OPML: un método de aprendizaje automático descentralizado eficiente

OPML(El aprendizaje automático optimista) es un método novedoso que permite realizar inferencias y entrenamientos/ajustes de modelos de IA sobre sistemas de blockchain. En comparación con ZKML, OPML tiene la ventaja de ser de bajo costo y alta eficiencia. La barrera de entrada para OPML es muy baja, una PC común puede ejecutar grandes modelos de lenguaje, como el 7B-LLaMA de 26GB, sin necesidad de GPU.

OPML utiliza un mecanismo de juego de verificación para garantizar la Descentralización y la verificabilidad de los servicios de ML. El proceso específico es el siguiente:

1. El solicitante inicia la tarea del servicio ML
2. El servidor completa la tarea y envía los resultados a la cadena.
3. Resultados de validación de los validadores, si hay objeciones, se inicia el juego de validación.
4. Localizar pasos de error específicos a través del protocolo de bifurcación
5. Realizar arbitraje paso a paso en contratos inteligentes

Juego de verificación de una sola etapa

El núcleo del juego de verificación de una sola etapa es construir una máquina virtual (VM), utilizada para la ejecución fuera de la cadena y el arbitraje en la cadena. Para mejorar la eficiencia de inferencia del modelo de IA, OPML ha implementado una biblioteca DNN ligera y proporciona scripts para convertir modelos de Tensorflow y PyTorch al formato de esta biblioteca. A través de la compilación cruzada, el código de inferencia del modelo de IA se compila en instrucciones de VM.

La imagen de VM se gestiona a través de un árbol de Merkle, solo se sube el hash raíz a la cadena. El protocolo de división ayuda a localizar los pasos en disputa y los envía al contrato de arbitraje en la cadena. Las pruebas indican que el modelo básico de IA solo necesita 2 segundos para inferir en la VM, y todo el proceso de desafío se puede completar en 2 minutos.

Juego de validación en múltiples etapas

Para superar las limitaciones del esquema de una sola etapa, OPML propuso el juego de verificación de múltiples etapas:

• Solo se calcula en la VM en la etapa final
• Otras etapas se pueden ejecutar en el entorno local, utilizando aceleración de CPU/GPU/TPU.
• Mejora significativamente el rendimiento al reducir la dependencia de VM

El esquema de múltiples etapas asegura la integridad y seguridad de la transición entre etapas a través de un árbol de Merkle.

Tomando como ejemplo el modelo LLaMA, OPML utiliza un método de dos fases:

1. La segunda etapa consiste en la verificación del juego en el gráfico computacional, que puede ser acelerada mediante GPU.
2. La primera fase convertirá el cálculo de un solo nodo en la ejecución de instrucciones de VM

La OPML de múltiples etapas puede lograr una aceleración de decenas a cientos de veces ( en comparación con la de una sola etapa, al mismo tiempo que reduce significativamente el tamaño del árbol de Merkle.

![OPML：采用Optimistic Rollup系统的机器学习])https://img-cdn.gateio.im/webp-social/moments-3f290bc2a1acee40d4e71fbf35ee5079.webp(

![OPML：采用Optimistic Rollup系统的机器学习])https://img-cdn.gateio.im/webp-social/moments-4d41ed09832980b943519f4c0baa6109.webp(

Garantía de consistencia

Para garantizar la consistencia de los resultados de ML, OPML utiliza dos métodos clave:

1. Utilizar el algoritmo de punto fijo ) para la tecnología de cuantificación (, reduciendo el error de redondeo de punto flotante.
2. Utilizar una biblioteca de punto flotante basada en software para garantizar la consistencia entre plataformas

Estas tecnologías superan eficazmente los desafíos que presentan las variables de punto flotante y las diferencias de plataforma, lo que mejora la fiabilidad de OPML.

OPML aún está en desarrollo, pero ha mostrado un gran potencial. Ofrece una solución eficiente, de bajo costo y descentralizada para el aprendizaje automático en la blockchain, lo que merece la atención y exploración continuas de la industria.

![OPML：采用Optimistic Rollup系统的机器学习])https://img-cdn.gateio.im/webp-social/moments-a33f120074b07b2ec4ae4ececbea79f1.webp(