OPML: Máy học lạc quan trên Blockchain

OPML(Lạc quan học máy) là một công nghệ mới, có thể thực hiện suy diễn và đào tạo/tinh chỉnh mô hình AI trên hệ thống Blockchain. So với ZKML, OPML có thể cung cấp dịch vụ học máy với chi phí thấp hơn và hiệu quả cao hơn. Đầu vào của OPML khá thấp, máy tính cá nhân bình thường không cần GPU cũng có thể chạy OPML chứa các mô hình ngôn ngữ lớn, như mô hình 7B-LLaMA kích thước 26GB.

OPML áp dụng cơ chế trò chơi xác thực để đảm bảo sự phi tập trung và đồng thuận có thể xác minh của dịch vụ ML. Quy trình của nó như sau:

1. Người yêu cầu khởi xướng nhiệm vụ dịch vụ ML
2. Máy chủ hoàn thành nhiệm vụ và gửi kết quả lên Blockchain
3. Người xác thực kiểm tra kết quả, nếu có ý kiến khác thì khởi động trò chơi xác thực
4. Trọng tài các bước tranh chấp thông qua hợp đồng thông minh

Trò chơi xác thực một giai đoạn

Trò chơi xác thực một giai đoạn tương tự như cơ chế ủy quyền tính toán (RDoC). Trò chơi xác thực một giai đoạn của OPML có những đặc điểm sau:

• Xây dựng máy ảo dùng cho thực thi off-chain và phân xử on-chain (VM)
• Triển khai thư viện DNN nhẹ chuyên dụng, nâng cao hiệu suất suy diễn mô hình AI
• Sử dụng công nghệ biên dịch chéo để biên dịch mã suy diễn AI thành lệnh VM
• Hình ảnh VM được quản lý thông qua cây Merkle, chỉ upload hash gốc lên on-chain

Các bài kiểm tra hiệu suất cho thấy, trên máy tính thông thường, mô hình AI cơ bản (MNIST phân loại DNN) có thể hoàn thành suy diễn trong vòng 2 giây, toàn bộ quá trình thách thức có thể hoàn thành trong vòng 2 phút.

Trò chơi xác thực đa giai đoạn

Để vượt qua những hạn chế của xác minh một giai đoạn, OPML đã giới thiệu trò chơi xác minh đa giai đoạn:

• Chỉ tính toán trong VM ở giai đoạn cuối, các giai đoạn khác có thể thực thi linh hoạt trong môi trường cục bộ.
• Sử dụng khả năng tăng tốc phần cứng như CPU, GPU, TPU
• Cải thiện hiệu suất thực thi bằng cách giảm sự phụ thuộc vào VM

Ý tưởng cốt lõi của OPML đa giai đoạn là biểu diễn quá trình tính toán DNN dưới dạng đồ thị tính toán, thực hiện trò chơi xác minh trên đồ thị tính toán. Phương pháp này có thể tận dụng tối đa lợi thế của GPU hoặc xử lý song song, làm tăng hiệu suất đáng kể.

Tính nhất quán và tính xác định

OPML áp dụng các phương pháp sau để đảm bảo tính nhất quán của kết quả ML:

1. Sử dụng thuật toán định điểm ( công nghệ lượng hóa ) giảm thiểu sai số làm tròn số thực
2. Sử dụng thư viện số thực phần mềm nhất quán đa nền tảng

Các công nghệ này giúp khắc phục sự khác biệt về tính toán do các môi trường phần cứng và phần mềm khác nhau, đảm bảo độ tin cậy của kết quả OPML.

OPML vẫn đang trong giai đoạn phát triển, chào đón các nhà phát triển có hứng thú tham gia đóng góp.