我花了一些時間思考：模型的決策究竟從哪裏開始。

SolidML 包含一個數據預處理的預編譯，智能合約在爲推理準備信息時可以調用。它支持諸如均值、方差、標準差、中位數、歸一化、標準化以及鏈上相關性等操作。

起初，這聽起來像是在支持數學。

但並不是。

一個模型往往期待其輸入以特定的格式出現。OpenGradient 表示，該預編譯允許智能合約在將計算密集型操作放在鏈上執行時，把數據轉換或聚合成模型所期望的格式。

然而，正確執行並不能保證適當的準備。

同一份數據可以用多種方式來預處理。數學可能是正確的，但最終輸入仍可能讓模型對真實問題產生錯誤的理解。

這也是我一直注意到的差別。

鏈上執行可以使所請求的預處理計算變得可驗證。它無法判斷開發者在把結果交給模型之前，是否選擇了正確的變換、變量、數據集或觀察窗口。

目前，SolidML 與鏈上 ML 推理僅在 OpenGradient 已棄用的 alpha 測試網中提供，而不是在其主要測試網中。鏈上 ML 推理仍在爲主要測試網開發中。

這個實驗性的邊界比算術本身更重要。

可驗證的預處理，能否增強鏈上推理，還是把那些主觀的數據選擇轉移進代碼中，並因爲其計算可以被檢查而顯得客觀？

可驗證的預處理，能否讓鏈上的 AI 更值得信賴？

#OPG @OpenGradient $OPG $ACT $VELVET