OPML:一种可扩展的区块链机器学习方案

机器学习在区块链领域的应用正变得越来越重要。为了解决现有方案的局限性,我们提出了OPML(Optimistic机器学习)框架,旨在为区块链系统提供高效、低成本的AI模型推理和训练服务。

OPML的核心思想是采用验证游戏机制来保证ML服务的去中心化和可验证性。这一机制的工作流程如下:

1. 请求者发起ML服务任务
2. 服务器完成任务并将结果提交到链上
3. 验证者对结果进行验证,如有异议则启动验证游戏
4. 通过二分协议精确定位错误步骤
5. 在智能合约上对有争议的单个步骤进行仲裁

相比ZKML,OPML具有显著优势:

• 参与门槛低:普通PC无需GPU即可运行大型语言模型
• 成本效益高:无需昂贵的零知识证明
• 灵活性强:支持模型推理和训练

为了提高效率,OPML采用了多阶段验证游戏设计:

• 第一阶段在虚拟机中执行,类似单阶段协议
• 第二阶段可在本地环境中利用GPU等硬件加速
• 通过默克尔树保证跨阶段的完整性和安全性

这种设计使OPML能够充分利用硬件资源,在保证安全性的同时显著提升性能。以LLaMA模型为例,OPML采用两阶段方法:

1. 第二阶段在计算图层面进行验证博弈,可利用GPU加速
2. 第一阶段将有争议的节点计算转换为VM指令进行验证

多阶段设计相比单阶段协议,计算速度提升α倍(α为GPU加速比),Merkle树大小也从O(mn)降至O(m+n)。

为确保结果一致性,OPML采用了定点算法和基于软件的浮点库,有效解决了跨平台浮点计算的差异问题。

总的来说,OPML为区块链上的机器学习提供了一个高效、低成本且可扩展的解决方案。它不仅支持模型推理,还可用于模型训练,是一个通用的ML框架。OPML项目仍在积极开发中,欢迎感兴趣的开发者参与贡献。