التعلم الآلي المتفائل: خدمات الذكاء الاصطناعي للبلوكتشين بكفاءة وبتكلفة منخفضة

تُعد OPML( تقنية جديدة تستخدم في استنتاج وتدريب/تعديل نماذج الذكاء الاصطناعي على أنظمة البلوكتشين. مقارنةً بـ ZKML، توفر OPML خدمات تعلم الآلة بطريقة أكثر كفاءة من حيث التكلفة، كما أن عتبة المشاركة منخفضة. حاليًا، يمكن تشغيل نماذج اللغة الكبيرة مثل 7B-LLaMA بحجم 26 جيجابايت على أجهزة الكمبيوتر العادية دون الحاجة إلى وحدة معالجة الرسومات.

! [OPML: التعلم الآلي مع مجموعة متفائلة])https://img-cdn.gateio.im/webp-social/moments-97100de5d65b1bb4dfc9ad6502195b59.webp(

تستخدم OPML آلية لعبة التحقق لضمان اللامركزية والتوافق القابل للتحقق لخدمات ML. تسير العملية على النحو التالي:

1. يقوم الطالب بإطلاق مهمة خدمة ML
2. أكمل الخادم المهمة وقدم النتائج على البلوكتشين
3. نتائج مراجعة المدققين، إذا كان هناك اعتراض يتم بدء لعبة التحقق
4. التحكيم النهائي للعقد الذكي

! [OPML: التعلم الآلي مع نظام التجميع المتفائل])https://img-cdn.gateio.im/webp-social/moments-e798407b4f5f3dd6dc7d8327db07eb20.webp(

تشبه لعبة التحقق من مرحلة واحدة لـ OPML حساب التفويض )RDoC(. إنها تبني آلة افتراضية للتنفيذ خارج السلسلة والتحكيم داخل السلسلة، وتحقق مكتبة DNN خفيفة الوزن مخصصة لتحسين كفاءة استنتاج الذكاء الاصطناعي. يتم إدارة صورة الآلة الافتراضية من خلال شجرة ميركل، حيث يتم تحميل جذر التجزئة فقط على السلسلة.

تتمثل القيود الرئيسية للعبة التحقق من مرحلة واحدة في أنه يجب تنفيذ جميع الحسابات داخل الآلة الافتراضية، ولا يمكن الاستفادة بشكل كامل من تسريع GPU/TPU. لمعالجة هذه المشكلة، قدمت OPML بروتوكول التحقق متعدد المراحل. في البروتوكول متعدد المراحل، يتطلب الأمر فقط المرحلة الأخيرة أن تُحسب في VM، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن في البيئة المحلية، مما يؤدي إلى تحسين الأداء بشكل ملحوظ.

! [OPML: التعلم الآلي مع مجموعة متفائلة])https://img-cdn.gateio.im/webp-social/moments-3f290bc2a1acee40d4e71fbf35ee5079.webp(

كمثال على نموذج LLaMA، فإن سير العمل ل OPML ذي المرحلتين هو كما يلي:

1. المرحلة الثانية تتم فيها عملية التحقق من اللعبة على الرسم البياني، ويمكن استخدام معالج متعدد الخيوط أو وحدة معالجة رسومية
2. المرحلة الأولى ستقوم بتحويل حسابات العقد الفردية إلى تعليمات VM للتحقق.

! [OPML: التعلم الآلي مع مجموعة متفائلة])https://img-cdn.gateio.im/webp-social/moments-4d41ed09832980b943519f4c0baa6109.webp(

يمكن أن يحقق OPML متعدد المراحل تسريعًا في الحساب بمعدل α مقارنةً بالمرحلة الواحدة، حيث أن α هو نسبة تسريع GPU أو الحساب المتوازي. بالإضافة إلى ذلك، فإن حجم شجرة ميركل في OPML متعدد المراحل أصغر بكثير من المرحلة الواحدة.

لضمان اتساق نتائج ML، تستخدم OPML خوارزمية ثابتة ومكتبة عائمة قائمة على البرامج. يمكن أن تخفف هذه التقنيات من تأثير أخطاء التقريب العائمة وتضمن اتساق النتائج عبر الأنظمة الأساسية.

بشكل عام، يوفر OPML حلاً فعالًا ومنخفض التكلفة وقابل للتوسع لخدمات الذكاء الاصطناعي على البلوكتشين. إنه لا يدعم فقط استدلال النموذج، بل يمكن استخدامه أيضًا لتدريب النموذج، وهو إطار عمل تعلم آلي عام.

! [OPML: التعلم الآلي مع نظام التجميع المتفائل])https://img-cdn.gateio.im/webp-social/moments-a33f120074b07b2ec4ae4ececbea79f1.webp(