OPML: 基於樂觀主義方法的區塊鏈機器學習系統

OPML(樂觀主義機器學習)是一種新型的區塊鏈AI系統,可以用樂觀主義方法對區塊鏈系統進行AI模型推理和訓練/微調。與ZKML相比,OPML能夠提供更低成本、更高效率的ML服務。OPML的硬件要求很低,普通PC即可運行大型語言模型,如26GB左右的7B-LLaMA模型。

OPML採用驗證遊戲機制來保證ML服務的去中心化和可驗證共識。其基本流程如下:

1. 請求者發起ML服務任務
2. 服務器完成任務並將結果提交到鏈上
3. 驗證者驗證結果,如有爭議則啓動驗證遊戲
4. 通過二分協議精確定位錯誤步驟
5. 在智能合約上進行單步仲裁

單階段驗證遊戲

單階段精確定位協議的工作原理類似於計算委托(RDoC),假設多方執行相同程序,通過相互質疑找出爭議步驟,再由區塊鏈智能合約仲裁。

OPML單階段驗證遊戲的主要特點:

• 構建專用虛擬機(VM)用於鏈下執行和鏈上仲裁
• 實現輕量級DNN庫以提高AI推理效率
• 使用交叉編譯技術將AI代碼編譯爲VM指令
• VM鏡像採用默克爾樹管理,只上傳根哈希到鏈上

實測表明,在普通PC上可在2秒內完成基本DNN推理,整個挑戰過程可在2分鍾內完成。

多階段驗證遊戲

爲克服單階段方案的局限性,OPML引入了多階段驗證遊戲:

• 只在最後階段使用VM,其他階段可在本地環境執行
• 充分利用CPU、GPU、TPU等硬件加速能力
• 通過減少VM依賴,顯著提升執行性能

多階段OPML的關鍵設計:

1. 將ML計算過程表示爲計算圖
2. 在計算圖層面進行驗證博弈(Phase-2)
3. 爭議節點計算轉爲VM指令進行Phase-1驗證
4. 使用默克爾樹確保跨階段完整性和安全性

性能改進

分析表明,多階段OPML相比單階段方案有顯著優勢:

• 計算速度提升α倍(α爲GPU/並行加速比)
• Merkle樹大小從O(mn)降至O(m+n)

這些改進大幅提升了系統效率和可擴展性。

一致性與確定性

爲確保OPML結果一致性,採取了以下措施:

1. 使用定點算法(量化技術)減少浮點誤差影響
2. 採用跨平台一致的軟件浮點庫

這些技術有效克服了浮點變量和平台差異帶來的挑戰。

OPML在降低成本、提高效率等方面具有顯著優勢,爲區塊鏈AI應用開闢了新的可能性。該項目仍在持續開發中,歡迎感興趣的開發者加入貢獻。