OPML: 基于Optimistic机制的高效区块链机器学习方案

OPML（Optimistic机器学习）是一种新型区块链机器学习技术，通过Optimistic方法实现AI模型的推理和训练/微调。与ZKML相比，OPML具有成本低、效率高的优势，且参与门槛较低。目前，普通PC无需GPU即可运行大型语言模型，如26GB的7B-LLaMA。

OPML采用验证游戏机制确保ML服务的去中心化和可验证性。其基本流程如下：

1. 请求者发起ML服务任务
2. 服务器完成任务并提交结果上链
3. 验证者检查结果，如有异议则启动验证游戏
4. 通过智能合约进行单步仲裁

单阶段验证游戏

单阶段OPML采用精确定位协议，类似于计算委托（RDoC）。主要特点包括：

• 构建链下执行和链上仲裁的虚拟机（VM）
• 实现轻量级DNN库，提高AI模型推理效率
• 使用交叉编译技术将AI推理代码编译为VM指令
• VM镜像通过默克尔树管理，仅将根哈希上传至链上

性能测试显示，基本AI模型（MNIST分类DNN）在PC上可在2秒内完成VM推理，整个挑战过程在本地以太坊测试环境中可在2分钟内完成。

多阶段验证游戏

为克服单阶段协议的局限性，OPML引入了多阶段协议，以充分利用GPU/TPU和并行处理能力。多阶段OPML的主要优势：

• 仅最后阶段在VM中计算，其他阶段可在本地环境执行
• 显著提高执行性能，接近本地环境水平
• 采用默克尔树确保阶段间转换的完整性和安全性

以LLaMA模型为例，两阶段OPML方法如下：

1. 将ML计算过程表示为计算图
2. 在计算图上进行验证博弈（第二阶段）
3. 将有争议节点的计算转换为VM指令（第一阶段）

多阶段OPML相比单阶段方案，可实现α倍的计算加速（α为GPU或并行计算的加速比）。此外，多阶段方案的默克尔树大小显著减小，进一步提高了效率和可扩展性。

一致性与确定性

为确保ML结果的一致性，OPML采用以下策略：

1. 使用定点算法（量化技术）减少浮点舍入误差
2. 采用基于软件的浮点库，保证跨平台一致性

这些方法有效克服了浮点变量和平台差异带来的挑战，增强了OPML计算的可靠性。

OPML vs ZKML

OPML与ZKML相比具有以下优势：

• 更低的硬件要求
• 更高的执行效率
• 支持更大规模的模型
• 可进行模型训练（ZKML仅支持推理）

值得注意的是，OPML项目仍在持续开发中，欢迎有兴趣的开发者参与贡献。