Kami sudah diam sebentar. Waktu telah berlalu, pekerjaan belum. Steak Studio segar dan lebih kuat dari sebelumnya 🥩 Dan terima kasih kepada @bodotne atas pekerjaan yang luar biasa.

VLA masih sangat baru dan banyak orang merasa sulit untuk memahami perbedaan antara VLA dan LLM. Berikut adalah penyelaman mendalam tentang bagaimana sistem AI ini berbeda dalam penalaran, penginderaan, dan tindakan. Bagian 1. Mari kita uraikan perbedaan utama dan bagaimana agen AI yang dibungkus di sekitar LLM berbeda dari agen operator yang menggunakan model VLA: 1. Rasa: Bagaimana mereka memandang dunia Agen (LLM): Memproses teks atau data terstruktur misalnya JSON, API, dan terkadang gambar. Ini seperti otak yang bekerja dengan input yang bersih dan abstrak. Pikirkan membaca manual atau mengurai spreadsheet. Bagus untuk lingkungan terstruktur tetapi dibatasi oleh apa yang diumpankan ke dalamnya. Operator (VLA): Melihat piksel mentah dan real-time dari kamera, ditambah data sensor (misalnya, sentuhan, posisi) dan proprioception (kesadaran diri akan gerakan). Ini seperti menavigasi dunia dengan mata dan indera, berkembang dalam pengaturan yang dinamis dan berantakan seperti UI atau ruang fisik. 2. Bertindak: Bagaimana mereka berinteraksi Agen: Bertindak dengan memanggil fungsi, alat, atau API. Bayangkan sebagai manajer yang mengirimkan instruksi yang tepat seperti "pesan penerbangan melalui Expedia API." Ini disengaja tetapi bergantung pada alat yang dibuat sebelumnya dan antarmuka yang jelas. Operator: Menjalankan tindakan tingkat rendah yang berkelanjutan, seperti menggerakkan kursor mouse, mengetik, atau mengontrol sambungan robot. Ini seperti pekerja terampil yang secara langsung memanipulasi lingkungan, ideal untuk tugas-tugas yang membutuhkan presisi waktu nyata. 3. Kontrol: Bagaimana mereka membuat keputusan Agen: Mengikuti perulangan reflektif yang lambat: rencanakan, panggil alat, evaluasi hasilnya, ulangi. Ini terikat token (dibatasi oleh pemrosesan teks) dan terikat jaringan (menunggu respons API). Ini membuatnya metodis tetapi lamban untuk tugas waktu nyata. Operator: Beroperasi, membuat keputusan bertahap dalam lingkaran umpan balik yang ketat. Anggap saja seperti seorang gamer yang bereaksi langsung terhadap apa yang ada di layar. Kecepatan ini memungkinkan interaksi yang lancar tetapi menuntut pemrosesan real-time yang kuat. 4. Data untuk Dipelajari: Apa yang mendorong pelatihan mereka Agen: Dilatih pada corpora teks, instruksi, dokumentasi, atau himpunan data RAG (Retrieval-Augmented Generation) yang luas. Itu belajar dari buku, kode, atau FAQ, unggul dalam penalaran daripada pengetahuan terstruktur. Operator: Belajar dari demonstrasi (misalnya, video manusia melakukan tugas), log teleoperasi, atau sinyal hadiah. Ini seperti belajar dengan menonton dan berlatih, sempurna untuk tugas-tugas di mana instruksi eksplisit langka. 5. Mode Kegagalan: Di mana mereka rusak Agen: Rentan terhadap halusinasi (mengarang jawaban) atau rencana jangka panjang rapuh yang berantakan jika satu langkah gagal. Ini seperti ahli strategi yang terlalu memikirkan atau salah membaca situasi. Operator: Menghadapi pergeseran kovariat (ketika data pelatihan tidak sesuai dengan kondisi dunia nyata) atau kesalahan majemuk dalam kontrol (bola salju kesalahan kecil). Ini seperti pengemudi yang kehilangan kendali di jalan yang tidak dikenal. 6. Infra: Teknologi di balik mereka Agen: Mengandalkan prompt/router untuk memutuskan alat mana yang akan dipanggil, registri alat untuk fungsi yang tersedia, dan memori/RAG untuk konteks. Ini adalah pengaturan modular, seperti pusat komando yang mengatur tugas. Operator: Memerlukan alur penyerapan video, server tindakan untuk kontrol waktu nyata, perisai pengaman untuk mencegah tindakan berbahaya, dan buffer pemutaran ulang untuk menyimpan pengalaman. Ini adalah sistem berkinerja tinggi yang dibangun untuk lingkungan dinamis. 7. Di Mana Masing-masing Bersinar: Sweet spot mereka Agen: Mendominasi alur kerja dengan API yang bersih (misalnya, mengotomatiskan proses bisnis), penalaran atas dokumen (misalnya, meringkas laporan), atau pembuatan kode. Ini adalah pilihan Anda untuk tugas tingkat tinggi yang terstruktur. Operator: Unggul dalam lingkungan yang berantakan dan tanpa API seperti menavigasi UI yang kikuk, mengontrol robot, atau menangani tugas seperti game. Jika melibatkan interaksi real-time dengan sistem yang tidak dapat diprediksi, VLA adalah raja. 8. Model Mental: Perencana + Pelaku Pikirkan Agen LLM sebagai perencana: ia memecah tugas kompleks menjadi tujuan yang jelas dan logis. Operator VLA adalah pelakunya, melaksanakan tujuan tersebut dengan berinteraksi langsung dengan piksel atau sistem fisik. Pemeriksa (sistem atau agen lain) memantau hasil untuk memastikan keberhasilan. $CODEC

