وفقًا لـ Blockworks، يقوم بروتوكول أوراكل الذي يمكن التحقق منه ORA بإطلاق أوراكل الذكاء الاصطناعي (OAO) على السلسلة على شبكة إيثريوم الرئيسية. في الأسابيع المقبلة، سيتم أيضًا بث أوراكل على الهواء مباشرة على Optimism وBase وPolygon وManta. يوفر تطبيق التعلم الآلي (ML) أو الذكاء الاصطناعي على blockchain وصولاً لحسابات التعلم الآلي إلى إمكانية التحقق من blockchain والصحة والعدالة والشفافية. ومع ذلك، كانت هناك تحديات في جلب الذكاء الاصطناعي على السلسلة بسبب متطلبات اللامركزية وبيئة الحوسبة في إيثريوم المصممة لعقود EVM الذكية.
حل ORA هو من خلال OAOs، المدعوم بالتعلم الآلي المتفائل (opML) على Ethereum. يمكن لـ OpML تصميم أي نموذج تعلم الآلة على السلسلة، ولكن مع افتراضات أمنية أضعف. وفقًا لوثائق ORA، تستخدم opML "لعبة تحقق" مشابهة لتلك المستخدمة من قبل أنظمة التجميع المتفائلة لتمكين الإجماع اللامركزي والقابل للتحقق بشأن خدمة التعلم الآلي. بمجرد أن يبدأ مقدم الطلب مهمة خدمة تعلم الآلة وينهيها الخادم، يتم الالتزام بالنتائج على السلسلة. يجب على المدقق بعد ذلك التحقق من صحة النتائج، على غرار ما يتم القيام به في مجموعة متفائلة. إذا كانت النتائج غير دقيقة، فستبدأ لعبة النزاع مع الخادم، وسيتم إرسال المطالبة إلى عقد ذكي للتحكيم للتوصل إلى حل.
وGrok، وهو برنامج دردشة آلي يعمل بالذكاء الاصطناعي؛ والنشر المستقر، وهو نموذج الذكاء الاصطناعي للتعلم العميق لتحويل النص إلى صورة؛ وLlama2، نموذج اللغة الكبير مفتوح المصدر من Meta، متاحان الآن من خلال OAO الخاص بـ ORA. أشار كارتين وونغ، مؤسس ORA، في بيان صحفي إلى أن "opML فقط يمكنه وضع Grok على السلسلة. هذا هو تفوق ORA في opML." هناك نوع آخر من تعلم الآلة الذي تمت تجربته على السلسلة وهو تعلم الآلة بدون معرفة (zkML). تهدف هذه التقنية إلى إنشاء دليل تشفير لحسابات تعلم الآلة يمكن أن يكون موجزًا بما يكفي للتحقق منه على السلسلة. ومع ذلك، فإن قوة الحوسبة الحالية لا يمكنها عمليا توليد البراهين بكفاءة وبتكلفة معقولة. يدعي Wong أنه، على عكس zkML، يمكن لـ opML جلب نموذج معلمة Grok البالغ 314 مليارًا على السلسلة بكفاءة، مما يقلل التكاليف العامة بأكثر من 1,000,000x.