OPML: Mengoptimalkan penerapan pembelajaran mesin di Blockchain

OPML(Optimistic pembelajaran mesin) adalah teknologi yang sedang berkembang, yang dapat digunakan untuk inferensi dan pelatihan model AI di sistem Blockchain. Dibandingkan dengan ZKML, OPML memiliki keunggulan biaya rendah dan efisiensi tinggi. Perlu dicatat bahwa ambang partisipasi OPML sangat rendah - bahkan PC biasa dapat menjalankan model bahasa besar, seperti model 7B-LLaMA berukuran 26GB.

OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi dan verifikasi layanan ML. Alur kerjanya adalah sebagai berikut:

1. Pengguna mengajukan permintaan layanan ML
2. Server menyelesaikan tugas dan mengirimkan hasilnya ke on-chain
3. Validator memverifikasi hasil, jika ada keberatan maka memulai permainan verifikasi
4. Menentukan langkah-langkah yang diperdebatkan dengan tepat melalui protokol biner
5. Terakhir lakukan arbitrase langkah demi langkah pada kontrak pintar

Permainan verifikasi satu tahap OPML mirip dengan perhitungan delegasi (RDoC). Ini mencakup poin-poin kunci berikut:

• Membangun mesin virtual eksekusi off-chain dan arbitrase on-chain (VM)
• Mewujudkan pustaka DNN ringan khusus untuk meningkatkan efisiensi
• Menggunakan teknologi cross-compilation untuk mengkompilasi kode inferensi AI menjadi instruksi VM
• Menggunakan pohon Merkle untuk mengelola gambar VM, hanya mengunggah akar ke on-chain

Namun, permainan verifikasi satu tahap memiliki satu keterbatasan utama: semua perhitungan harus dilakukan di dalam VM, dan tidak dapat memanfaatkan akselerasi GPU/TPU secara maksimal. Untuk itu, OPML mengusulkan skema perluasan permainan verifikasi multi-tahap.

Inti dari pemikiran OPML multi-tahap adalah:

• Hanya menghitung di VM pada tahap terakhir
• Tahap lainnya dapat dijalankan di lingkungan lokal, memanfaatkan sumber daya perangkat keras secara maksimal.
• Menggunakan pohon Merkle untuk memastikan integritas dan keamanan transisi antar fase

Sebagai contoh model LLaMA, alur kerja OPML dua tahap adalah:

1. Tahap kedua: melakukan permainan verifikasi di atas grafik komputasi, menggunakan CPU atau GPU multi-thread
2. Tahap pertama: Mengubah perhitungan node tunggal menjadi instruksi VM

OPML multi-stage memiliki keunggulan signifikan dibandingkan dengan skema satu tahap:

• Peningkatan kecepatan perhitungan α kali ( α adalah rasio percepatan GPU/paralel )
• Ukuran pohon Merkle berkurang dari O(mn) menjadi O(m+n)

Untuk memastikan konsistensi hasil ML, OPML menggunakan dua teknologi kunci:

1. Algoritma titik tetap ( teknologi kuantifikasi ): menggunakan presisi tetap sebagai pengganti angka pecahan
2. Perpustakaan floating point berbasis perangkat lunak: memastikan konsistensi lintas platform

Secara keseluruhan, OPML menyediakan solusi yang efisien, biaya rendah, dan terdesentralisasi untuk pembelajaran mesin di Blockchain. Meskipun saat ini lebih fokus pada inferensi model, kerangka kerja ini juga mendukung proses pelatihan, diharapkan dapat menjadi platform pembelajaran mesin yang umum.