Siamo stati un po' in silenzio. Il tempo è passato, il lavoro no. Steak Studio è rinnovato e più forte che mai 🥩 E grazie a @bodotne per il lavoro straordinario.

I VLA sono ancora molto nuovi e molte persone trovano difficile comprendere la differenza tra VLA e LLM. Ecco un'analisi approfondita su come questi sistemi AI differiscono in ragionamento, percezione e azione. Parte 1. Analizziamo le principali distinzioni e come gli agenti AI avvolti attorno a un LLM differiscano dagli agenti operativi che utilizzano modelli VLA: 1. Percezione: Come percepiscono il mondo Agente (LLM): Elabora testo o dati strutturati, ad esempio JSON, API e a volte immagini. È come un cervello che lavora con input puliti e astratti. Pensa a leggere un manuale o analizzare un foglio di calcolo. Ottimo per ambienti strutturati ma limitato da ciò che gli viene fornito. Operatore (VLA): Vede pixel grezzi e in tempo reale dalle telecamere, oltre ai dati dei sensori (ad es., tatto, posizione) e alla propriocezione (consapevolezza del movimento). È come navigare nel mondo con occhi e sensi, prosperando in ambienti dinamici e disordinati come interfacce utente o spazi fisici. 2. Azione: Come interagiscono Agente: Agisce chiamando funzioni, strumenti o API. Immaginalo come un manager che invia istruzioni precise come "prenota un volo tramite l'API di Expedia." È deliberato ma si basa su strumenti predefiniti e interfacce chiare. Operatore: Esegue azioni continue e a basso livello, come muovere un cursore del mouse, digitare o controllare le articolazioni di un robot. È come un lavoratore esperto che manipola direttamente l'ambiente, ideale per compiti che richiedono precisione in tempo reale. 3. Controllo: Come prendono decisioni Agente: Segue un ciclo lento e riflessivo: pianifica, chiama uno strumento, valuta il risultato, ripete. È vincolato ai token (limitato dall'elaborazione del testo) e vincolato alla rete (in attesa delle risposte API). Questo lo rende metodico ma lento per compiti in tempo reale. Operatore: Opera, prendendo decisioni passo dopo passo in un ciclo di feedback stretto. Pensa a un videogiocatore che reagisce istantaneamente a ciò che appare sullo schermo. Questa velocità consente un'interazione fluida ma richiede un'elaborazione robusta in tempo reale. 4. Dati per apprendere: Cosa alimenta il loro addestramento Agente: Addestrato su vasti corpora di testo, istruzioni, documentazione o set di dati RAG (Generazione Aumentata da Recupero). Impara da libri, codice o FAQ, eccellendo nel ragionamento su conoscenze strutturate. Operatore: Impara da dimostrazioni (ad es., video di umani che eseguono compiti), registri di teleoperazione o segnali di ricompensa. È come imparare guardando e praticando, perfetto per compiti in cui le istruzioni esplicite sono scarse. 5. Modi di fallimento: Dove si rompono Agente: Incline all'allucinazione (inventare risposte) o a piani a lungo termine fragili che si rompono se un passo fallisce. È come un stratega che riflette troppo o interpreta male la situazione. Operatore: Affronta il cambiamento di covariate (quando i dati di addestramento non corrispondono alle condizioni del mondo reale) o errori composti nel controllo (piccoli errori che si accumulano). È come un guidatore che perde il controllo su una strada sconosciuta. 6. Infrastruttura: La tecnologia dietro di loro Agente: Si basa su un prompt/router per decidere quali strumenti chiamare, un registro degli strumenti per le funzioni disponibili e memoria/RAG per il contesto. È un setup modulare, come un centro di comando che orchestra i compiti. Operatore: Ha bisogno di pipeline di ingestione video, un server di azione per il controllo in tempo reale, uno scudo di sicurezza per prevenire azioni dannose e un buffer di riproduzione per memorizzare le esperienze. È un sistema ad alte prestazioni costruito per ambienti dinamici. 7. Dove brillano: I loro punti di forza Agente: Domina nei flussi di lavoro con API pulite (ad es., automazione dei processi aziendali), ragionamento su documenti (ad es., riassumere rapporti) o generazione di codice. È il tuo punto di riferimento per compiti strutturati e di alto livello. Operatore: Eccelle in ambienti disordinati, privi di API, come navigare in interfacce utente ingombranti, controllare robot o affrontare compiti simili a giochi. Se comporta interazione in tempo reale con sistemi imprevedibili, il VLA è il re. 8. Modello mentale: Pianificatore + Esecutore Pensa all'Agente LLM come al pianificatore: scompone compiti complessi in obiettivi chiari e logici. L'Operatore VLA è l'esecutore, che realizza quegli obiettivi interagendo direttamente con pixel o sistemi fisici. Un controllore (un altro sistema o agente) monitora i risultati per garantire il successo. $CODEC

