OPML( التعلم الآلي المتفائل) هو تقنية جديدة من تقنيات الذكاء الاصطناعي على البلوكشين، حيث تستخدم أساليب متفائلة لاستنتاج وتدريب نماذج الذكاء الاصطناعي. بالمقارنة مع ZKML، يتمتع OPML بميزة انخفاض التكاليف وارتفاع الكفاءة. عتبة دخول OPML منخفضة جداً، حيث يمكن للكمبيوتر الشخصي العادي تشغيل نماذج اللغة الكبيرة دون الحاجة إلى GPU، مثل نموذج 7B-LLaMA بحجم 26 جيجابايت.
تستخدم OPML آلية ألعاب التحقق لضمان اللامركزية والإجماع القابل للتحقق لخدمات ML. تسير سير العمل كما يلي:
يقوم الطرف الم initiator بتقديم مهمة خدمة ML
أكمل الخادم المهمة وقام بربط النتائج بسلسلة الكتل
يتحقق المدققون من النتائج، وإذا كانت هناك اعتراضات، يتم بدء لعبة التحقق
التحكيم خطوة بخطوة من خلال العقود الذكية
لعبة التحقق من المرحلة الواحدة
تستند لعبة التحقق من المرحلة الواحدة إلى مبادئ تفويض الحساب (RDoC)، حيث يفترض أن عدة أطراف تنفذ نفس البرنامج، ثم يتم تحديد الخطوات المتنازع عليها من خلال استفسارات دقيقة، وأخيراً يتم التحكيم بواسطة عقود ذكية على السلسلة.
تتضمن لعبة التحقق من المرحلة الواحدة لـ OPML العناصر التالية:
بناء آلة افتراضية لتنفيذ خارج السلسلة والتحكيم على السلسلة (VM)
تحقيق مكتبة DNN خفيفة الوزن لتحسين كفاءة استدلال الذكاء الاصطناعي
استخدم الترجمة المتقاطعة لترجمة كود نموذج الذكاء الاصطناعي إلى تعليمات VM
استخدام شجرة ميركل لإدارة صور VM، فقط رفع جذر التجزئة على السلسلة
في الاختبار، نموذج DNN الأساسي لتصنيف MNIST يمكن أن يكمل الاستدلال على الكمبيوتر الشخصي في غضون ثانيتين، وتستغرق العملية الكاملة للتحدي حوالي دقيقتين.
تقتصر قيود لعبة التحقق من مرحلة واحدة على أن جميع الحسابات يجب أن تتم داخل VM، ولا يمكن الاستفادة من تسريع GPU/TPU. لهذا ، قدمت OPML توسيع البروتوكول متعدد المراحل:
فقط المرحلة الأخيرة يتم حسابها في VM
يمكن تنفيذ المراحل الأخرى في البيئة المحلية، مع الاستفادة من تسريع الأجهزة مثل وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU)
تحسين أداء التنفيذ بشكل كبير من خلال تقليل اعتماد VM
مخطط OPML متعدد المراحل باستخدام نموذج LLaMA كمثال، يعتمد على طريقة من مرحلتين:
المرحلة الثانية تجري فيها لعبة التحقق على الرسم البياني الحاسوبي، ويمكن استخدام وحدة المعالجة المركزية المتعددة الخيوط أو وحدة معالجة الرسومات.
المرحلة الأولى ستقوم بتحويل حسابات العقد الفردية إلى تعليمات VM
عندما تظل حسابات عقدة واحدة في الرسم البياني معقدة، يمكن إدخال المزيد من المراحل لتحسين الكفاءة بشكل أكبر.
تشير التحليلات إلى أن OPML ذي المرحلتين يمكن أن يحقق تسريعًا بمعدل α مقارنةً مع المرحلة الواحدة، حيث يمثل α نسبة تسريع GPU أو الحساب المتوازي. بالإضافة إلى ذلك، فإن حجم شجرة ميركل في OPML ذي المرحلتين هو O(m+n)، وهو أقل بكثير من O(mn) للمرحلة الواحدة.
