Loja DApp | Hub Web3 para eventos e jogos

Tópicos populares

CodecFlow

Camada de execução para Operadores de IA e Robótica em @Solana CA:69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump

Os VLAs ainda são muito novos e muitas pessoas acham difícil entender a diferença entre VLAs e LLMs. Aqui está uma análise aprofundada de como esses sistemas de IA diferem em raciocínio, percepção e ação. Parte 1. Vamos detalhar as principais distinções e como os agentes de IA envolvidos em um LLM diferem dos agentes operacionais que usam modelos VLA: 1. Perceber: Como eles percebem o mundo Agente (LLM): Processa texto ou dados estruturados, como JSON, APIs e, às vezes, imagens. É como um cérebro trabalhando com entradas limpas e abstraídas. Pense em ler um manual ou analisar uma planilha. Ótimo para ambientes estruturados, mas limitado pelo que é alimentado. Operador (VLA): Vê pixels brutos e em tempo real de câmeras, além de dados de sensores (por exemplo, toque, posição) e propriocepção (consciência de si mesmo em movimento). É como navegar pelo mundo com olhos e sentidos, prosperando em ambientes dinâmicos e desordenados, como interfaces de usuário ou espaços físicos. 2. Agir: Como eles interagem Agente: Age chamando funções, ferramentas ou APIs. Imagine-o como um gerente enviando instruções precisas, como "reserve um voo via Expedia API." É deliberado, mas depende de ferramentas pré-construídas e interfaces claras. Operador: Executa ações contínuas e de baixo nível, como mover um cursor de mouse, digitar ou controlar articulações de robôs. É como um trabalhador habilidoso manipulando diretamente o ambiente, ideal para tarefas que exigem precisão em tempo real. 3. Controle: Como eles tomam decisões Agente: Segue um ciclo lento e reflexivo: planejar, chamar uma ferramenta, avaliar o resultado, repetir. É limitado por tokens (restrito ao processamento de texto) e por rede (aguardando respostas de API). Isso o torna metódico, mas lento para tarefas em tempo real. Operador: Opera, tomando decisões passo a passo em um ciclo de feedback apertado. Pense nisso como um jogador reagindo instantaneamente ao que está na tela. Essa velocidade permite uma interação fluida, mas exige um processamento robusto em tempo real. 4. Dados para Aprender: O que alimenta seu treinamento Agente: Treinado em vastos corpora de texto, instruções, documentação ou conjuntos de dados RAG (Geração Aumentada por Recuperação). Aprende com livros, códigos ou FAQs, destacando-se no raciocínio sobre conhecimento estruturado. Operador: Aprende com demonstrações (por exemplo, vídeos de humanos realizando tarefas), registros de teleoperação ou sinais de recompensa. É como aprender assistindo e praticando, perfeito para tarefas onde instruções explícitas são escassas. 5. Modos de Falha: Onde eles quebram Agente: Propenso a alucinações (inventando respostas) ou planos de longo prazo frágeis que desmoronam se um passo falhar. É como um estrategista que pensa demais ou interpreta mal a situação. Operador: Enfrenta mudança de covariáveis (quando os dados de treinamento não correspondem às condições do mundo real) ou erros acumulativos no controle (pequenos erros se acumulam). É como um motorista perdendo o controle em uma estrada desconhecida. 6. Infraestrutura: A tecnologia por trás deles Agente: Depende de um prompt/router para decidir quais ferramentas chamar, um registro de ferramentas para funções disponíveis e memória/RAG para contexto. É uma configuração modular, como um centro de comando orquestrando tarefas. Operador: Necessita de pipelines de ingestão de vídeo, um servidor de ações para controle em tempo real, um escudo de segurança para prevenir ações prejudiciais e um buffer de replay para armazenar experiências. É um sistema de alto desempenho construído para ambientes dinâmicos. 7. Onde Cada Um Brilha: Seus pontos fortes Agente: Domina em fluxos de trabalho com APIs limpas (por exemplo, automatizando processos de negócios), raciocínio sobre documentos (por exemplo, resumindo relatórios) ou geração de código. É sua escolha para tarefas estruturadas e de alto nível. Operador: Destaca-se em ambientes desordenados, sem APIs, como navegar em interfaces de usuário complicadas, controlar robôs ou enfrentar tarefas semelhantes a jogos. Se envolve interação em tempo real com sistemas imprevisíveis, o VLA é o rei. 8. Modelo Mental: Planejador + Executor Pense no Agente LLM como o planejador: ele divide tarefas complexas em metas claras e lógicas. O Operador VLA é o executor, realizando essas metas interagindo diretamente com pixels ou sistemas físicos. Um verificador (outro sistema ou agente) monitora os resultados para garantir o sucesso. $CODEC

O Codecflow Optr oferece uma abordagem unificada para construir agentes que veem, raciocinam e agem em ambientes digitais e físicos. Seja automatizando fluxos de trabalho de desktop, controlando braços robóticos ou testando em simulação, utiliza o mesmo modelo mental e primitivos.

