DApp Store | Web3 Hub tapahtumille ja peleille

Trendaavat aiheet

CodecFlow

Toteutuskerros tekoälyoperaattoreille ja robotiikalle @Solana CA:69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump

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

Codecflow Optr tarjoaa yhtenäisen lähestymistavan rakennusagentteihin, jotka näkevät, järkeilevät ja toimivat digitaalisissa ja fyysisissä ympäristöissä. Olipa kyse sitten työpöydän työnkulkujen automatisoinnista, robottikäsien ohjaamisesta tai simulaatiotestauksesta, se käyttää samaa mentaalista mallia ja primitiiviä.

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.

Olemme iloisia nähdessämme kiinalaisen yhteisön huomaavan CodecFlow'n ja rakastavan sitä, mitä rakennamme. Tervetuloa. Olemme vasta aloittamassa. Paljon lisää on tulossa.

Johtavat

Rankkaus

Suosikit

Ketjussa trendaava

Trendaa X:ssä

Viimeisimmät suosituimmat rahoitukset

Merkittävin