Olemme olleet hiljaa jonkin aikaa. Aika on kulunut, työ ei. Steak Studio on virkistynyt ja vahvempi kuin koskaan 🥩 Ja kiitos @bodotne upeasta työstä.

VLA:t ovat vielä hyvin uusia, ja monien ihmisten on vaikea ymmärtää eroa VLA:n ja LLM:n välillä. Tässä on syväsukellus siihen, miten nämä tekoälyjärjestelmät eroavat toisistaan päättelyssä, aistimisessa ja toiminnassa. Osa 1. Tarkastellaan keskeisiä eroja ja sitä, miten LLM:n ympärille käärityt tekoälyagentit eroavat VLA-malleja käyttävistä operaattoriagenteista: 1. Aisti: Miten he näkevät maailman Agentti (LLM): Käsittelee tekstiä tai strukturoitua dataa, kuten JSONia, API:ita ja joskus kuvia. Se on kuin aivot, jotka työskentelevät puhtaiden, abstraktien syötteiden kanssa. Ajattele käsikirjan lukemista tai laskentataulukon jäsentämistä. Sopii erinomaisesti jäsenneltyihin ympäristöihin, mutta sitä rajoittaa se, mitä siihen syötetään. Operaattori (VLA): Näkee kameroiden raa'at, reaaliaikaiset pikselit sekä anturitiedot (esim. kosketus, sijainti) ja proprioseption (liikkeen itsetietoisuus). Se on kuin navigoisi maailmassa silmin ja aistein ja kukoistaisi dynaamisissa, sotkuisissa ympäristöissä, kuten käyttöliittymässä tai fyysisissä tiloissa. 2. Toimi: Kuinka he ovat vuorovaikutuksessa Agentti: Toimii kutsumalla funktioita, työkaluja tai ohjelmointirajapintoja. Kuvittele se johtajana, joka lähettää tarkkoja ohjeita, kuten "varaa lento Expedia API:n kautta". Se on tarkoituksellista, mutta perustuu valmiisiin työkaluihin ja selkeisiin käyttöliittymiin. Operaattori: Suorittaa jatkuvia, matalan tason toimintoja, kuten hiiren osoittimen liikuttamista, kirjoittamista tai robottinivelten ohjaamista. Se on kuin taitava työntekijä, joka manipuloi suoraan ympäristöä, ihanteellinen reaaliaikaista tarkkuutta vaativiin tehtäviin. 3. Hallinta: Kuinka he tekevät päätöksiä Agentti: Seuraa hidasta, pohdiskelevaa silmukkaa: suunnittele, kutsu työkalua, arvioi tulos, toista. Se on token-sidottu (tekstinkäsittelyn rajoittama) ja verkkoon sidottu (odottaa API-vastauksia). Tämä tekee siitä järjestelmällisen, mutta hitaan reaaliaikaisissa tehtävissä. Käyttäjä: Toimii ja tekee vaiheittaisia päätöksiä tiukassa palautesilmukassa. Ajattele sitä kuin pelaaja, joka reagoi välittömästi siihen, mitä ruudulla on. Tämä nopeus mahdollistaa nesteen vuorovaikutuksen, mutta vaatii vankkaa reaaliaikaista käsittelyä. 