OPML(التعلم الآلي المتفائل) هو طريقة مبتكرة لاستنتاج وتدريب نماذج الذكاء الاصطناعي على البلوكتشين. مقارنةً بـ ZKML، فإن OPML يتمتع بميزة التكلفة المنخفضة والكفاءة العالية. حتى على أجهزة الكمبيوتر العادية، يمكن تشغيل نماذج اللغة الكبيرة، مثل 26 جيجابايت من 7B-LLaMA.
يستخدم OPML آلية لعبة التحقق، مماثلة لنظام Truebit وOptimistic Rollup، لتحقيق خدمات ML لامركزية وقابلة للتحقق. تشمل العملية ما يلي:
يقوم الطلب بتقديم مهمة ML
يقوم الخادم بتنفيذ المهام وتقديم النتائج على البلوكتشين
يقوم المدققون بفحص النتائج، وإذا كان هناك اعتراض، يتم بدء لعبة التحقق
تستخدم لعبة التحقق من مرحلة واحدة لـ OPML بروتوكول تحديد المواقع بدقة، وتحقق التنفيذ خارج السلسلة والتحكيم على السلسلة من خلال الآلة الافتراضية (VM). لتحسين كفاءة استدلال AI، تستخدم OPML مكتبة DNN خفيفة الوزن مصممة خصيصًا، وتوفر نصوص تحويل تدعم أطر ML الرئيسية. تعتمد صور VM على إدارة شجرة ميركل، حيث يتم رفع تجزئة الجذر فقط على السلسلة.
ومع ذلك، فإن لعبة التحقق من المرحلة الواحدة مقيدة بالتنفيذ داخل VM، ولا يمكنها الاستفادة الكاملة من تسريع GPU/TPU. لهذا الغرض، اقترح OPML خطة لعبة تحقق متعددة المراحل. في المراحل غير النهائية، يمكن تنفيذ الحسابات بمرونة في البيئة المحلية، مما يؤدي إلى الاستفادة الكاملة من أداء الأجهزة. الطريقة متعددة المراحل تعزز بشكل ملحوظ من كفاءة التنفيذ، لتقترب من مستوى البيئة الأصلية.
حقق OPML متعدد المراحل تسريعًا بمقدار α مقارنةً بالتنفيذ أحادي المرحلة، حيث أن α هو نسبة تسريع GPU / الحوسبة المتوازية. بالإضافة إلى ذلك، فإن الطريقة متعددة المراحل تقلل بشكل كبير من حجم شجرة ميركل.
لضمان التناسق عبر المنصات، يعتمد OPML على خوارزمية ثابتة ومكتبة نقطة عائمة برمجية، متغلبًا على التحديات التي تثيرها الفروق في الأجهزة.
بشكل عام، يوفر OPML حلاً فعالاً ومنخفض التكلفة للتعلم الآلي على البلوكتشين، مع آفاق تطبيق واسعة.
شاهد النسخة الأصلية
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 15
أعجبني
15
8
مشاركة
تعليق
0/400
HalfIsEmpty
· 07-24 23:29
أنت في مواجهة الأمر، OPML هو مجرد استغلال للضجة.
شاهد النسخة الأصليةرد0
GasDevourer
· 07-24 01:51
غاز جيد غالٍ، لا تفكر في الهروب من المشروع
شاهد النسخة الأصليةرد0
AlwaysAnon
· 07-23 20:42
آه، يوجد AI جديد داخل السلسلة مرة أخرى.
شاهد النسخة الأصليةرد0
TheShibaWhisperer
· 07-22 12:21
مرة أخرى يأتون لتداول مفاهيم جديدة لمعالجة الحمقى.
شاهد النسخة الأصليةرد0
MainnetDelayedAgain
· 07-22 12:20
وفقًا لقاعدة البيانات، لقد تم تكرار قابلية التحقق التي وعد بها فريق المشروع 78 مرة.
شاهد النسخة الأصليةرد0
TestnetFreeloader
· 07-22 12:18
هل يمكن لجهاز الكمبيوتر تشغيل لاما؟ يبدو أن هذا رائع.
OPML: خطة تدريب واستدلال نموذج الذكاء الاصطناعي بكفاءة وبتكلفة منخفضة داخل السلسلة
OPML: خطة فعالة لتعلم الآلة على البلوكتشين
OPML(التعلم الآلي المتفائل) هو طريقة مبتكرة لاستنتاج وتدريب نماذج الذكاء الاصطناعي على البلوكتشين. مقارنةً بـ ZKML، فإن OPML يتمتع بميزة التكلفة المنخفضة والكفاءة العالية. حتى على أجهزة الكمبيوتر العادية، يمكن تشغيل نماذج اللغة الكبيرة، مثل 26 جيجابايت من 7B-LLaMA.
يستخدم OPML آلية لعبة التحقق، مماثلة لنظام Truebit وOptimistic Rollup، لتحقيق خدمات ML لامركزية وقابلة للتحقق. تشمل العملية ما يلي:
! OPML: التعلم الآلي مع مجموعة متفائلة
تستخدم لعبة التحقق من مرحلة واحدة لـ OPML بروتوكول تحديد المواقع بدقة، وتحقق التنفيذ خارج السلسلة والتحكيم على السلسلة من خلال الآلة الافتراضية (VM). لتحسين كفاءة استدلال AI، تستخدم OPML مكتبة DNN خفيفة الوزن مصممة خصيصًا، وتوفر نصوص تحويل تدعم أطر ML الرئيسية. تعتمد صور VM على إدارة شجرة ميركل، حيث يتم رفع تجزئة الجذر فقط على السلسلة.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
ومع ذلك، فإن لعبة التحقق من المرحلة الواحدة مقيدة بالتنفيذ داخل VM، ولا يمكنها الاستفادة الكاملة من تسريع GPU/TPU. لهذا الغرض، اقترح OPML خطة لعبة تحقق متعددة المراحل. في المراحل غير النهائية، يمكن تنفيذ الحسابات بمرونة في البيئة المحلية، مما يؤدي إلى الاستفادة الكاملة من أداء الأجهزة. الطريقة متعددة المراحل تعزز بشكل ملحوظ من كفاءة التنفيذ، لتقترب من مستوى البيئة الأصلية.
! OPML: التعلم الآلي مع مجموعة متفائلة
كمثال على نموذج LLaMA، تعتمد OPML طريقة من مرحلتين:
! OPML: التعلم الآلي مع مجموعة متفائلة
حقق OPML متعدد المراحل تسريعًا بمقدار α مقارنةً بالتنفيذ أحادي المرحلة، حيث أن α هو نسبة تسريع GPU / الحوسبة المتوازية. بالإضافة إلى ذلك، فإن الطريقة متعددة المراحل تقلل بشكل كبير من حجم شجرة ميركل.
لضمان التناسق عبر المنصات، يعتمد OPML على خوارزمية ثابتة ومكتبة نقطة عائمة برمجية، متغلبًا على التحديات التي تثيرها الفروق في الأجهزة.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
بشكل عام، يوفر OPML حلاً فعالاً ومنخفض التكلفة للتعلم الآلي على البلوكتشين، مع آفاق تطبيق واسعة.