As quedas num mercado em alta devem ser aproveitadas, especialmente em projetos com grandes catalisadores. Todos sabemos que a IA é a narrativa deste ciclo, iniciada pela ai16z e pelos Virtuals no ano passado. A minha aposta é que o mercado se concentrará em tecnologias mais complexas e sofisticadas, como os VLAs, e deixe-me explicar por quê. Os LLMs (Modelos de Linguagem de Grande Escala) leem e escrevem principalmente texto: são ótimos para explicar, planejar e gerar instruções, mas não controlam motores nem interagem com o mundo físico (como você pode ter experienciado com o chatgpt). Os VLAs (Modelos de Ação de Linguagem Visual) diferem dos LLMs, pois são sistemas multimodais que observam coisas (visão), entendem instruções (linguagem) e produzem ações diretamente. É como dizer a um robô para pegar um copo vermelho e depois mover seu braço para fazê-lo. Os VLAs são treinados com exemplos que combinam imagens/vídeos + instruções + rastros de ação reais (como um robô realmente se moveu), e devem operar rapidamente e com segurança em tempo real. Os LLMs, por sua vez, são treinados em enormes coleções de texto e se concentram em raciocínio e tarefas de linguagem. Resumindo: os LLMs pensam e falam, enquanto os VLAs veem, raciocinam e agem. Como você pode ver, os VLAs são uma grande adição aos LLMs e permitirão notavelmente a próxima inovação de 0 a 1 na economia geral, que será a robótica. A maioria dos fundos de investimento está alocando uma grande parte de seus investimentos neste setor, visto como a próxima evolução lógica na indústria de IA. Já fiz uma postagem há algum tempo sobre o atual líder no mercado de cripto, @codecopenflow, que não levantou capital (lançamento justo), mas está entregando produtos de ponta e atualmente está avaliado em $23M FDV. Para informação, outros concorrentes de cripto levantaram $20m (@openmind_agi) em um FDV que provavelmente é de $200M a $300M ++, enquanto nenhum produto ou comunidade foi construído e lançado ainda. O que torna a Codec um projeto líder no setor é que eles abordam um gargalo crucial na robótica e na IA, que é a dificuldade de fazer todas as ferramentas de IA interagirem entre si. Deixe-me explicar. O seu último lançamento, OPTR (operador), é um kit de ferramentas que ajuda a construir operadores capazes de interagir em várias plataformas, como robôs, desktops, navegadores ou simulações. O objetivo de um operador é ver, raciocinar e agir (VLA) tanto no mundo digital (computadores) quanto no físico (robôs). Este kit de ferramentas serve como infraestrutura central para equipes robóticas que visam testar seu produto e aprimorar o processo geral, proporcionando uma experiência unificada em vez de separadas para navegadores da web, simulações ou robôs. Isso essencialmente torna o operador adaptável e autônomo, independentemente do seu ambiente. Então, você entendeu, isso economizará muito tempo para empresas e desenvolvedores que anteriormente tinham que passar por cada etapa manualmente e onde você pode economizar tempo, pode economizar dinheiro. Isso também permitirá que a Codec construa seus próprios projetos de operador e lance novas capacidades relativamente rápido no mercado, notavelmente através de seu marketplace. Resumindo: Você provavelmente já viu vídeos de robôs dobrando lenços, classificando caixas ou pulando em vários elementos. Todos foram treinados para este caso de uso muito específico e, infelizmente, uma habilidade não pode ser reutilizada em outro ambiente como um humano poderia fazer. O OPTR da Codec resolve isso tornando as habilidades transferíveis entre ambientes e situações, tornando o treinamento e o desenvolvimento muito mais rápidos e baratos para as empresas. É por isso que a Codec é tão interessante ao unificar o mundo digital com o mundo físico. $CODEC, Coded.

Estamos felizes em ver a comunidade chinesa notando o CodecFlow e adorando o que estamos a construir. 欢迎你们. Estamos apenas a começar. Muito mais por vir.

O PUMP da venda pública terminou, originalmente eu também tinha uma grande quantia na Bybit, deixando apenas 1/2 na blockchain, no final só consegui o que estava na blockchain, ainda bem que não fiz hedge antecipadamente... Falando nisso, recentemente muitas pessoas na comunidade de IA estão discutindo sobre VLA (Vision‑Language‑Action). Fui investigar se havia algum projeto na blockchain relacionado ao VLA e encontrei este projeto CodecFlow @Codecopenflow, comprei um pouco. == O que faz o projeto CodecFlow == Uma breve introdução ao VLA, VLA é uma arquitetura de modelo que permite que a IA não apenas "fale", mas também "faça". Os LLMs tradicionais (como o GPT) só conseguem entender a linguagem e fornecer sugestões, mas não conseguem executar ações, não clicam na tela, não pegam objetos. O modelo VLA significa que integra três grandes capacidades: 1. Visão: entender imagens, capturas de tela, entradas de câmeras ou dados de sensores. 2. Linguagem: compreender comandos em linguagem natural humana. 3. Ação: gerar comandos executáveis, como cliques do mouse, entradas de teclado, controle de braços robóticos. O CodecFlow está desenvolvendo VLA na blockchain, todos os processos operacionais podem ser registrados na blockchain, auditáveis, verificáveis e liquidáveis. Em resumo, é a infraestrutura básica de um "robô de IA". == Por que estou prestando atenção neste projeto? == Descobri que os desenvolvedores deles são contribuintes principais do projeto de código aberto LeRobot, que é o projeto mais popular na área de VLA! O LeRobot é a base de topo para a construção de modelos VLA no mundo do código aberto, incluindo o SmolVLA, que pode ser executado em laptops. Isso significa que essa equipe realmente entende a arquitetura VLA e robótica. Vejo que eles continuam a construir, e o preço da moeda está subindo de forma estável, eu realmente acredito na pista do VLA, e olhando para a tendência geral, VLA e robótica realmente têm um futuro no mercado. • Os gigantes do Web2 (Google, Meta, Tesla) estão atualmente investindo pesadamente em treinamento de VLA e robótica; • Há poucos projetos no Web3 que conseguem executar tarefas com aplicações VLA, que ainda são muito raras. • O VLA tem a oportunidade de gerar um enorme valor em cenários como DePIN, automação na web e execução de agentes de IA na blockchain. CA: 69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump Sempre faça sua própria pesquisa (DYOR).

Top

Classificação

Favoritos

Tendências on-chain

Popular no X

Principais financiamentos atuais

Mais notável