4. Opittava data: Mikä ruokkii heidän koulutustaan Agentti: Koulutettu laajoihin tekstikorpuksiin, ohjeisiin, dokumentaatioon tai RAG-tietojoukkoihin (Retrieval-Augmented Generation). Se oppii kirjoista, koodista tai usein kysytyistä kysymyksistä ja on erinomainen päättelyssä jäsennellyn tiedon sijaan. Operaattori: Oppii demonstraatioista (esim. videot ihmisistä suorittamassa tehtäviä), etäkäyttölokeista tai palkitsemissignaaleista. Se on kuin oppimista katsomalla ja harjoittelemalla, täydellinen tehtäviin, joissa selkeät ohjeet ovat niukkoja. 5. Vikatilat: Missä ne rikkoutuvat Agentti: Altis hallusinaatioille (vastausten keksimiselle) tai hauraille pitkän horisontin suunnitelmille, jotka hajoavat, jos yksi askel epäonnistuu. Se on kuin strategi, joka ajattelee liikaa tai tulkitsee tilanteen väärin. Operaattori: Kohtaa kovariaattisen siirtymän (kun harjoitustiedot eivät vastaa todellisia olosuhteita) tai yhdistelmävirheitä ohjauksessa (pienet virheet lumipallo). Se on kuin kuljettaja menettäisi hallinnan tuntemattomalla tiellä. 6. Infra: Teknologia niiden takana Agentti: Käyttää kehotetta/reititintä päättääkseen, mitä työkaluja kutsutaan, työkalurekisteriin käytettävissä oleville funktioille ja muistiin/RAG:iin kontekstin saamiseksi. Se on modulaarinen kokoonpano, kuten komentokeskus, joka orkestroi tehtäviä. Operaattori: Tarvitsee videon käsittelyputkia, toimintopalvelimen reaaliaikaista hallintaa varten, turvasuojan haitallisten toimintojen estämiseksi ja toistopuskurin kokemusten tallentamista varten. Se on tehokas järjestelmä, joka on rakennettu dynaamisiin ympäristöihin. 7. Missä kukin loistaa: Heidän makeat paikkansa Agentti: Hallitsee työnkulkuja, joissa on puhtaat sovellusliittymät (esim. liiketoimintaprosessien automatisointi), asiakirjojen päättely (esim. raporttien yhteenveto) tai koodin luominen. Se on sinun valintasi jäsenneltyihin, korkean tason tehtäviin. Operaattori: Toimii erinomaisesti sotkuisissa, API-rajattomissa ympäristöissä, kuten kömpelöissä käyttöliittymissä navigoinnissa, robottien ohjaamisessa tai pelimäisten tehtävien suorittamisessa. Jos siihen liittyy reaaliaikaista vuorovaikutusta arvaamattomien järjestelmien kanssa, VLA on kuningas. 8. Henkinen malli: Suunnittelija + tekijä Ajattele LLM-agenttia suunnittelijana: se jakaa monimutkaiset tehtävät selkeiksi, loogisiksi tavoitteiksi. VLA-operaattori on tekijä, joka toteuttaa nämä tavoitteet suorassa vuorovaikutuksessa pikselien tai fyysisten järjestelmien kanssa. Tarkistaja (toinen järjestelmä tai agentti) seuraa tuloksia onnistumisen varmistamiseksi. $CODEC

