OPML: Sistem Pembelajaran Mesin Blockchain Berbasis Pendekatan Optimisme

OPML(Optimisme Pembelajaran Mesin) adalah sistem AI blockchain baru yang dapat melakukan inferensi dan pelatihan/penyesuaian model AI pada sistem blockchain dengan metode optimisme. Dibandingkan dengan ZKML, OPML dapat memberikan layanan ML dengan biaya lebih rendah dan efisiensi lebih tinggi. Persyaratan perangkat keras OPML sangat rendah, PC biasa sudah dapat menjalankan model bahasa besar, seperti model 7B-LLaMA yang sekitar 26GB.

OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi dan konsensus yang dapat diverifikasi dari layanan ML. Proses dasarnya adalah sebagai berikut:

1. Pengaju memulai tugas layanan ML
2. Server menyelesaikan tugas dan mengirimkan hasilnya ke blockchain
3. Hasil verifikasi validator, jika ada sengketa maka mulai permainan verifikasi
4. Menentukan langkah kesalahan secara tepat melalui protokol biner
5. Melakukan arbitrase langkah demi langkah pada kontrak pintar

Permainan Verifikasi Satu Tahap

Prinsip kerja protokol penentuan posisi akurat satu tahap mirip dengan delegasi perhitungan (RDoC), dengan asumsi beberapa pihak menjalankan program yang sama, menemukan langkah-langkah yang dipertentangkan melalui saling mempertanyakan, kemudian diadili oleh kontrak pintar blockchain.

Fitur utama dari permainan verifikasi satu tahap OPML:

• Membangun mesin virtual khusus (VM) untuk eksekusi off-chain dan arbitrase on-chain
• Mengimplementasikan pustaka DNN ringan untuk meningkatkan efisiensi inferensi AI
• Menggunakan teknologi kompilasi silang untuk mengompilasi kode AI menjadi instruksi VM
• Gambar VM dikelola menggunakan pohon Merkle, hanya mengunggah hash akar ke rantai

Pengujian menunjukkan bahwa pada PC biasa, inferensi DNN dasar dapat diselesaikan dalam waktu kurang dari 2 detik, dan seluruh proses tantangan dapat diselesaikan dalam waktu kurang dari 2 menit.

Permainan Verifikasi Multi-Tahap

Untuk mengatasi keterbatasan skema satu tahap, OPML memperkenalkan permainan verifikasi multi-tahap:

• Hanya gunakan VM di tahap akhir, tahap lainnya dapat dilakukan di lingkungan lokal
• Memanfaatkan sepenuhnya kemampuan akselerasi perangkat keras seperti CPU, GPU, TPU
• Meningkatkan kinerja eksekusi secara signifikan dengan mengurangi ketergantungan VM

Desain kunci OPML multi-tahap:

1. Mewakili proses perhitungan ML sebagai grafik perhitungan
2. Melakukan verifikasi permainan pada lapisan perhitungan (Phase-2)
3. Perhitungan node sengketa diubah menjadi instruksi VM untuk verifikasi Phase-1
4. Menggunakan pohon Merkle untuk memastikan integritas dan keamanan lintas tahap

Perbaikan Kinerja

Analisis menunjukkan bahwa OPML multi-tahap memiliki keuntungan signifikan dibandingkan dengan skema satu tahap:

• Kecepatan perhitungan meningkat α kali ( α untuk GPU/percepatan paralel )
• Ukuran pohon Merkle turun dari O(mn) menjadi O(m+n)

Peningkatan ini secara signifikan meningkatkan efisiensi dan skalabilitas sistem.

Konsistensi dan Determinasi

Untuk memastikan konsistensi hasil OPML, langkah-langkah berikut diambil:

1. Menggunakan algoritma titik tetap ( teknologi kuantisasi ) untuk mengurangi dampak kesalahan floating point
2. Menggunakan pustaka floating point perangkat lunak yang konsisten lintas platform

Teknologi ini secara efektif mengatasi tantangan yang ditimbulkan oleh variabel floating point dan perbedaan platform.

OPML memiliki keunggulan signifikan dalam menurunkan biaya dan meningkatkan efisiensi, membuka kemungkinan baru untuk aplikasi AI Blockchain. Proyek ini masih dalam pengembangan berkelanjutan, dan kami menyambut para pengembang yang tertarik untuk bergabung dan berkontribusi.