Bagaimana jika alih-alih "kita tidak memiliki pembeli, itu sebabnya kita melihat ke luar (DAT)" Kami hanya memiliki industri yang lebih canggih yang tidak membeli vaporware yang dibundel dari selebriti lagi? Yang memang berhubungan dengan poin dari posting ini tetapi tidak berarti tidak ada pembeli?

Penurunan di pasar bullish dimaksudkan untuk dibeli, terutama pada proyek dengan katalis besar Kita semua tahu bahwa AI adalah narasi dari siklus ini, yang dimulai oleh ai16z dan Virtuals tahun lalu. Taruhan saya adalah bahwa pasar akan fokus pada teknologi yang lebih kompleks dan canggih seperti VLA, dan izinkan saya memberi tahu Anda alasannya. LLM (Model Bahasa Besar) terutama membaca dan menulis teks: mereka hebat dalam menjelaskan, merencanakan, dan menghasilkan instruksi, tetapi mereka tidak dengan sendirinya mengontrol motor atau berinteraksi dengan dunia fisik (seperti yang mungkin Anda alami dengan chatgpt). VLA (model Vision Language Action) berbeda dari LLM karena merupakan sistem multimodal yang melihat sesuatu (visi), memahami instruksi (bahasa), dan secara langsung menghasilkan tindakan. Ini seperti menyuruh robot untuk mengambil cangkir merah dan kemudian menggerakkan lengannya untuk melakukannya. VLA dilatih pada contoh yang memasangkan gambar/video + instruksi + jejak aksi nyata (bagaimana robot benar-benar bergerak), dan mereka harus berjalan cepat dan aman secara real time. LLM di pihak mereka dilatih pada koleksi teks besar dan fokus pada penalaran dan tugas bahasa. TL; DR LLM berpikir dan berbicara dengan VLA melihat, beralasan, dan bertindak. Seperti yang Anda lihat, VLA adalah tambahan utama untuk LLM dan terutama akan memungkinkan inovasi 0 banding 1 berikutnya dalam ekonomi keseluruhan yang akan menjadi robotika. Mayoritas dana investasi mengalokasikan sebagian besar investasi mereka ke sektor ini, dipandang sebagai evolusi logis berikutnya dalam industri AI. Saya sudah membuat posting beberapa waktu yang lalu tentang pemimpin saat ini di pasar kripto, @codecopenflow, yang tidak mengumpulkan modal (peluncuran yang adil) namun mengirimkan produk mutakhir dan saat ini berada di $23 juta FDV. Sebagai informasi, pesaing kripto lainnya mengumpulkan $20 juta (@openmind_agi) dengan harga $200 juta hingga $300 juta ++ FDV sementara belum ada produk atau komunitas yang dibangun dan dikirim. Apa yang membuat Codec menjadi proyek terkemuka di sektor ini adalah bahwa mereka mengatasi kemacetan penting dalam robotika dan AI, yaitu kesulitan untuk membuat semua alat AI berinteraksi bersama. Izinkan saya menjelaskan. Rilis terbaru mereka, OPTR (operator), adalah toolkit yang membantu membangun operator yang mampu berinteraksi di berbagai platform seperti robot, desktop, browser, atau simulasi. Tujuan operator adalah untuk melihat, bernalar, dan bertindak (VLA) di dunia digital (komputer) dan fisik (robot). Toolkit ini berfungsi sebagai infrastruktur inti untuk tim robot yang bertujuan untuk menguji produk mereka dan meningkatkan keseluruhan proses dengan memberikan pengalaman terpadu, bukan pengalaman terpisah untuk browser web, simulasi, atau robot. Ini pada dasarnya membuat operator adaptif dan otonom terlepas dari lingkungannya. Jadi Anda mengerti, itu akan menghemat banyak waktu bagi perusahaan dan pengembang yang sebelumnya harus melalui setiap langkah secara manual dan di mana Anda dapat menghemat waktu, Anda dapat menghemat uang. Ini juga akan memungkinkan Codec untuk membangun proyek operator mereka sendiri dan meluncurkan kapasitas baru yang relatif cepat ke pasar, terutama melalui pasar mereka. TL; DR: Anda mungkin pernah melihat video robot melipat tisu, menyortir kotak, atau melompat ke berbagai elemen. Mereka semua telah dilatih untuk kasus penggunaan yang sangat spesifik ini, dan sayangnya, satu keterampilan tidak dapat digunakan kembali di lingkungan lain seperti yang bisa dilakukan manusia. OPTR dari Codec memecahkan ini dengan membuat keterampilan dapat ditransfer antar lingkungan dan situasi, membuat pelatihan dan pengembangan jauh lebih cepat dan lebih murah bagi perusahaan. Inilah sebabnya mengapa Codec sangat menarik dalam menyatukan dunia digital dengan dunia fisik. $CODEC, Dikodekan.

