OPML: نموذج جديد للتعلم الآلي يعتمد على آلية التفاؤل
لقد كانت استدلالات ونماذج الذكاء الاصطناعي في أنظمة البلوكشين محور اهتمام الصناعة. مؤخرًا، أثارت طريقة جديدة تُدعى OPML( التعلم الآلي المتفائل ) اهتمامًا واسعًا. تستخدم OPML آلية متفائلة، مما يسمح بتقديم خدمات تعلم الآلة بتكلفة منخفضة وكفاءة عالية على أنظمة البلوكشين.
بالمقارنة مع ZKML التقليدية، فإن OPML لديها مزايا واضحة. إنها تتمتع بحدود منخفضة للدخول، حيث يمكن لأجهزة الكمبيوتر العادية تشغيل نماذج اللغة الكبيرة بدون GPU، مثل نموذج 7B-LLaMA بحجم 26GB. تعتمد OPML على آلية لعبة التحقق من نظام Truebit ونظام rollup المتفائل لضمان اللامركزية والإجماع القابل للتحقق في خدمات التعلم الآلي.
تدفق عمل OPML كالتالي:
يقوم الطلب بتقديم مهمة تعلم الآلة
أكمل الخادم المهمة وقدم النتائج على السلسلة
يقوم المدققون بالتحقق من النتائج، وإذا كانت هناك أي اعتراضات يتم بدء لعبة التحقق.
الطرفان يحددون بدقة خطوات النزاع من خلال بروتوكول ثنائي.
من أجل زيادة الكفاءة، اعتمدت OPML على عدة تقنيات مبتكرة:
تم بناء آلة افتراضية مخصصة لضمان تكافؤ التنفيذ بين خارج السلسلة وداخل السلسلة
تطوير مكتبة DNN خفيفة الوزن، يمكن تحويل نماذج الإطارات الرئيسية
استخدام تقنية الترجمة المتقاطعة لتحويل كود استنتاج الذكاء الاصطناعي إلى تعليمات VM
يتم إدارة صورة VM بواسطة شجرة ميركل، فقط يتم رفع الجذر هاش إلى السلسلة
أظهرت التجارب أن OPML يمكنه إتمام استنتاج نموذج الذكاء الاصطناعي الأساسي على أجهزة الكمبيوتر الشخصية العادية في غضون ثانيتين، وأن عملية التحقق الكاملة تتم في أقل من دقيقتين. هذا يتجاوز بكثير أداء ألعاب التحقق من مرحلة واحدة.
لتحسين الأداء بشكل أكبر ، اقترحت OPML أيضًا لعبة التحقق متعددة المراحل. هذا يسمح للحساب بالاستفادة الكاملة من تسريع GPU/TPU والمعالجة المتوازية ، مما يجعل الأداء قريبًا من البيئة المحلية. تعتمد OPML متعددة المراحل على تمثيل الرسم البياني الحسابي لعملية الاستدلال ، مما يتيح استخدام موارد الأجهزة المحلية بشكل مرن.
بالمقارنة مع الحل أحادي المرحلة، يمكن أن يحقق OPML ثنائي المرحلة تسريعًا في الحساب بمقدار α، كما أن حجم شجرة ميركل ينخفض من O(mn) إلى O(m+n). وهذا يعزز بشكل ملحوظ كفاءة النظام وقابليته للتوسع.
لضمان تناسق النتائج، اعتمد OPML على خوارزمية ثابتة ومكتبة عائمة قائمة على البرمجيات. هذا يحل بشكل فعال مشكلة اختلاف حسابات الفاصلة العائمة عبر المنصات، ويضمن تناسق النتائج عبر المنصات.
بشكل عام، يوفر OPML نمطًا جديدًا منخفض التكلفة وعالي الكفاءة للتعلم الآلي على blockchain. إنه لا يدعم فقط استنتاج النموذج، ولكن يمكن أيضًا استخدامه لمهام التعلم الآلي المتنوعة مثل تدريب النموذج. مع المزيد من التحسينات والتطوير، من المتوقع أن يصبح OPML اتجاهًا تقنيًا مهمًا في مجال الذكاء الاصطناعي على blockchain في المستقبل.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 7
أعجبني
7
6
مشاركة
تعليق
0/400
AirdropHarvester
· 07-08 17:49
ثور啊 التكلفة يمكن أن تكون أقل؟
شاهد النسخة الأصليةرد0
LiquidationWatcher
· 07-05 21:47
كنت هناك في 2022... الذكاء الاصطناعي الرخيص يبدو محفوفًا بالمخاطر بصراحة
شاهد النسخة الأصليةرد0
SnapshotStriker
· 07-05 21:39
مرة أخرى يتحدثون عن ثورة تقنية
شاهد النسخة الأصليةرد0
MemeCoinSavant
· 07-05 21:39
همم، بناءً على نمذجة إحصائية الخاصة بي، فإن هناك فرصة بنسبة 69.420٪ أن يكون هذا فعلاً مغيرًا للعبة، لا أكذب.
