OPML:基於樂觀機制的機器學習新範式

區塊鏈系統中的人工智能模型推理和訓練一直是業界關注的焦點。近期,一種名爲OPML(Optimistic機器學習)的新方法引起了廣泛關注。OPML採用樂觀機制,可以在區塊鏈系統上實現低成本、高效率的機器學習服務。

與傳統的ZKML相比,OPML具有明顯優勢。它的參與門檻很低,普通PC無需GPU即可運行大型語言模型,如26GB大小的7B-LLaMA模型。OPML借鑑了Truebit和樂觀rollup系統的驗證遊戲機制,以保證機器學習服務的去中心化和可驗證共識。

OPML的工作流程如下:

1. 請求者發起機器學習任務
2. 服務器完成任務並將結果提交到鏈上
3. 驗證者對結果進行驗證,如有異議則啓動驗證遊戲
4. 雙方通過二分協議精確定位爭議步驟
5. 最後在智能合約上進行單步仲裁

爲了提高效率,OPML採用了多項創新技術:

• 構建了專用虛擬機,保證鏈下和鏈上執行的等效性
• 開發輕量級DNN庫,可將主流框架模型轉換
• 使用交叉編譯技術將AI推理代碼編譯爲VM指令
• VM鏡像採用默克爾樹管理,只上傳根哈希到鏈上

實驗表明,OPML在普通PC上可在2秒內完成基本AI模型推理,整個驗證過程2分鍾內完成。這遠超出了單階段驗證遊戲的性能。

爲進一步提升性能,OPML還提出了多階段驗證遊戲。這使得計算可以充分利用GPU/TPU加速和並行處理,性能接近本地環境。多階段OPML採用計算圖表示推理過程,可靈活利用本地硬件資源。

與單階段方案相比,兩階段OPML可實現α倍計算加速,默克爾樹大小也從O(mn)降至O(m+n)。這顯著提升了系統效率和可擴展性。

爲確保結果一致性,OPML採用了定點算法和基於軟件的浮點庫。這有效解決了不同平台浮點計算的差異問題,保證了跨平台的結果一致性。

總的來說,OPML爲區塊鏈上的機器學習提供了一種低成本、高效率的新範式。它不僅支持模型推理,還可用於模型訓練等多種機器學習任務。隨着進一步優化和完善,OPML有望成爲未來區塊鏈AI領域的重要技術方向。