OPML: Ứng dụng đổi mới của máy học lạc quan trên Blockchain

2025-07-20 05:59:27

Đang tạo bản tóm tắt

OPML: Kỹ thuật học máy dựa trên phương pháp lạc quan

OPML(Học máy lạc quan) là một công nghệ mới nổi, nó sử dụng phương pháp lạc quan để suy diễn và huấn luyện/điều chỉnh mô hình AI trên hệ thống blockchain. So với ZKML, OPML có thể cung cấp dịch vụ ML với chi phí thấp hơn và hiệu quả cao hơn. Một trong những lợi thế lớn của OPML là yêu cầu tham gia thấp - hiện tại, PC thông thường không cần GPU vẫn có thể chạy OPML với các mô hình ngôn ngữ lớn bao gồm 26GB như 7B-LLaMA(.

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

Người yêu cầu khởi tạo nhiệm vụ dịch vụ ML
Máy chủ hoàn thành nhiệm vụ và gửi kết quả lên chuỗi.
Người xác thực kiểm tra kết quả
Nếu có tranh chấp, xác định chính xác bước sai thông qua thỏa thuận phân chia.
Trọng tài cho một bước đơn lẻ trên hợp đồng thông minh

![OPML: Hệ thống máy học sử dụng Optimistic Rollup])https://img-cdn.gateio.im/webp-social/moments-97100de5d65b1bb4dfc9ad6502195b59.webp(

Trò chơi xác thực một giai đoạn

Cốt lõi của trò chơi xác thực một giai đoạn là giao thức định vị chính xác, cách thức hoạt động tương tự như ủy thác tính toán )RDoC(. Các đặc điểm chính bao gồm:

Xây dựng máy ảo )VM( để thực thi ngoại tuyến và trọng tài trên chuỗi.
Triển khai thư viện DNN nhẹ nhằm nâng cao hiệu quả suy diễn mô hình AI
Sử dụng công nghệ biên dịch chéo để biên dịch mã suy diễn mô hình AI thành lệnh VM
Sử dụng cây Merkle để quản lý hình ảnh VM, chỉ tải lên gốc Merkle lên chuỗi.

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

![OPML：采用Optimistic Rollup系统的机器学习])https://img-cdn.gateio.im/webp-social/moments-e798407b4f5f3dd6dc7d8327db07eb20.webp(

Trò chơi xác thực nhiều giai đoạn

Để khắc phục những hạn chế của trò chơi xác minh một giai đoạn, chúng tôi đã đề xuất trò chơi xác minh đa giai đoạn:

Chỉ thực hiện tính toán trong VM ở giai đoạn cuối
Các giai đoạn khác có thể thực hiện linh hoạt trong môi trường địa phương, tận dụng tối đa tài nguyên phần cứng như CPU, GPU, TPU.
Nâng cao hiệu suất thực thi OPML một cách đáng kể, gần với mức độ môi trường địa phương.

Lấy ví dụ về trò chơi xác thực hai giai đoạn )k=2(:

Giai đoạn thứ hai: tương tự như trò chơi xác minh một giai đoạn, xác định các bước tranh chấp trên "lệnh lớn"
Giai đoạn đầu tiên: Định vị các bước tranh chấp trên lệnh vi mô VM

Đảm bảo tính toàn vẹn và an toàn của việc chuyển đổi giữa các giai đoạn thông qua cây Merkle.

![OPML：采用Optimistic Rollup系统的机器学习])https://img-cdn.gateio.im/webp-social/moments-3f290bc2a1acee40d4e71fbf35ee5079.webp(

Ví dụ OPML nhiều giai đoạn: Mô hình LLaMA

Mô hình LLaMA sử dụng phương pháp OPML hai giai đoạn:

Biểu diễn quá trình tính toán của mạng nơ-ron sâu )DNN( dưới dạng đồ thị tính toán G
Thực hiện trò chơi xác thực giai đoạn hai trên đồ thị tính toán, sử dụng CPU hoặc GPU đa luồng.
Giai đoạn đầu tiên chuyển đổi tính toán của nút đơn thành lệnh VM

Đối với các phép tính phức tạp hơn, có thể áp dụng phương pháp OPML đa giai đoạn với hơn hai giai đoạn.

![OPML：Sử dụng hệ thống Optimistic Rollup cho học máy])https://img-cdn.gateio.im/webp-social/moments-4d41ed09832980b943519f4c0baa6109.webp(

Phân tích cải tiến hiệu suất

Giả sử đồ thị tính toán có n nút, mỗi nút cần m lệnh vi mô VM, tỷ lệ gia tốc của GPU hoặc tính toán song song là α:

OPML hai giai đoạn nhanh hơn α lần so với OPML một giai đoạn
Kích thước cây Merkle của OPML hai giai đoạn là O)m+n(, nhỏ hơn đáng kể so với OPML một giai đoạn là O)mn(.

Đảm bảo tính nhất quán và tính xác định

Để đảm bảo tính nhất quán của kết quả ML, OPML áp dụng:

Thuật toán định điểm ) công nghệ định lượng (: Sử dụng độ chính xác cố định thay thế số thực.
Thư viện số thực dựa trên phần mềm: đảm bảo tính nhất quán giữa các nền tảng

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

![OPML：采用Optimistic Rollup系统的机器学习])https://img-cdn.gateio.im/webp-social/moments-a33f120074b07b2ec4ae4ececbea79f1.webp(

B8.4%

Xem bản gốc

Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.

22 thích