شاهد النسخة الأصليةرد0
BlockchainTalker
· 07-05 21:36
في الواقع، هذا يغير اللعبة حقًا بصراحة... أخيرًا ي democratize التعلم الآلي على السلسلة
شاهد النسخة الأصليةرد0
GasGuzzler
· 07-05 21:31
أسرع ذكاء اصطناعي متعدد الوظائف داخل السلسلة على الأرجح
OPML: نموذج جديد فعال ومنخفض التكلفة لتعلم الآلة داخل السلسلة
OPML: نموذج جديد للتعلم الآلي يعتمد على آلية التفاؤل
لقد كانت استدلالات ونماذج الذكاء الاصطناعي في أنظمة البلوكشين محور اهتمام الصناعة. مؤخرًا، أثارت طريقة جديدة تُدعى OPML( التعلم الآلي المتفائل ) اهتمامًا واسعًا. تستخدم OPML آلية متفائلة، مما يسمح بتقديم خدمات تعلم الآلة بتكلفة منخفضة وكفاءة عالية على أنظمة البلوكشين.
! OPML: التعلم الآلي مع مجموعة متفائلة
بالمقارنة مع ZKML التقليدية، فإن OPML لديها مزايا واضحة. إنها تتمتع بحدود منخفضة للدخول، حيث يمكن لأجهزة الكمبيوتر العادية تشغيل نماذج اللغة الكبيرة بدون GPU، مثل نموذج 7B-LLaMA بحجم 26GB. تعتمد OPML على آلية لعبة التحقق من نظام Truebit ونظام rollup المتفائل لضمان اللامركزية والإجماع القابل للتحقق في خدمات التعلم الآلي.
تدفق عمل OPML كالتالي:
! OPML: التعلم الآلي مع نظام التجميع المتفائل
من أجل زيادة الكفاءة، اعتمدت OPML على عدة تقنيات مبتكرة:
أظهرت التجارب أن OPML يمكنه إتمام استنتاج نموذج الذكاء الاصطناعي الأساسي على أجهزة الكمبيوتر الشخصية العادية في غضون ثانيتين، وأن عملية التحقق الكاملة تتم في أقل من دقيقتين. هذا يتجاوز بكثير أداء ألعاب التحقق من مرحلة واحدة.
! OPML: التعلم الآلي مع مجموعة متفائلة
لتحسين الأداء بشكل أكبر ، اقترحت OPML أيضًا لعبة التحقق متعددة المراحل. هذا يسمح للحساب بالاستفادة الكاملة من تسريع GPU/TPU والمعالجة المتوازية ، مما يجعل الأداء قريبًا من البيئة المحلية. تعتمد OPML متعددة المراحل على تمثيل الرسم البياني الحسابي لعملية الاستدلال ، مما يتيح استخدام موارد الأجهزة المحلية بشكل مرن.
! OPML: التعلم الآلي مع مجموعة متفائلة
بالمقارنة مع الحل أحادي المرحلة، يمكن أن يحقق OPML ثنائي المرحلة تسريعًا في الحساب بمقدار α، كما أن حجم شجرة ميركل ينخفض من O(mn) إلى O(m+n). وهذا يعزز بشكل ملحوظ كفاءة النظام وقابليته للتوسع.
لضمان تناسق النتائج، اعتمد OPML على خوارزمية ثابتة ومكتبة عائمة قائمة على البرمجيات. هذا يحل بشكل فعال مشكلة اختلاف حسابات الفاصلة العائمة عبر المنصات، ويضمن تناسق النتائج عبر المنصات.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
بشكل عام، يوفر OPML نمطًا جديدًا منخفض التكلفة وعالي الكفاءة للتعلم الآلي على blockchain. إنه لا يدعم فقط استنتاج النموذج، ولكن يمكن أيضًا استخدامه لمهام التعلم الآلي المتنوعة مثل تدريب النموذج. مع المزيد من التحسينات والتطوير، من المتوقع أن يصبح OPML اتجاهًا تقنيًا مهمًا في مجال الذكاء الاصطناعي على blockchain في المستقبل.