Entä jos sen sijaan, että katsoisimme ulospäin (DAT)" sen sijaan, että katsoisimme ulospäin (DAT)" Meillä on vain kehittyneempi teollisuus, joka ei enää osta niputettuja höyrylaitteita julkkiksilta? Jotka todellakin liittyvät tämän postauksen poimintoihin, mutta eivät tarkoita, etteikö ostajia olisi?

Härkämarkkinoiden notkahdukset on tarkoitettu ostettavaksi, erityisesti projekteissa, joissa on suuria katalyyttejä Me kaikki tiedämme, että tekoäly on tämän syklin kertomus, jonka ai16z ja Virtuals aloittivat viime vuonna. Veikkaan, että markkinat keskittyvät monimutkaisempiin ja kehittyneempiin teknologioihin, kuten VLA:ihin, ja haluan kertoa miksi. LLM:t (Large Language Models) lukevat ja kirjoittavat pääasiassa tekstiä: he ovat hyviä selittämään, suunnittelemaan ja luomaan ohjeita, mutta ne eivät yksinään ohjaa moottoreita tai ole vuorovaikutuksessa fyysisen maailman kanssa (kuten olet ehkä kokenut chatgpt:n kanssa). VLA:t (Vision Language Action -mallit) eroavat LLM:istä, koska ne ovat multimodaalisia järjestelmiä, jotka katsovat asioita (näkö), ymmärtävät ohjeita (kieli) ja tuottavat suoraan toimintoja. Se on kuin käskisi robottia poimimaan punaisen kupin ja sitten liikuttaisi kättään tehdäkseen sen. VLA:t on koulutettu esimerkeillä, jotka yhdistävät kuvat/video + ohjeet + todelliset toimintajäljet (kuinka robotti todella liikkui), ja niiden on toimittava nopeasti ja turvallisesti reaaliajassa. LLM:t puolestaan koulutetaan valtaviin tekstikokoelmiin ja keskittyvät päättely- ja kielitehtäviin. TALLIUM; DR LLM:t ajattelevat ja puhuvat, kun VLA:t näkevät, järkeilevät ja toimivat. Kuten näet, VLA:t ovat merkittävä lisä LLM:iin ja mahdollistavat erityisesti seuraavat 0-1 innovaatiot koko taloudessa, joka on robotiikka. Suurin osa sijoitusrahastoista kohdistaa suuren osan sijoituksistaan tälle alalle, jota pidetään tekoälyalan seuraavana loogisena kehityksenä. Tein jo jokin aika sitten postauksen kryptomarkkinoiden nykyisestä johtajasta @codecopenflow, joka ei kerännyt pääomaa (reilu lanseeraus), mutta toimittaa huippuluokan tuotteita ja on tällä hetkellä 23 miljoonan dollarin FDV:ssä. Tiedoksi, muut kryptokilpailijat keräsivät 20 miljoonaa dollaria (@openmind_agi) luultavasti 200–300 miljoonalla dollarilla ++ FDV, vaikka tuotetta tai yhteisöä ei ole vielä rakennettu ja toimitettu. Codecista tekee alan johtavan projektin se, että se ratkaisee robotiikan ja tekoälyn ratkaisevan pullonkaulan, joka on vaikeus saada kaikki tekoälytyökalut vuorovaikutukseen keskenään. Anna minun selittää. Heidän uusin julkaisunsa, OPTR (operaattori), on työkalupakki, joka auttaa rakentamaan operaattoreita, jotka pystyvät olemaan vuorovaikutuksessa useilla alustoilla, kuten roboteilla, työpöydillä, selaimilla tai simulaatioilla. Operaattorin tavoitteena on nähdä, järkeillä ja toimia (VLA) sekä digitaalisessa (tietokoneet) että fyysisessä (robotti) maailmassa. Tämä työkalupakki toimii keskeisenä infrastruktuurina robottitiimeille, jotka pyrkivät testaamaan tuotettaan ja tehostamaan kokonaisprosessia tarjoamalla yhtenäisen kokemuksen verkkoselaimille, simulaatioille tai roboteille tarkoitettujen erillisten kokemusten sijaan. Tämä tekee käyttäjästä olennaisesti mukautuvan ja itsenäisen ympäristöstä riippumatta. Joten saat sen, se säästää paljon aikaa yrityksiltä ja kehittäjiltä, jotka aiemmin joutuivat käymään läpi jokaisen vaiheen manuaalisesti ja missä voit säästää aikaa, voit säästää rahaa. Sen avulla Codec voi myös rakentaa omia operaattoriprojektejaan ja tuoda markkinoille suhteellisen nopeasti uutta kapasiteettia erityisesti markkinapaikkansa kautta. TALLIUM; DR: Olet luultavasti nähnyt videoita roboteista, jotka taittelevat nenäliinoja, lajittelevat laatikoita tai hyppäävät erilaisten elementtien päälle. Ne kaikki on koulutettu tähän hyvin erityiseen käyttötapaukseen, ja valitettavasti yhtä taitoa ei voida käyttää uudelleen toisessa ympäristössä, kuten ihminen voisi tehdä. Codecin OPTR ratkaisee tämän tekemällä taidoista siirrettäviä ympäristöjen ja tilanteiden välillä, mikä tekee koulutuksesta ja kehityksestä paljon nopeampaa ja halvempaa yrityksille. Tästä syystä Codec on niin mielenkiintoinen digitaalisen maailman yhdistämisessä fyysiseen maailmaan. $CODEC, koodattu.

