OPML: Расширяемое решение для машинного обучения на Блокчейне
Применение машинного обучения в области блокчейна становится все более важным. Чтобы решить ограничения существующих решений, мы предложили OPML(Оптимистичную машинную модель), направленную на предоставление эффективного и недорогого обслуживания вывода и обучения AI моделей для блокчейн-систем.
核心思想 OPML заключается в использовании механизма проверки игр для обеспечения децентрализованности и проверяемости ML-сервисов. Рабочий процесс этого механизма выглядит следующим образом:
Запросчик инициирует задачу ML сервиса
Сервер завершает задачу и отправляет результат на Блок.
Валидаторы проверяют результаты, и если есть разногласия, запускается игра на проверку.
Точное определение ошибочных шагов с помощью двоичного протокола
Арбитраж спорного отдельного шага на смарт-контракте
По сравнению с ZKML, OPML имеет значительные преимущества:
Низкий порог участия: обычный ПК может запускать большие языковые модели без GPU
Высокая рентабельность: не требуются дорогие нулевые доказательства
Высокая гибкость: поддерживает моделирование вывода и обучение
Чтобы повысить эффективность, OPML использует многоэтапный дизайн верификационной игры:
Первый этап выполняется в виртуальной машине, аналогично одностадийному протоколу
На втором этапе можно использовать аппаратное ускорение, такое как GPU, в локальной среде.
Гарантировать целостность и безопасность между этапами с помощью дерева Меркла
Этот дизайн позволяет OPML максимально эффективно использовать аппаратные ресурсы, значительно повышая производительность при обеспечении безопасности. Например, в модели LLaMA OPML использует двухступенчатый метод:
На втором этапе проводится верификация игрового процесса на уровне вычислительной графики, можно использовать ускорение GPU.
На первом этапе спорные узлы будут преобразованы в инструкции VM для проверки.
Многоступенчатый дизайн по сравнению с одноэтапным протоколом увеличивает скорость вычислений в α раз (, α – это коэффициент ускорения GPU ). Размер дерева Меркла также снижается с O(mn) до O(m+n).
Чтобы обеспечить согласованность результатов, OPML использует фиксированную точку алгоритма и программную библиотеку с плавающей запятой, что эффективно решает проблему различий в вычислениях с плавающей запятой на разных платформах.
В целом, OPML предоставляет эффективное, недорогое и масштабируемое решение для машинного обучения на Блокчейне. Он не только поддерживает вывод моделей, но и может использоваться для обучения моделей, является универсальной ML-структурой. Проект OPML все еще активно разрабатывается, и заинтересованные разработчики приглашаются к участию.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
OPML: Эффективная и недорогая структура машинного обучения в Блокчейне
OPML: Расширяемое решение для машинного обучения на Блокчейне
Применение машинного обучения в области блокчейна становится все более важным. Чтобы решить ограничения существующих решений, мы предложили OPML(Оптимистичную машинную модель), направленную на предоставление эффективного и недорогого обслуживания вывода и обучения AI моделей для блокчейн-систем.
核心思想 OPML заключается в использовании механизма проверки игр для обеспечения децентрализованности и проверяемости ML-сервисов. Рабочий процесс этого механизма выглядит следующим образом:
! OPML: Машинное обучение с оптимистичным свертыванием
По сравнению с ZKML, OPML имеет значительные преимущества:
Чтобы повысить эффективность, OPML использует многоэтапный дизайн верификационной игры:
Этот дизайн позволяет OPML максимально эффективно использовать аппаратные ресурсы, значительно повышая производительность при обеспечении безопасности. Например, в модели LLaMA OPML использует двухступенчатый метод:
! OPML: Машинное обучение с оптимистичной системой свертывания
Многоступенчатый дизайн по сравнению с одноэтапным протоколом увеличивает скорость вычислений в α раз (, α – это коэффициент ускорения GPU ). Размер дерева Меркла также снижается с O(mn) до O(m+n).
! OPML: Машинное обучение с оптимистичным свертыванием
Чтобы обеспечить согласованность результатов, OPML использует фиксированную точку алгоритма и программную библиотеку с плавающей запятой, что эффективно решает проблему различий в вычислениях с плавающей запятой на разных платформах.
! OPML: Машинное обучение с оптимистичным свертыванием
В целом, OPML предоставляет эффективное, недорогое и масштабируемое решение для машинного обучения на Блокчейне. Он не только поддерживает вывод моделей, но и может использоваться для обучения моделей, является универсальной ML-структурой. Проект OPML все еще активно разрабатывается, и заинтересованные разработчики приглашаются к участию.
! OPML: Машинное обучение с оптимистичной системой свертывания