E se invece di "non abbiamo acquirenti, ecco perché guardiamo all'esterno (DAT)" avessimo semplicemente un'industria più sofisticata che non acquista più vaporware confezionato da celebrità? Che in effetti si ricollega ai punti chiave di questo post, ma non significa che non ci siano acquirenti?

I ribassi in un mercato rialzista devono essere acquistati, specialmente su progetti con grandi catalizzatori. Sappiamo tutti che l'AI è la narrativa di questo ciclo, iniziata da ai16z e Virtuals lo scorso anno. La mia scommessa è che il mercato si concentrerà su tecnologie più complesse e sofisticate come i VLA, e lasciami spiegarti perché. I LLM (Modelli di Linguaggio di Grandi Dimensioni) leggono e scrivono principalmente testo: sono ottimi per spiegare, pianificare e generare istruzioni, ma non controllano di per sé motori o interagiscono con il mondo fisico (come potresti aver sperimentato con chatgpt). I VLA (Modelli di Visione Linguaggio Azione) si differenziano dagli LLM in quanto sono sistemi multimodali che osservano le cose (visione), comprendono istruzioni (linguaggio) e producono direttamente azioni. È come dire a un robot di prendere una tazza rossa e poi muovere il suo braccio per farlo. I VLA sono addestrati su esempi che abbinano immagini/video + istruzioni + tracce di azione reali (come un robot si è effettivamente mosso), e devono funzionare rapidamente e in sicurezza in tempo reale. Gli LLM, dal canto loro, sono addestrati su enormi collezioni di testo e si concentrano su ragionamento e compiti linguistici. TL;DR: Gli LLM pensano e parlano mentre i VLA vedono, ragionano e agiscono. Come puoi vedere, i VLA sono un'aggiunta importante agli LLM e abiliteranno notevolmente la prossima innovazione da 0 a 1 nell'economia complessiva che sarà la robotica. La maggior parte dei fondi di investimento sta allocando una grande parte dei loro investimenti in questo settore, visto come la prossima evoluzione logica nell'industria dell'AI. Ho già fatto un post tempo fa sul leader attuale nel mercato delle criptovalute, @codecopenflow, che non ha raccolto capitali (lancio equo) ma sta già spedendo prodotti all'avanguardia e attualmente ha un FDV di $23M. Per informazione, altri concorrenti crypto hanno raccolto $20m ( @openmind_agi) a quello che probabilmente è un FDV di $200M a $300M ++ mentre nessun prodotto o comunità è stata costruita e spedita finora. Ciò che rende Codec un progetto leader nel settore è che affrontano un collo di bottiglia cruciale nella robotica e nell'AI, che è la difficoltà di far interagire tutti gli strumenti AI insieme. Lasciami spiegare. Il loro ultimo rilascio, OPTR (operatore), è un toolkit che aiuta a costruire operatori capaci di interagire su più piattaforme come robot, desktop, browser o simulazioni. L'obiettivo di un operatore è vedere, ragionare e agire (VLA) sia nei mondi digitali (computer) che fisici (robot). Questo toolkit funge da infrastruttura fondamentale per i team robotici che mirano a testare il loro prodotto e migliorare l'intero processo fornendo un'esperienza unificata invece di esperienze separate per browser web, simulazioni o robot. Questo rende essenzialmente l'operatore adattivo e autonomo indipendentemente dal suo ambiente. Quindi capisci, farà risparmiare molto tempo alle aziende e agli sviluppatori che in precedenza dovevano seguire ogni passaggio manualmente e dove puoi risparmiare tempo puoi risparmiare denaro. Consentirà anche a Codec di costruire i propri progetti di operatori e lanciare nuove capacità relativamente rapidamente sul mercato, in particolare attraverso il loro marketplace. TL;DR: Probabilmente hai visto video di robot che piegano fazzoletti, ordinano scatole o saltano su vari elementi. Sono stati tutti addestrati per questo caso d'uso molto specifico, e sfortunatamente, una competenza non può essere riutilizzata in un altro ambiente come potrebbe fare un umano. OPTR di Codec risolve questo rendendo le competenze trasferibili tra ambienti e situazioni, rendendo l'addestramento e lo sviluppo molto più veloci e meno costosi per le imprese. Ecco perché Codec è così interessante nell'unificare il mondo digitale con il mondo fisico. $CODEC, Coded.

