OPML: Solusi Pembelajaran Mesin Blockchain Efisien Berdasarkan Mekanisme Optimis

OPML (Optimistic Machine Learning) adalah teknologi pembelajaran mesin blockchain baru yang menggunakan metode Optimistic untuk melakukan inferensi dan pelatihan/penyesuaian model AI. Dibandingkan dengan ZKML, OPML memiliki keuntungan biaya rendah dan efisiensi tinggi, serta ambang partisipasi yang lebih rendah. Saat ini, PC biasa dapat menjalankan model bahasa besar tanpa GPU, seperti 26GB 7B-LLaMA.

OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi dan verifikasi layanan ML. Proses dasarnya adalah sebagai berikut:

1. Pengirim mengajukan tugas layanan ML
2. Server menyelesaikan tugas dan mengirimkan hasil ke blockchain
3. Validator memeriksa hasil, jika ada keberatan maka memulai permainan verifikasi
4. Melakukan arbitrase satu langkah melalui kontrak pintar

Permainan Verifikasi Satu Tahap

Single-stage OPML menggunakan protokol penentuan posisi yang tepat, mirip dengan delegasi perhitungan (RDoC). Fitur utama termasuk:

• Membangun mesin virtual (VM) untuk eksekusi off-chain dan arbitrase on-chain
• Mencapai pustaka DNN ringan untuk meningkatkan efisiensi inferensi model AI
• Menggunakan teknologi cross-compilation untuk mengkompilasi kode inferensi AI menjadi instruksi VM
• Gambar VM dikelola melalui pohon Merkle, hanya mengunggah hash akar ke rantai

Pengujian kinerja menunjukkan bahwa model AI dasar (DNN klasifikasi MNIST) dapat menyelesaikan inferensi VM dalam 2 detik di PC, dan seluruh proses tantangan dapat diselesaikan dalam 2 menit di lingkungan pengujian Ethereum lokal.

Permainan Verifikasi Multistage

Untuk mengatasi keterbatasan protokol satu tahap, OPML memperkenalkan protokol multi-tahap untuk memanfaatkan kemampuan pemrosesan GPU/TPU dan paralel secara maksimal. Keuntungan utama dari OPML multi-tahap:

• Hanya tahap terakhir yang dihitung di VM, tahap lainnya dapat dijalankan di lingkungan lokal
• Meningkatkan kinerja eksekusi secara signifikan, mendekati tingkat lingkungan lokal
• Menggunakan pohon Merkle untuk memastikan integritas dan keamanan dalam transisi antar tahap

Sebagai contoh model LLaMA, metode OPML dua tahap adalah sebagai berikut:

1. Mewakili proses perhitungan ML sebagai grafik perhitungan
2. Melakukan verifikasi permainan di grafik (fase kedua)
3. Mengonversi perhitungan node yang dipertentangkan menjadi instruksi VM (tahap pertama)

Dibandingkan dengan skema satu tahap, OPML multi-tahap dapat mencapai percepatan perhitungan α kali lipat (α adalah rasio percepatan GPU atau komputasi paralel). Selain itu, ukuran pohon Merkle pada skema multi-tahap secara signifikan berkurang, yang lebih meningkatkan efisiensi dan skalabilitas.

Konsistensi dan Determinisme

Untuk memastikan konsistensi hasil ML, OPML menerapkan strategi berikut:

1. Menggunakan algoritma titik tetap (teknik kuantisasi) untuk mengurangi kesalahan pembulatan floating point
2. Menggunakan pustaka floating point berbasis perangkat lunak untuk memastikan konsistensi lintas platform.

Metode-metode ini secara efektif mengatasi tantangan yang ditimbulkan oleh variabel floating-point dan perbedaan platform, meningkatkan keandalan perhitungan OPML.

OPML vs ZKML

OPML memiliki keunggulan berikut dibandingkan ZKML:

• Persyaratan perangkat keras yang lebih rendah
• Efisiensi eksekusi yang lebih tinggi
• Mendukung model berskala lebih besar
• Dapat melakukan pelatihan model (ZKML hanya mendukung inferensi)

Perlu dicatat bahwa proyek OPML masih dalam pengembangan, dan kami menyambut para pengembang yang berminat untuk berkontribusi.