OPML: Sistem pembelajaran mesin berbasis pendekatan optimis

Artikel ini memperkenalkan sebuah sistem blockchain baru yang disebut OPML(, yang menggunakan pendekatan optimis untuk inferensi dan pelatihan/penyesuaian model AI. Dibandingkan dengan ZKML, OPML mampu menyediakan layanan ML yang lebih ekonomis dan efisien.

![OPML: Menggunakan sistem Optimistic Rollup untuk pembelajaran mesin])https://img-cdn.gateio.im/webp-social/moments-97100de5d65b1bb4dfc9ad6502195b59.webp(

Salah satu keuntungan besar dari OPML adalah persyaratan partisipasi yang rendah. Saat ini, PC biasa tidak perlu dilengkapi dengan GPU untuk menjalankan sistem OPML yang mencakup model bahasa besar ) seperti 7B-LLaMA( berukuran 26GB. Sistem ini menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi layanan ML dan konsensus yang dapat diverifikasi.

Proses verifikasi permainan adalah sebagai berikut:

1. Pemohon memulai tugas layanan ML
2. Server menyelesaikan tugas dan mengirimkan hasil ke blockchain
3. Validator memverifikasi hasil, jika ada keberatan maka memulai permainan verifikasi
4. Terakhir, lakukan arbitrase langkah demi langkah pada kontrak pintar

![OPML：mengadopsi sistem Optimistic Rollup dalam pembelajaran mesin])https://img-cdn.gateio.im/webp-social/moments-e798407b4f5f3dd6dc7d8327db07eb20.webp(

OPML menggunakan dua mode permainan verifikasi, yaitu mode satu tahap dan mode multi tahap. Mode satu tahap mirip dengan perhitungan delegasi )RDoC(, dengan secara tepat menentukan langkah-langkah yang dipersengketakan dan menyerahkannya kepada arbitrase kontrak di atas rantai. Untuk meningkatkan efisiensi, OPML juga mengembangkan perpustakaan DNN ringan dan sistem mesin virtual khusus.

![OPML: Menggunakan sistem Optimistic Rollup untuk pembelajaran mesin])https://img-cdn.gateio.im/webp-social/moments-3f290bc2a1acee40d4e71fbf35ee5079.webp(

Permainan verifikasi multi-tahap mengatasi keterbatasan model satu tahap, memanfaatkan akselerasi GPU/TPU dan kemampuan pemrosesan paralel secara maksimal. Ini secara bertahap mempersempit ruang sengketa melalui beberapa tahap, dan pada akhirnya mengidentifikasi instruksi VM yang spesifik. Metode ini secara signifikan meningkatkan efisiensi eksekusi OPML, sehingga kinerjanya mendekati lingkungan lokal.

![OPML：Menggunakan sistem Optimistic Rollup untuk pembelajaran mesin])https://img-cdn.gateio.im/webp-social/moments-4d41ed09832980b943519f4c0baa6109.webp(

Untuk memastikan konsistensi lintas platform, OPML menggunakan algoritma titik tetap dan pustaka floating point perangkat lunak. Dibandingkan dengan ZKML, OPML memiliki keunggulan yang jelas dalam efisiensi perhitungan, fleksibilitas, dan universalitas, menyediakan kemungkinan baru untuk aplikasi AI terdesentralisasi.

![OPML: Menggunakan sistem Optimistic Rollup untuk pembelajaran mesin])https://img-cdn.gateio.im/webp-social/moments-a33f120074b07b2ec4ae4ececbea79f1.webp(

Proyek OPML saat ini masih dalam pengembangan aktif, kami mengundang pengembang yang tertarik untuk berkontribusi.