OPML: Giải pháp học máy blockchain hiệu quả dựa trên cơ chế Optimistic

OPML (Học máy lạc quan) là một công nghệ học máy trên blockchain mới, đạt được suy diễn và huấn luyện/tinh chỉnh mô hình AI thông qua phương pháp lạc quan. So với ZKML, OPML có ưu điểm chi phí thấp, hiệu suất cao và ngưỡng tham gia thấp hơn. Hiện tại, máy tính cá nhân thông thường không cần GPU vẫn có thể chạy các mô hình ngôn ngữ lớn, chẳng hạn như 7B-LLaMA với dung lượng 26GB.

OPML áp dụng cơ chế trò chơi xác thực để đảm bảo tính phi tập trung và khả năng xác minh của dịch vụ ML. Quy trình cơ bản như sau:

1. Người yêu cầu khởi tạo nhiệm vụ dịch vụ ML
2. Máy chủ hoàn thành nhiệm vụ và nộp kết quả lên khối.
3. Người xác nhận kiểm tra kết quả, nếu có ý kiến trái chiều thì khởi động trò chơi xác minh.
4. Thực hiện trọng tài một bước qua hợp đồng thông minh

Trò chơi xác minh một giai đoạn

Giai đoạn đơn OPML sử dụng giao thức định vị chính xác, tương tự như ủy thác tính toán (RDoC). Các đặc điểm chính bao gồm:

• Xây dựng máy ảo (VM) thực thi ngoài chuỗi và trọng tài trên chuỗi
• Triển khai thư viện DNN nhẹ, 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
• Ảnh VM được quản lý thông qua cây Merkle, chỉ upload hash gốc lên chuỗi.

Kiểm tra hiệu suất cho thấy, mô hình AI cơ bản (DNN phân loại MNIST) có thể hoàn thành suy diễn VM trên PC trong vòng 2 giây, toàn bộ quá trình thách thức có thể hoàn thành trong môi trường thử nghiệm Ethereum địa phương trong vòng 2 phút.

Trò chơi xác thực đa giai đoạn

Để khắc phục những hạn chế của giao thức một giai đoạn, OPML đã giới thiệu giao thức nhiều giai đoạn nhằm tối đa hóa khả năng xử lý GPU/TPU và khả năng xử lý song song. Những lợi ích chính của OPML nhiều giai đoạn:

• Chỉ giai đoạn cuối cùng được tính toán trong VM, các giai đoạn khác có thể thực hiện trong môi trường cục bộ
• Nâng cao hiệu suất thực thi đáng kể, gần đạt mức môi trường địa phương
• Sử dụng cây Merkle để đảm bảo tính toàn vẹn và an toàn trong việc chuyển đổi giữa các giai đoạn

Lấy mô hình LLaMA làm ví dụ, phương pháp OPML hai giai đoạn như sau:

1. Biểu diễn quá trình tính toán ML dưới dạng đồ thị tính toán
2. Thực hiện xác minh trò chơi trên đồ thị (giai đoạn thứ hai)
3. Chuyển đổi tính toán của các nút có tranh chấp thành lệnh VM (giai đoạn đầu tiên)

So với giải pháp một giai đoạn, OPML đa giai đoạn có thể đạt được tốc độ tính toán nhanh hơn α lần (α là tỷ lệ tăng tốc của GPU hoặc tính toán song song). Ngoài ra, kích thước cây Merkle của giải pháp đa giai đoạn giảm đáng kể, từ đó nâng cao hiệu quả và khả năng mở rộng.

Tính nhất quán và tính xác định

Để đảm bảo tính nhất quán của kết quả ML, OPML áp dụng các chiến lược sau:

1. Sử dụng thuật toán định điểm (công nghệ định lượng) để giảm sai số làm tròn số thực.
2. Sử dụng thư viện số thực dựa trên phần mềm, đảm bảo tính nhất quán đa nền tảng

Các phương pháp này đã khắc phục hiệu quả những thách thức do biến số dấu phẩy động và sự khác biệt giữa các nền tảng mang lại, tăng cường độ tin cậy của tính toán OPML.

OPML vs ZKML

OPML có những ưu điểm sau đây so với ZKML:

• Yêu cầu phần cứng thấp hơn
• Hiệu suất thực thi cao hơn
• Hỗ trợ mô hình quy mô lớn hơn
• Có thể tiến hành huấn luyện mô hình (ZKML chỉ hỗ trợ suy diễn)

Cần lưu ý rằng dự án OPML vẫn đang trong quá trình phát triển, chào đón các nhà phát triển có hứng thú tham gia đóng góp.