Toinen viikko, toinen tutkimusartikkeli: tällä kertaa se on $CODEC Uskon aidosti, että tämä on yksi unohdetuimmista kryptorobotiikkakolikoista. Robotiikka on tulevaisuutta, mutta kryptoalalla ei ole paljon vetoja siitä. Tämä on yksi harvoista, voit vapaasti ottaa $CODEC pillereitä

Suosituimmat seurattavat kryptoäänet Tässä on osa 2 kuratoidusta luettelostani pakollisista Crypto KOL:ista: @xerocooleth – Kaito-tähti. Yhdistää haukkumisen viihteeseen, kohottaa pieniä tilejä ja julkaisee taukoamatta. @Louround_ – Tutkija, rakentaja, vaikuttaja. Todellinen monihattuinen legenda. @thelearningpill – Tuoton tuntija. "Gud Reads" -näyttelyn kuraattori ja ylpeä Aptos-maksi. @arndxt_xo – Makro sensei. Substack writoor, pisteiden yhdistäjä, valaisee CT:tä päivittäin. @0xCheeezzyyyy – Tuottomaksi + ohjattu infografiikka. Pendle shilloor puhtaalla visuaalisella ilmeellä. @eli5_defi – Infografiikan kuningas. Yksinkertaistaa DeFiä enemmän kuin mikään muu ja tukee aina pieniä tilejä. @theunipcs – 16k → 13M BONKilla. Juoksi HYÖDYTÖN 300 miljoonaan dollariin+. Jos meemit ovat sinun juttusi, hän on oppaasi. @0xAndrewMoh – BNB-ketju maxi. Kirjoittaa kerronnallisia lankoja. Omistaa 11 alttia, jotka tehostavat sinua, jos seuraat häntä. @poopmandefi – Nimi saattaa olla kakka, mutta tutkimus on ensiluokkaista. Sharp ottaa vastaan stablecoineja, altteja, riskipääomarahastoja ja paljon muuta. @rektdiomedes – Makroaivot. @thedailydegenhq, liftoorin, terveysmaksin kuraattori ja pienten tilien mestari. @YashasEdu – Kirjoittaa DeFi-, DeFAI- ja L2-tiedostoissa. Toistaiseksi pieni, mutta tuleva iso ääni tekeillä. @0x_Kun – Suoraviivainen. Puhuu kaupankäynnin kurinalaisuudesta, rahanhallinnasta ja makrosta ilman BS:ää. Osat 3 ja 4 pudotetaan tulevina viikkoina, joten viritty!

Käytä tätä lauantai-iltapäivää muistutuksena lukea tutkimusartikkeleita, järjestää kansioita, sisäisiä prosesseja ja työnkulkuja uudelleen. Jatkuva kehittyminen ja opiskelu on avainasemassa tällä nopeasti muuttuvalla alalla.

Viikoittain käyttämäni protokollat (mukaan lukien lompakot): @HyperliquidX @Lighter_xyz @Rabby_io @phantom @DeBankDeFi @DefiLlama Aggregaattori @JupiterExchange @debridge @defidotapp Häh?

Enemmän $HYPE tämän notkahduksen perusteella perustelut ovat hyvin yksinkertaiset: kun volyymi nousee (pumppujen tai kaatopaikkojen aiheuttamina), HL tuottaa paljon volyymia, maksuja ja likvidaatioita, jotka on allokoitu takaisinostoon. TALLIUM; DR: Talo voittaa aina. Tämän lisäksi näyttää siltä, että robotiikan tulevaisuus ei $CODEC halunnut laskea, joten ostin kuitenkin lisää. Se oli loistava nollaus, jota tarvittiin markkinoiden nousuun, nyt seuraamme tarkasti elokuun 🤝 loppua

Lopultakin saatan olla nollatuloksessa ostoksissani 1370 päivän hallussapidon jälkeen En malta odottaa 🚀