quả lên chuỗi
3. Người xác thực xác minh kết quả, nếu có tranh chấp thì khởi động trò chơi xác minh
4. Hai bên xác định chính xác các bước tranh chấp thông qua thỏa thuận hai phần.
5. Cuối cùng thực hiện trọng tài từng bước trên hợp đồng thông minh

Để nâng cao hiệu quả, OPML đã áp dụng nhiều công nghệ đổi mới:

• Xây dựng máy ảo chuyên dụng, đảm bảo tính tương đương giữa thực thi trên chuỗi và ngoài chuỗi.
• Phát triển thư viện DNN nhẹ, có thể chuyển đổi mô hình từ các khung chính.
• Sử dụng công nghệ biên dịch chéo để biên dịch mã suy diễn AI thành lệnh VM
• Hình ảnh VM được quản lý bằng cây Merkle, chỉ tải lên hash gốc lên chuỗi.

Thí nghiệm cho thấy, OPML có thể hoàn thành suy diễn mô hình AI cơ bản trên PC thông thường trong vòng 2 giây, toàn bộ quá trình xác minh hoàn thành trong vòng 2 phút. Điều này vượt xa hiệu suất của trò chơi xác minh một giai đoạn.

Để nâng cao hiệu suất hơn nữa, OPML cũng đã đề xuất một trò chơi xác minh đa giai đoạn. Điều này cho phép tính toán có thể tận dụng tối đa tăng tốc GPU/TPU và xử lý song song, hiệu suất gần với môi trường cục bộ. OPML đa giai đoạn sử dụng đồ thị tính toán để biểu diễn quá trình suy diễn, có thể linh hoạt tận dụng tài nguyên phần cứng cục bộ.

So với phương án một giai đoạn, OPML hai giai đoạn có thể đạt được tốc độ tính toán tăng α lần, kích thước cây Merkle cũng giảm từ O(mn) xuống O(m+n). Điều này nâng cao đáng kể hiệu suất và khả năng mở rộng của hệ thống.

Để đảm bảo tính nhất quán của kết quả, OPML đã áp dụng thuật toán số cố định và thư viện số dấu phẩy động dựa trên phần mềm. Điều này giải quyết hiệu quả vấn đề khác biệt trong tính toán số dấu phẩy động trên các nền tảng khác nhau, đảm bảo tính nhất quán của kết quả giữa các nền tảng.

Tổng thể, OPML cung cấp một mô hình mới tiết kiệm chi phí và hiệu quả cao cho học máy trên blockchain. Nó không chỉ hỗ trợ suy diễn mô hình mà còn có thể được sử dụng cho nhiều nhiệm vụ học máy khác như đào tạo mô hình. Với việc tối ưu hóa và hoàn thiện hơn nữa, OPML có triển vọng trở thành hướng công nghệ quan trọng trong lĩnh vực AI blockchain trong tương lai.