OPML: Розширювана Децентралізація машинного навчання

Нещодавно запропонована технологія OPML( оптимістичного машинного навчання ) забезпечує новий метод інференції та навчання AI моделей для блокчейн-систем. В порівнянні з ZKML, OPML має переваги низької вартості та високої ефективності, і здатна запускати великі мовні моделі, такі як 7B-LLaMA розміром 26 ГБ, на звичайних ПК.

OPML використовує механізм верифікаційних ігор для забезпечення децентралізації та верифікації ML-сервісів. Його робочий процес включає:

1. Запитувач ініціює ML завдання
2. Сервер виконав завдання та надіслав результати в ланцюг
3. Верифікатори перевіряють результати, у разі незгоди запускається верифікаційна гра
4. Точне визначення помилкових кроків за допомогою бінарного протоколу
5. Нарешті, виконайте покрокове арбітраж на смарт-контракті

Щоб підвищити ефективність, OPML використовує спеціально розроблену легковагу бібліотеку DNN та технологію крос-компіляції. Віртуальні образи керуються через дерево Меркла, лише коренева хеш-значення завантажується на ланцюг.

Одноетапний OPML має деякі обмеження, такі як неможливість повною мірою використовувати прискорення GPU. Для вирішення цієї проблеми було запропоновано багатоетапне рішення OPML:

• Обчислення лише на останньому етапі у VM
• Інші етапи можуть виконуватися в локальному середовищі з використанням апаратного прискорення
• Забезпечення цілісності переходу між етапами за допомогою дерева Меркла

В якості прикладу моделі LLaMA, використовується двофазний OPML:

1. Другий етап проходить верифікацію гри на обчислювальному графіку
2. Перший етап переведе обчислення з одного вузла на виконання інструкцій VM

Багатоступеневий OPML може досягти прискорення в α разів порівняно з одноетапним, а розмір дерева Меркла є меншим.

! OPML: Машинне навчання з Optimistic Rollup

Для забезпечення узгодженості результатів, OPML використовує фіксований алгоритм та кросплатформену бібліотеку з плаваючою комою. У порівнянні з ZKML, OPML має переваги в обчислювальній ефективності, універсальності та складності розробки.

Технологія OPML все ще розробляється, запрошуємо зацікавлених розробників брати участь у внесках.