Un'altra settimana, un altro articolo di ricerca: questa volta è $CODEC Credo sinceramente che questa sia una delle criptovalute nel settore della robotica più sottovalutate. La robotica è il futuro, ma non ci sono molte scommesse in crypto per questo. Questa è una delle poche, sentiti libero di farti coinvolgere da $CODEC.

Le migliori voci crypto da seguire Ecco la Parte 2 della mia lista curata di KOL crypto da seguire assolutamente: @xerocooleth – Star di Kaito. Mescola chiacchiere con intrattenimento, sostiene i piccoli account e posta senza sosta. @Louround_ – Il Researchoor, Buildoor, Influencoor. Una vera leggenda con più cappelli. @thelearningpill – Connoisseur dei rendimenti. Curatore di "Gud Reads" e orgoglioso maxi di Aptos. @arndxt_xo – Sensei macro. Scrittore su Substack, connettore di punti, illumina CT ogni giorno. @0xCheeezzyyyy – Maxi dei rendimenti + mago delle infografiche. Pendle shilloor con visual pulite. @eli5_defi – Re delle infografiche. Semplifica DeFi come nessun altro, sempre a sostegno dei piccoli account. @theunipcs – Da 16k → 13M con BONK. Ha portato USELESS a oltre $300M. Se i meme sono il tuo forte, lui è la tua guida. @0xAndrewMoh – Maxi della catena BNB. Scrive thread narrativi. Possiede 11 altcoin che ti faranno crescere se lo segui. @poopmandefi – Il nome potrebbe essere "poop", ma la ricerca è di alta qualità. Analisi acute su stablecoin, altcoin, VCs e altro. @rektdiomedes – Mente macro. Curatore di @thedailydegenhq, liftoor, maxi della salute e campione per i piccoli account. @YashasEdu – Scrive su DeFi, DeFAI e L2. Piccolo per ora, ma futuro grande nome in fase di sviluppo. @0x_Kun – Parla chiaro. Discute di disciplina nel trading, gestione del denaro e macro senza fronzoli. Le Parti 3 e 4 saranno pubblicate nelle prossime settimane, quindi rimanete sintonizzati!

Utilizzare questo sabato pomeriggio come promemoria per leggere articoli di ricerca, riorganizzare le cartelle, i processi interni e i flussi di lavoro. Migliorare e studiare costantemente è fondamentale in questo settore in rapida evoluzione.

Protocolli che utilizzo settimanalmente (inclusi i portafogli): @HyperliquidX @Lighter_xyz @Rabby_io @phantom @DeBankDeFi @DefiLlama Aggregator @JupiterExchange @debridge @defidotapp Cos'altro?

Ho acquistato più $HYPE in questo calo, la ragione è molto semplice: quando il volume aumenta (causato da pump o dump), HL genera un sacco di volume, commissioni e liquidazioni, allocate al riacquisto. TL;DR: la casa vince sempre. A parte questo, sembra che il futuro della robotica, $CODEC, non volesse scendere, quindi ho comprato di più comunque. È stato un grande reset, molto necessario affinché i mercati possano salire, ora osserviamo attentamente il resto di agosto 🤝

Finalmente potrei pareggiare i miei acquisti dopo aver tenuto per 1370 giorni Non vedo l'ora 🚀