OPML: Solución de aprendizaje automático eficiente en cadena de bloques basada en el mecanismo Optimistic

OPML (Aprendizaje automático optimista) es una nueva tecnología de aprendizaje automático basada en la cadena de bloques que logra la inferencia y el entrenamiento/ajuste fino de modelos de IA a través del método optimista. En comparación con ZKML, OPML tiene la ventaja de costos bajos y alta eficiencia, además de tener un umbral de participación más bajo. Actualmente, una PC normal puede ejecutar modelos de lenguaje grandes, 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 del servicio ML. Su proceso básico es el siguiente:

1. El solicitante inicia una tarea de servicio ML
2. El servidor completa la tarea y envía el resultado a la cadena de bloques
3. Los validadores revisan los resultados, y si hay objeciones, se inicia el juego de validación.
4. Arbitraje paso a paso a través de contratos inteligentes

Juego de verificación de una sola etapa

El OPML de una sola etapa utiliza un protocolo de localización precisa, similar a la delegación de cálculo (RDoC). Las principales características incluyen:

• Construir una máquina virtual (VM) para la ejecución fuera de la cadena y el arbitraje en la cadena.
• Implementar una biblioteca DNN ligera para mejorar la eficiencia de la inferencia del modelo de IA
• Utilizar tecnología de compilación cruzada para compilar el código de inferencia de IA en instrucciones de VM
• La imagen de VM se gestiona a través de un árbol de Merkle, subiendo solo el hash raíz a la cadena.

Las pruebas de rendimiento muestran que el modelo AI básico (DNN de clasificación MNIST) puede completar la inferencia de VM en PC en menos de 2 segundos, y todo el proceso del desafío se puede completar en un entorno de prueba de Ethereum local en 2 minutos.

Juego de verificación de múltiples etapas

Para superar las limitaciones del protocolo de una sola etapa, OPML ha introducido un protocolo de varias etapas para aprovechar al máximo la capacidad de procesamiento paralelo y de GPU/TPU. Las principales ventajas del OPML de varias etapas son:

• Solo la última etapa se calcula en la VM, las otras etapas se pueden ejecutar en el entorno local.
• Aumentar significativamente el rendimiento de ejecución, acercándose al nivel del entorno local
• Utilizar árboles de Merkle para garantizar la integridad y seguridad de las transiciones entre fases.

Tomando como ejemplo el modelo LLaMA, el método OPML en dos etapas es el siguiente:

1. Representar el proceso de cálculo de ML como un gráfico de cálculo
2. Realizar un juego de verificación en el gráfico (segunda fase)
3. Convertir el cálculo de nodos en disputa a instrucciones VM (primera fase)

La OPML de múltiples etapas puede lograr una aceleración de cálculo de α veces en comparación con la solución de una sola etapa (α es la razón de aceleración de GPU o computación paralela). Además, el tamaño del árbol de Merkle en la solución de múltiples etapas se reduce significativamente, lo que mejora aún más la eficiencia y escalabilidad.

Consistencia y determinación

Para garantizar la consistencia de los resultados de ML, OPML adopta la siguiente estrategia:

1. Utilizar algoritmos de punto fijo (tecnología de cuantificación) para reducir los errores de redondeo de punto flotante
2. Utilizar una biblioteca de punto flotante basada en software para garantizar la consistencia entre plataformas

Estos métodos superaron efectivamente los desafíos planteados por las diferencias de variables de punto flotante y plataformas, mejorando la fiabilidad del cálculo de OPML.

OPML vs ZKML

OPML tiene las siguientes ventajas en comparación con ZKML:

• Requisitos de hardware más bajos
• Mayor eficiencia de ejecución
• Soporte para modelos de mayor escala
• Se puede realizar entrenamiento de modelos (ZKML solo admite inferencia)

Es importante señalar que el proyecto OPML sigue en desarrollo y se invita a los desarrolladores interesados a participar y contribuir.