OPML: Mesin Pembelajaran Mesin Optimis di Blockchain

OPML(Optimisme Pembelajaran Mesin) adalah teknologi baru yang dapat menjalankan inferensi dan pelatihan/penyesuaian model AI di sistem Blockchain. Dibandingkan dengan ZKML, OPML dapat memberikan layanan pembelajaran mesin dengan biaya lebih rendah dan efisiensi lebih tinggi. Ambang batas OPML relatif rendah, PC biasa dapat menjalankan OPML yang mencakup model bahasa besar tanpa GPU, seperti model 7B-LLaMA berukuran 26GB.

OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi dan konsensus yang dapat diverifikasi dari layanan ML. Prosesnya adalah sebagai berikut:

1. Pemohon memulai tugas layanan ML
2. Server menyelesaikan tugas dan mengirimkan hasilnya ke on-chain
3. Validator memeriksa hasil, jika ada keberatan maka memulai permainan verifikasi
4. Arbitrasi langkah-langkah sengketa melalui kontrak pintar

Permainan Verifikasi Satu Tahap

Permainan verifikasi satu tahap mirip dengan mekanisme delegasi perhitungan (RDoC). Permainan verifikasi satu tahap OPML memiliki karakteristik berikut:

• Membangun mesin virtual untuk eksekusi off-chain dan arbitras on-chain (VM)
• Mewujudkan pustaka DNN ringan yang khusus, meningkatkan efisiensi inferensi model AI
• Menggunakan teknologi cross-compilation untuk mengkompilasi kode inferensi model AI menjadi instruksi VM
• Gambar VM dikelola melalui pohon Merkle, hanya mengunggah hash akar ke on-chain

Pengujian kinerja menunjukkan, pada PC biasa, inferensi model AI dasar ( klasifikasi MNIST DNN ) dapat diselesaikan dalam waktu kurang dari 2 detik, dan seluruh proses tantangan dapat diselesaikan dalam waktu kurang dari 2 menit.

Game Verifikasi Multi-Tahap

Untuk mengatasi keterbatasan verifikasi satu tahap, OPML memperkenalkan permainan verifikasi multi-tahap:

• Hanya menghitung di VM pada tahap akhir, tahap lainnya dapat dieksekusi secara fleksibel di lingkungan lokal.
• Memanfaatkan kemampuan akselerasi perangkat keras seperti CPU, GPU, TPU
• Meningkatkan efisiensi eksekusi dengan mengurangi ketergantungan VM

Gagasan inti dari OPML multi-tahap adalah merepresentasikan proses perhitungan DNN sebagai grafik perhitungan, dan melakukan permainan verifikasi pada grafik perhitungan tersebut. Metode ini dapat memanfaatkan keuntungan GPU atau pemrosesan paralel secara maksimal, secara signifikan meningkatkan kinerja.

Konsistensi dan Determinasi

OPML menggunakan metode berikut untuk memastikan konsistensi hasil ML:

1. Gunakan algoritma titik tetap ( teknologi kuantifikasi ) untuk mengurangi kesalahan pembulatan floating point.
2. Menggunakan pustaka floating point perangkat lunak yang konsisten lintas platform

Teknologi ini membantu mengatasi perbedaan komputasi yang disebabkan oleh berbagai lingkungan perangkat keras dan perangkat lunak, memastikan keandalan hasil OPML.

OPML masih dalam tahap pengembangan, kami mengundang pengembang yang berminat untuk berkontribusi.