OPML: Solusi blockchain inovatif yang menggabungkan Optimistic dan pembelajaran mesin

OPML(Optimistic Machine Learning) adalah sistem blockchain baru yang dapat melakukan inferensi dan pelatihan model AI melalui metode Optimistic. Dibandingkan dengan ZKML, OPML dapat menyediakan layanan ML dengan biaya rendah dan efisiensi tinggi. Persyaratan perangkat keras OPML relatif rendah, PC biasa dapat menjalankan model bahasa besar seperti 7B-LLaMA( sekitar 26GB) tanpa GPU.

OPML mengadopsi mekanisme permainan verifikasi untuk memastikan desentralisasi dan konsensus yang dapat diverifikasi dari layanan ML:

1. Pemohon memulai tugas layanan ML
2. Server menyelesaikan tugas dan mengunggah hasilnya ke blockchain
3. Validator memeriksa hasil, jika ada keberatan maka memulai permainan verifikasi
4. Terakhir lakukan arbitrase langkah demi langkah pada kontrak pintar

Permainan verifikasi tahap tunggal OPML dan delegasi perhitungan (RDoC) mirip:

• Membangun mesin virtual (VM) untuk eksekusi off-chain dan arbitrase on-chain
• Merancang pustaka DNN ringan untuk memastikan efisiensi inferensi model AI dalam VM
• Mengkompilasi silang kode inferensi AI menjadi instruksi VM
• Mengelola gambar VM dengan pohon Merkle, hanya mengunggah hash root ke blockchain

Protokol bipartit dapat menentukan langkah-langkah sengketa dan mengirimkannya ke kontrak arbitrase di blockchain. Pengujian model AI dasar menunjukkan, inferensi DNN di dalam VM selesai dalam waktu 2 detik, dan seluruh proses tantangan selesai dalam waktu 2 menit.

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

• Hanya tahap terakhir yang dihitung di VM, tahap lainnya dapat dijalankan di lingkungan lokal
• Memanfaatkan akselerasi perangkat keras seperti CPU, GPU, TPU, kinerja mendekati lingkungan asli
• Menggunakan pohon Merkle untuk memastikan integritas dan keamanan lintas tahap

Dua tahap OPML dengan contoh model LLaMA:

1. Mewakili perhitungan ML sebagai grafik perhitungan G
2. Lakukan verifikasi permainan pada grafik komputasi (Phase-2)
3. Setelah menentukan titik kontroversi, masuk ke Phase-1
4. Mengubah komputasi node tunggal menjadi instruksi VM untuk divalidasi

Multi-stage OPML dibandingkan dengan implementasi satu tahap dapat mempercepat α kali lipat, ukuran pohon Merkle juga berkurang dari O(mn) menjadi O(m+n).

Untuk memastikan konsistensi hasil ML, OPML menggunakan:

1. Algoritma Titik ( teknologi kuantifikasi ) mengurangi kesalahan floating point
2. Perpustakaan titik mengambang perangkat lunak menjamin konsistensi lintas platform

OPML berfokus pada inferensi model ML, juga mendukung proses pelatihan, merupakan solusi ML yang umum. Dibandingkan dengan ZKML, OPML memiliki keunggulan yang jelas dalam hal biaya, efisiensi, dan universalitas.