OPML: 基於Optimistic機制的高效區塊鏈機器學習方案

OPML（Optimistic機器學習）是一種新型區塊鏈機器學習技術，通過Optimistic方法實現AI模型的推理和訓練/微調。與ZKML相比，OPML具有成本低、效率高的優勢，且參與門檻較低。目前，普通PC無需GPU即可運行大型語言模型，如26GB的7B-LLaMA。

OPML採用驗證遊戲機制確保ML服務的去中心化和可驗證性。其基本流程如下：

1. 請求者發起ML服務任務
2. 服務器完成任務並提交結果上鏈
3. 驗證者檢查結果，如有異議則啓動驗證遊戲
4. 通過智能合約進行單步仲裁

單階段驗證遊戲

單階段OPML採用精確定位協議，類似於計算委托（RDoC）。主要特點包括：

• 構建鏈下執行和鏈上仲裁的虛擬機（VM）
• 實現輕量級DNN庫，提高AI模型推理效率
• 使用交叉編譯技術將AI推理代碼編譯爲VM指令
• VM鏡像通過默克爾樹管理，僅將根哈希上傳至鏈上

性能測試顯示，基本AI模型（MNIST分類DNN）在PC上可在2秒內完成VM推理，整個挑戰過程在本地以太坊測試環境中可在2分鍾內完成。

多階段驗證遊戲

爲克服單階段協議的局限性，OPML引入了多階段協議，以充分利用GPU/TPU和並行處理能力。多階段OPML的主要優勢：

• 僅最後階段在VM中計算，其他階段可在本地環境執行
• 顯著提高執行性能，接近本地環境水平
• 採用默克爾樹確保階段間轉換的完整性和安全性

以LLaMA模型爲例，兩階段OPML方法如下：

1. 將ML計算過程表示爲計算圖
2. 在計算圖上進行驗證博弈（第二階段）
3. 將有爭議節點的計算轉換爲VM指令（第一階段）

多階段OPML相比單階段方案，可實現α倍的計算加速（α爲GPU或並行計算的加速比）。此外，多階段方案的默克爾樹大小顯著減小，進一步提高了效率和可擴展性。

一致性與確定性

爲確保ML結果的一致性，OPML採用以下策略：

1. 使用定點算法（量化技術）減少浮點舍入誤差
2. 採用基於軟件的浮點庫，保證跨平台一致性

這些方法有效克服了浮點變量和平台差異帶來的挑戰，增強了OPML計算的可靠性。

OPML vs ZKML

OPML與ZKML相比具有以下優勢：

• 更低的硬件要求
• 更高的執行效率
• 支持更大規模的模型
• 可進行模型訓練（ZKML僅支持推理）

值得注意的是，OPML項目仍在持續開發中，歡迎有興趣的開發者參與貢獻。