استخدام مكتبة الفاصلة العائمة البرمجية المتسقة عبر المنصات
تساعد هذه التقنيات في التغلب على التحديات التي تسببها متغيرات الفاصلة العائمة واختلافات المنصات، مما يعزز موثوقية حسابات OPML.
OPML مقابل ZKML
تركز OPML حالياً بشكل أساسي على استنتاج نماذج ML، ولكن الإطار يدعم أيضًا عملية التدريب. لا يزال مشروع OPML قيد التطوير، ونرحب بانضمام المهتمين للمساهمة.
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.
OPML: التعلم الآلي المتفائل يدعم تطوير البلوكتشين AI بتكلفة منخفضة وكفاءة عالية
OPML: استخدام نهج متفائل في التعلم الآلي
OPML( التعلم الآلي المتفائل) هو تقنية جديدة من تقنيات الذكاء الاصطناعي على البلوكشين، حيث تستخدم أساليب متفائلة لاستنتاج وتدريب نماذج الذكاء الاصطناعي. بالمقارنة مع ZKML، يتمتع OPML بميزة انخفاض التكاليف وارتفاع الكفاءة. عتبة دخول OPML منخفضة جداً، حيث يمكن للكمبيوتر الشخصي العادي تشغيل نماذج اللغة الكبيرة دون الحاجة إلى GPU، مثل نموذج 7B-LLaMA بحجم 26 جيجابايت.
! OPML: التعلم الآلي مع مجموعة متفائلة
تستخدم OPML آلية ألعاب التحقق لضمان اللامركزية والإجماع القابل للتحقق لخدمات ML. تسير سير العمل كما يلي:
لعبة التحقق من المرحلة الواحدة
تستند لعبة التحقق من المرحلة الواحدة إلى مبادئ تفويض الحساب (RDoC)، حيث يفترض أن عدة أطراف تنفذ نفس البرنامج، ثم يتم تحديد الخطوات المتنازع عليها من خلال استفسارات دقيقة، وأخيراً يتم التحكيم بواسطة عقود ذكية على السلسلة.
تتضمن لعبة التحقق من المرحلة الواحدة لـ OPML العناصر التالية:
في الاختبار، نموذج DNN الأساسي لتصنيف MNIST يمكن أن يكمل الاستدلال على الكمبيوتر الشخصي في غضون ثانيتين، وتستغرق العملية الكاملة للتحدي حوالي دقيقتين.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
لعبة التحقق متعددة المراحل
تقتصر قيود لعبة التحقق من مرحلة واحدة على أن جميع الحسابات يجب أن تتم داخل VM، ولا يمكن الاستفادة من تسريع GPU/TPU. لهذا ، قدمت OPML توسيع البروتوكول متعدد المراحل:
مخطط OPML متعدد المراحل باستخدام نموذج LLaMA كمثال، يعتمد على طريقة من مرحلتين:
عندما تظل حسابات عقدة واحدة في الرسم البياني معقدة، يمكن إدخال المزيد من المراحل لتحسين الكفاءة بشكل أكبر.
! OPML: التعلم الآلي مع مجموعة متفائلة
تحسين الأداء
تشير التحليلات إلى أن OPML ذي المرحلتين يمكن أن يحقق تسريعًا بمعدل α مقارنةً مع المرحلة الواحدة، حيث يمثل α نسبة تسريع GPU أو الحساب المتوازي. بالإضافة إلى ذلك، فإن حجم شجرة ميركل في OPML ذي المرحلتين هو O(m+n)، وهو أقل بكثير من O(mn) للمرحلة الواحدة.
! OPML: التعلم الآلي مع مجموعة متفائلة
الاتساق واليقين
لضمان اتساق نتائج ML، تستخدم OPML طريقتين:
تساعد هذه التقنيات في التغلب على التحديات التي تسببها متغيرات الفاصلة العائمة واختلافات المنصات، مما يعزز موثوقية حسابات OPML.
OPML مقابل ZKML
تركز OPML حالياً بشكل أساسي على استنتاج نماذج ML، ولكن الإطار يدعم أيضًا عملية التدريب. لا يزال مشروع OPML قيد التطوير، ونرحب بانضمام المهتمين للمساهمة.
! OPML: التعلم الآلي مع نظام التجميع المتفائل