L’idea di far girare un modello di intelligenza artificiale dentro uno smart contract sembra ottima fino a quando non si guarda il conto del gas. Una singola inferenza di una rete neurale di medie dimensioni richiederebbe una quantit\u00e0 di calcolo che, su Ethereum, costerebbe cifre fuori scala e congestionerebbe la rete. opML, abbreviazione di Optimistic Machine Learning, nasce per aggirare questo muro: invece di eseguire il modello on-chain, lo esegue altrove e usa un meccanismo di verifica economico per garantire che il risultato sia corretto.<\/p>\n
Il concetto \u00e8 stato proposto da ORA (in precedenza Hyper Oracle) in un paper pubblicato su arXiv a fine gennaio 2024. In poco pi\u00f9 di un anno opML \u00e8 passato dalla teoria a un prodotto attivo su Ethereum, l’AI Oracle, ed \u00e8 diventato uno dei riferimenti del filone della cosiddetta AI verificabile. Vediamo che cosa significa davvero, come si confronta con l’alternativa crittografica (zkML) e perch\u00e9 interessa anche a chi sviluppa giochi e applicazioni Web3.<\/p>\n
opML \u00e8 un framework che permette di eseguire l’inferenza di modelli di machine learning fuori dalla blockchain, pubblicando poi il risultato on-chain insieme a una garanzia di correttezza basata sulle prove di frode (fraud proof). Il modello mentale \u00e8 lo stesso degli optimistic rollup come Arbitrum o Optimism: si assume che il risultato pubblicato sia corretto, ma chiunque pu\u00f2 contestarlo entro una finestra di tempo. Se la contestazione ha successo, il risultato sbagliato viene corretto e chi ha barato viene penalizzato.<\/p>\n
La differenza rispetto a un normale oracolo di dati \u00e8 sostanziale: qui non si porta on-chain un prezzo o un risultato sportivo, ma l’output di un modello di AI, con la possibilit\u00e0 di dimostrare che quell’output deriva davvero dall’esecuzione corretta di un modello specifico su un input specifico. Tutti i dettagli tecnici sono nel paper originale su arXiv<\/a>, firmato da KD Conway, Cathie So, Xiaohang Yu e Kartin Wong.<\/p>\n Una blockchain come Ethereum \u00e8 una macchina a stati deterministica e replicata: ogni nodo riesegue ogni operazione per verificarla. Funziona benissimo per trasferire token o aggiornare un saldo, ma diventa proibitivo per i miliardi di moltiplicazioni in virgola mobile di una rete neurale. Eseguire on-chain anche solo un modello linguistico di piccole dimensioni significherebbe far ripetere quei calcoli a migliaia di nodi, con costi in gas insostenibili.<\/p>\n Da qui le due grandi strade della verifiable AI. La prima \u00e8 zkML, che produce una prova a conoscenza zero (zero-knowledge) del fatto che il calcolo \u00e8 stato eseguito correttamente: matematicamente solida, ma costosa da generare. La seconda \u00e8 opML, che ribalta il problema: non prova nulla in anticipo, ma rende economicamente irrazionale pubblicare un risultato falso, perch\u00e9 verrebbe smascherato. Con ETH intorno ai 1.400 euro (dati CoinGecko<\/a>), ogni unit\u00e0 di gas risparmiata pesa sul conto finale.<\/p>\n Il cuore di opML \u00e8 un gioco di verifica interattivo (interactive fraud proof). Il flusso, semplificato, \u00e8 questo:<\/p>\n La FPVM \u00e8 una macchina virtuale MIPS, capace di tracciare e provare on-chain una sola istruzione alla volta, con un limite di memoria di circa 4 GB. Per gestire modelli grandi senza esplodere, opML introduce un protocollo multi-fase con due idee chiave: la semi-native execution, che lascia il grosso del calcolo girare in modo nativo su CPU o GPU e usa la VM solo per l’arbitraggio finale, e il lazy loading, che carica in memoria solo i dati effettivamente necessari. I dettagli implementativi sono pubblici nella documentazione di ORA<\/a> e nel repository opML su GitHub<\/a>.<\/p>\n La domanda ricorrente \u00e8: meglio opML o zkML? Non esiste una risposta unica, perch\u00e9 i due approcci ottimizzano cose diverse. zkML offre privacy e finalit\u00e0 immediata, ma a un costo computazionale enorme; opML \u00e8 leggero e pratico anche su modelli molto grandi, ma introduce un ritardo (la finestra di contestazione) e un’assunzione di fiducia minima. La tabella riassume i punti principali, con i numeri riportati dagli stessi autori di opML.<\/p>\nIl problema: perch\u00e9 il machine learning non gira on-chain<\/h2>\n
Come funziona opML: la prova di frode interattiva<\/h2>\n
opML contro zkML: due filosofie a confronto<\/h2>\n