一站式 Web3 探索中心 | 去中心化应用商店 & Web3 线下活动

热门话题

CodecFlow

AI Operators 和 Robotics on @Solana 的执行层 CA：69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump

VLAs 仍然非常新，很多人发现很难理解 VLAs 和 LLMs 之间的区别。这里深入探讨这些 AI 系统在推理、感知和行动方面的不同。第一部分。让我们分解关键区别，以及围绕 LLM 包装的 AI 代理与使用 VLA 模型的操作代理之间的不同： 1. 感知：它们如何感知世界代理（LLM）：处理文本或结构化数据，例如 JSON、API，有时还包括图像。就像一个大脑处理干净、抽象的输入。想象一下阅读手册或解析电子表格。适合结构化环境，但受限于输入的数据。操作员（VLA）：从摄像头获取原始实时像素，以及传感器数据（例如触摸、位置）和本体感知（对运动的自我意识）。就像用眼睛和感官在世界中导航，适应动态、混乱的环境，如用户界面或物理空间。 2. 行动：它们如何互动代理：通过调用函数、工具或 API 来行动。想象它像一个经理发送精确的指令，比如“通过 Expedia API 预订航班。”这是有意的，但依赖于预构建的工具和清晰的接口。操作员：执行连续的低级动作，如移动鼠标光标、打字或控制机器人关节。就像一个熟练的工人直接操控环境，适合需要实时精确的任务。 3. 控制：它们如何做出决策代理：遵循一个缓慢的反思循环：计划、调用工具、评估结果、重复。它是受限于令牌（受限于文本处理）和网络（等待 API 响应）。这使得它在实时任务中显得方法论但缓慢。操作员：在紧密的反馈循环中进行逐步决策。想象一下一个玩家对屏幕上的内容做出即时反应。这种速度使得流畅的互动成为可能，但需要强大的实时处理能力。 4. 学习数据：什么推动它们的训练代理：在大量文本语料库、指令、文档或 RAG（检索增强生成）数据集上进行训练。它从书籍、代码或常见问题中学习，擅长对结构化知识进行推理。操作员：从演示（例如人类执行任务的视频）、远程操作日志或奖励信号中学习。就像通过观察和实践学习，适合那些明确指令稀缺的任务。 5. 失败模式：它们的弱点代理：容易出现幻觉（编造答案）或脆弱的长远计划，如果一步失败就会崩溃。就像一个过度思考或误读情况的战略家。操作员：面临协变量偏移（当训练数据与真实世界条件不匹配）或控制中的累积错误（小错误积累）。就像一个司机在不熟悉的道路上失去控制。 6. 基础设施：它们背后的技术代理：依赖于提示/路由器来决定调用哪些工具，工具注册表用于可用功能，以及内存/RAG 用于上下文。这是一个模块化的设置，就像一个指挥中心协调任务。操作员：需要视频摄取管道、实时控制的动作服务器、安全保护以防止有害行为，以及重放缓冲区来存储经验。这是一个为动态环境构建的高性能系统。 7. 各自的优势：它们的甜蜜点代理：在具有干净 API 的工作流程中占主导地位（例如，自动化业务流程）、对文档进行推理（例如，总结报告）或代码生成。它是结构化、高级任务的首选。操作员：在混乱、没有 API 的环境中表现出色，如导航笨重的用户界面、控制机器人或处理游戏般的任务。如果涉及与不可预测系统的实时互动，VLA 是王者。 8. 心智模型：规划者 + 执行者将 LLM 代理视为规划者：它将复杂任务分解为清晰、逻辑的目标。 VLA 操作员是执行者，通过直接与像素或物理系统互动来执行这些目标。一个检查者（另一个系统或代理）监控结果以确保成功。 $CODEC

Codecflow Optr 提供了一种统一的方法来构建能够在数字和物理环境中观察、推理和行动的智能体。无论是自动化桌面工作流程、控制机器人手臂，还是在模拟中进行测试，它都使用相同的思维模型和基本元素。

在牛市中，回调是值得买入的，尤其是那些有重大催化剂的项目。我们都知道，人工智能是这一周期的叙事，由ai16z和Virtuals在去年开始。我认为市场将关注更复杂和更先进的技术，如VLA，让我告诉你原因。 LLM（大型语言模型）主要是读取和写作文本：它们擅长解释、规划和生成指令，但它们本身并不控制电机或与物理世界互动（正如你可能在使用chatgpt时体验到的）。 VLA（视觉语言行动模型）与LLM不同，因为它们是多模态系统，能够观察事物（视觉）、理解指令（语言）并直接产生行动。就像告诉机器人去拿一个红色的杯子，然后它的手臂就会移动去做这件事。 VLA是通过将图像/视频 + 指令 + 实际行动轨迹（机器人实际移动的方式）配对的示例进行训练的，并且它们必须在实时中快速且安全地运行。LLM则是通过大量文本集合进行训练，专注于推理和语言任务。简而言之，LLM思考和说话，而VLA则观察、推理和行动。正如你所看到的，VLA是对LLM的重大补充，将显著推动整体经济中0到1的创新，即机器人技术。大多数投资基金正在将大量投资分配到这个被视为人工智能行业下一个逻辑演变的领域。我之前已经发布了一篇关于加密市场当前领导者@codecopenflow的帖子，该项目没有筹集资金（公平启动），但正在推出尖端产品，目前市值为2300万美元。作为参考，其他加密竞争者筹集了2000万美元（@openmind_agi），其市值可能在2亿到3亿以上，而尚未建立和推出任何产品或社区。 Codec在该领域成为领先项目的原因在于它们解决了机器人和人工智能中的一个关键瓶颈，即让所有人工智能工具相互互动的困难。让我来解释一下。他们最新发布的OPTR（操作员）是一个工具包，帮助构建能够在多个平台上互动的操作员，如机器人、桌面、浏览器或模拟。操作员的目标是在数字（计算机）和物理（机器人）世界中观察、推理和行动（VLA）。这个工具包作为机器人团队的核心基础设施，旨在测试他们的产品并通过提供统一的体验来增强整体过程，而不是为网页浏览器、模拟或机器人提供单独的体验。这本质上使得操作员在其环境中具有适应性和自主性。所以你明白了，这将为那些之前必须手动完成每一步的公司和开发者节省大量时间，而节省时间就意味着节省金钱。这也将使Codec能够快速构建自己的操作员项目，并通过他们的市场相对快速地推出新能力。简而言之：你可能见过机器人折叠纸巾、分类箱子或在各种元素上跳跃的视频。它们都是为这个非常特定的用例进行训练的，不幸的是，一项技能无法像人类那样在另一个环境中重复使用。Codec的OPTR通过使技能在环境和情境之间可转移来解决这个问题，使企业的培训和开发变得更快、更便宜。这就是Codec在统一数字世界与物理世界方面如此有趣的原因。 $CODEC，Coded.