Minggu lain, artikel penelitian lain: kali ini $CODEC Saya benar-benar percaya ini adalah salah satu koin robotika yang paling diabaikan dalam kripto. Robotika adalah masa depan tetapi tidak banyak taruhan dalam kripto untuk itu. Ini adalah salah satu dari sedikit, jangan ragu untuk mendapatkan pil $CODEC

Suara Kripto Teratas untuk Diikuti Berikut Bagian 2 dari daftar KOL Crypto yang harus diikuti saya yang dikurasi: @xerocooleth – Bintang Kaito. Memadukan yapping dengan hiburan, mengangkat akun kecil, dan memposting tanpa henti. @Louround_ – Penelitian, Buildoor, Influencecoor. Legenda multi-topi sejati. @thelearningpill – Penikmat hasil. Kurator "Gud Reads" dan Aptos maxi yang bangga. @arndxt_xo – Makro sensei. Substack writoor, penghubung titik, mencerahkan CT setiap hari. @0xCheeezzyyyy – Menghasilkan maxi + wizard infografis. Pendle shilloor dengan visual yang bersih. @eli5_defi – Raja infografis. Menyederhanakan DeFi tidak seperti yang lain, selalu mendukung akun kecil. @theunipcs – Dari 16k → 13M dengan BONK. Berlari USELESS hingga $300M+. Jika meme adalah kesukaan Anda, dia adalah panduan Anda. @0xAndrewMoh – BNB chain maxi. Menulis utas naratif. Memiliki 11 alt yang akan meningkatkan Anda jika Anda mengikutinya. @poopmandefi – Nama mungkin kotoran, tetapi penelitian adalah premium. Sharp mengambil stablecoin, alt, VC & banyak lagi. @rektdiomedes – Otak makro. Kurator @thedailydegenhq, liftoor, health maxi, dan champion untuk rekening kecil. @YashasEdu – Menulis di seluruh DeFi, DeFAI, dan L2. Kecil untuk saat ini, tetapi suara besar di masa depan sedang dibuat. @0x_Kun – Penembak lurus. Berbicara tentang disiplin perdagangan, pengelolaan uang, dan makro tanpa BS. Bagian 3 dan 4 akan dirilis dalam beberapa minggu mendatang, jadi tay ditel!

Menggunakan Sabtu sore ini sebagai pengingat untuk membaca artikel penelitian, mengatur ulang folder, proses internal, alur kerja. Terus meningkatkan dan belajar adalah kunci dalam industri yang bergerak cepat ini.

Protokol yang saya gunakan setiap minggu (termasuk dompet): @HyperliquidX @Lighter_xyz @Rabby_io @phantom @DeBankDeFi @DefiLlama Agregator @JupiterExchange @debridge @defidotapp Apa lagi?

Berbelanja lebih $HYPE pada penurunan ini, alasannya sangat sederhana: ketika volume melonjak (disebabkan oleh pompa atau dump), HL menghasilkan banyak volume, biaya, dan likuidasi, yang dialokasikan untuk pembelian kembali. TL; DR: rumah selalu menang. Selain itu, tampaknya masa depan robotika, $CODEC, tidak ingin menurun, jadi saya tetap membeli lebih banyak. Itu adalah reset yang hebat, sangat dibutuhkan agar pasar naik lebih tinggi, sekarang kami dengan cermat mengawasi sisa bulan Agustus 🤝

Akhirnya saya mungkin impas pada pembelian saya setelah bertahan selama 1370 hari Tidak sabar 🚀