OPML(التعلم الآلي المتفائل) هو طريقة جديدة مقترحة لاستنتاج وتدريب نماذج الذكاء الاصطناعي في نظام البلوكتشين. بالمقارنة مع ZKML، يمكن لـ OPML توفير خدمات التعلم الآلي بتكلفة أقل وكفاءة أعلى. متطلبات الأجهزة لـ OPML منخفضة، حيث يمكن لجهاز الكمبيوتر العادي تشغيل نماذج اللغة الكبيرة مثل 7B-LLaMA( بحجم حوالي 26GB) بدون الحاجة إلى وحدة معالجة الرسوميات.
تستخدم لعبة التحقق أحادية المرحلة OPML طريقة مشابهة لتفويض الحساب (RDoC)، لبناء آلة افتراضية (VM) للتنفيذ خارج السلسلة والتحكيم داخل السلسلة. ولزيادة كفاءة استدلال نموذج الذكاء الاصطناعي، تم تنفيذ مكتبة DNN خفيفة الوزن خصيصًا، وتوفير سكربتات لتحويل النماذج من أطر تعلم الآلة الرئيسية. يتم إدارة صورة الآلة الافتراضية من خلال شجرة ميركل، حيث يتم رفع جذر ميركل فقط إلى العقدة على السلسلة.
ومع ذلك، فإن ألعاب التحقق من المرحلة الواحدة تقيد استخدام تسريع GPU/TPU والمعالجة المتوازية. لحل هذه المشكلة، قامت OPML بتوسيع البروتوكول متعدد المراحل. يقوم OPML متعدد المراحل بالحساب في VM فقط في المرحلة الأخيرة، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن في البيئة المحلية، مما يتيح الاستفادة الكاملة من موارد الأجهزة المختلفة، ويعزز بشكل كبير أداء التنفيذ.
بشكل عام، يوفر OPML حلاً جديدًا فعالًا ومنخفض التكلفة وقابلًا للتحقق لتعلم الآلة على البلوكتشين، ومن المتوقع أن يلعب دورًا مهمًا في مجالات متعددة.
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 12
أعجبني
12
6
مشاركة
تعليق
0/400
BearMarketSunriser
· 08-04 08:03
توفير المال هو كل ما في الأمر
شاهد النسخة الأصليةرد0
OnchainUndercover
· 08-03 18:49
总有حمقى等着被خداع الناس لتحقيق الربح
شاهد النسخة الأصليةرد0
BuyHighSellLow
· 08-03 18:48
حمقى يجب أن يكون لهم كرامة
شاهد النسخة الأصليةرد0
StakeHouseDirector
· 08-03 18:47
لذا يجب علينا حرق بطاقة الرسومات؟
شاهد النسخة الأصليةرد0
GasFeeNightmare
· 08-03 18:30
ثور啊 الفقراء أصبحوا قادرين على الأكل
شاهد النسخة الأصليةرد0
StablecoinArbitrageur
· 08-03 18:25
*يعدل النظارات* همم، احتمال التحكيم: 0.0043% في أفضل الأحوال
OPML: خطة جديدة للبلوكتشين AI لتحقيق التعلم الآلي بتكلفة منخفضة وكفاءة عالية
OPML: حل جديد لتعلم الآلة على البلوكتشين
OPML(التعلم الآلي المتفائل) هو طريقة جديدة مقترحة لاستنتاج وتدريب نماذج الذكاء الاصطناعي في نظام البلوكتشين. بالمقارنة مع ZKML، يمكن لـ OPML توفير خدمات التعلم الآلي بتكلفة أقل وكفاءة أعلى. متطلبات الأجهزة لـ OPML منخفضة، حيث يمكن لجهاز الكمبيوتر العادي تشغيل نماذج اللغة الكبيرة مثل 7B-LLaMA( بحجم حوالي 26GB) بدون الحاجة إلى وحدة معالجة الرسوميات.
! OPML: التعلم الآلي مع مجموعة متفائلة
تستخدم OPML آلية ألعاب التحقق لضمان لامركزية خدمات التعلم الآلي وتوافق قابل للتحقق. العملية الأساسية هي:
! OPML: التعلم الآلي مع نظام التجميع المتفائل
تستخدم لعبة التحقق أحادية المرحلة OPML طريقة مشابهة لتفويض الحساب (RDoC)، لبناء آلة افتراضية (VM) للتنفيذ خارج السلسلة والتحكيم داخل السلسلة. ولزيادة كفاءة استدلال نموذج الذكاء الاصطناعي، تم تنفيذ مكتبة DNN خفيفة الوزن خصيصًا، وتوفير سكربتات لتحويل النماذج من أطر تعلم الآلة الرئيسية. يتم إدارة صورة الآلة الافتراضية من خلال شجرة ميركل، حيث يتم رفع جذر ميركل فقط إلى العقدة على السلسلة.
ومع ذلك، فإن ألعاب التحقق من المرحلة الواحدة تقيد استخدام تسريع GPU/TPU والمعالجة المتوازية. لحل هذه المشكلة، قامت OPML بتوسيع البروتوكول متعدد المراحل. يقوم OPML متعدد المراحل بالحساب في VM فقط في المرحلة الأخيرة، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن في البيئة المحلية، مما يتيح الاستفادة الكاملة من موارد الأجهزة المختلفة، ويعزز بشكل كبير أداء التنفيذ.
! OPML: التعلم الآلي مع مجموعة متفائلة
باستخدام نموذج LLaMA كمثال، تم اعتماد طريقة OPML ذات المرحلتين:
! OPML: التعلم الآلي مع مجموعة متفائلة
لقد حقق OPML متعدد المراحل تسريعًا في الحساب بمقدار α مقارنةً بالمرحلة الواحدة، كما انخفض حجم شجرة Merkle من O(mn) إلى O(m+n).
لضمان اتساق نتائج ML، تعتمد OPML على خوارزمية ثابتة ومكتبة عائمة تعتمد على البرمجيات، مما يحل مشكلة اختلاف حسابات العائمة عبر المنصات المختلفة.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
بشكل عام، يوفر OPML حلاً جديدًا فعالًا ومنخفض التكلفة وقابلًا للتحقق لتعلم الآلة على البلوكتشين، ومن المتوقع أن يلعب دورًا مهمًا في مجالات متعددة.