Ми трохи помовчали. Час минув, а роботи – ні. Steak Studio свіжий і міцніший, ніж будь-коли 🥩 І спасибі @bodotne за приголомшливу роботу.

VLA все ще дуже нові, і багатьом людям важко зрозуміти різницю між VLA та LLM. Ось глибоке занурення в те, як ці системи штучного інтелекту відрізняються за міркуваннями, відчуттями та діями. Частина 1. Давайте розберемо ключові відмінності та те, чим агенти штучного інтелекту, обгорнуті навколо LLM, відрізняються від операторів-агентів, які використовують моделі VLA: 1. Почуття: як вони сприймають світ Агент (LLM): обробляє текст або структуровані дані, наприклад JSON, API та іноді зображення. Це схоже на роботу мозку з чистими, абстрактними вхідними даними. Подумайте про читання посібника або розбір електронної таблиці. Чудово підходить для структурованих середовищ, але обмежений тим, що в нього подаються. Оператор (VLA): бачить необроблені пікселі з камер у реальному часі, а також дані датчиків (наприклад, дотик, положення) та пропріоцепцію (самоусвідомлення руху). Це схоже на навігацію світом за допомогою очей і почуттів, процвітаючи в динамічних, безладних умовах, таких як інтерфейси користувача або фізичний простір. 2. Дія: як вони взаємодіють Агент: діє шляхом виклику функцій, інструментів або API. Уявіть собі, що менеджер надсилає точні інструкції на кшталт «забронюйте рейс через Expedia API». Це навмисно, але покладається на готові інструменти та зрозумілі інтерфейси. Оператор: виконує безперервні дії на низькому рівні, як-от переміщення курсору миші, набір тексту або керування суглобами роботів. Це схоже на кваліфікованого працівника, який безпосередньо маніпулює навколишнім середовищем, що ідеально підходить для завдань, що вимагають точності в реальному часі. 3. Контроль: як вони приймають рішення Агент: Слідує повільному, рефлексивному циклу: плануйте, викликайте інструмент, оцінюйте результат, повторюйте. Він прив'язаний до токена (обмежений обробкою тексту) і прив'язаний до мережі (очікує відповідей API). Це робить його методичним, але млявим для завдань у реальному часі. Оператор: Діє, приймаючи поетапні рішення в щільному циклі зворотного зв'язку. Думайте про це як про геймера, який миттєво реагує на те, що відображається на екрані. Така швидкість забезпечує плавну взаємодію, але вимагає надійної обробки в режимі реального часу. 4. Дані для вивчення: що живить їхнє навчання Агент: Навчений на великих текстових корпусах, інструкціях, документації або наборах даних RAG (Retrieval-Augmented Generation). Він вчиться з книг, коду або поширених запитань, перевершуючи структуровані знання. Оператор: навчається з демонстрацій (наприклад, відео, на яких люди виконують завдання), журналів телеоперацій або сигналів винагороди. Це схоже на навчання, спостерігаючи та практикуючись, ідеально підходить для завдань, де чітких інструкцій мало. 5. Режими відмови: де вони ламаються Агент: схильний до галюцинацій (вигадування відповідей) або крихких довгострокових планів, які руйнуються, якщо один крок не вдається. Це схоже на стратега, який надмірно обмірковує або неправильно розуміє ситуацію. Оператор: стикається з коваріатним зсувом (коли дані тренування не відповідають реальним умовам) або складними помилками в управлінні (маленькі помилки сніжний ком). Це схоже на те, як водій втрачає контроль на незнайомій дорозі. 6. Infra: технології, що стоять за ними Агент: покладається на підказку/маршрутизатор, щоб вирішити, які інструменти викликати, реєстр інструментів для доступних функцій та пам'ять/RAG для контексту. Це модульна система, як командний центр, який оркеструє завдання. Оператор: потрібні конвеєри прийому відео, сервер дій для керування в реальному часі, захисний щит для запобігання шкідливим діям і буфер повторів для зберігання вражень. Це високопродуктивна система, створена для динамічних середовищ. 7. Де кожен сяє: їхні солодкі місця Агент: домінує в робочих процесах з чистими API (наприклад, автоматизація бізнес-процесів), обґрунтуванням документів (наприклад, узагальнення звітів) або генерацією коду. Це ваш вибір для структурованих завдань високого рівня. Оператор: чудово справляється з безладними середовищами без API, як-от навігація в незграбних інтерфейсах користувача, керування роботами або вирішення завдань, схожих на гру. Якщо це передбачає взаємодію в реальному часі з непередбачуваними системами, VLA є королем. 8. Ментальна модель: планувальник + виконавець Думайте про LLM Agent як про планувальника: він розбиває складні завдання на чіткі, логічні цілі. Оператор VLA є виконавцем, який виконує ці цілі, безпосередньо взаємодіючи з пікселями або фізичними системами. Чекер (інша система або агент) стежить за результатами, щоб забезпечити успіх. $CODEC

Що робити, якщо замість «у нас немає покупців, тому ми дивимося назовні» У нас просто більш складна індустрія, яка більше не купує комплектний посуд у знаменитостей? Які дійсно стосуються висновків цього допису, але не означають, що покупців немає?

Провали на бичачому ринку призначені для покупки, особливо на проектах з великими каталізаторами Ми всі знаємо, що штучний інтелект – це наратив цього циклу, розпочатого ai16z та Virtuals минулого року. Я впевнений, що ринок зосередиться на більш складних і витончених технологіях, таких як VLA, і дозвольте мені пояснити вам чому. LLM (великі мовні моделі) в основному читають і записують текст: вони чудово пояснюють, планують і генерують інструкції, але самі по собі не керують моторами або не взаємодіють з фізичним світом (як ви, можливо, відчували з chatgpt). VLA (Vision Language Action models) відрізняються від LLM тим, що це мультимодальні системи, які дивляться на речі (vision), розуміють інструкції (мова) і безпосередньо виробляють дії. Це все одно, що сказати роботу підняти червону чашку, а потім рухати його рукою, щоб зробити це. ВЛА навчаються на прикладах, які поєднують зображення/відео + інструкції + сліди реальних дій (як насправді рухався робот), і вони повинні працювати швидко та безпечно в режимі реального часу. LLM зі свого боку тренуються на величезних колекціях текстів і зосереджуються на міркуваннях і мовних завданнях. ТЛ; DR LLM думають і говорять, а VLA бачать, міркують і діють. Як ви можете бачити, VLA є важливим доповненням до LLM і, зокрема, забезпечать наступну інновацію 0 до 1 у загальній економіці, якою стане робототехніка. Більшість інвестиційних фондів спрямовують значну частину своїх інвестицій у цей сектор, що розглядається як наступна логічна еволюція в індустрії штучного інтелекту. Деякий час тому я вже зробив пост про нинішнього лідера на крипторинку @codecopenflow, який ще не залучив капітал (справедливий запуск), ще не постачає передові продукти і в даний час коштує 23 мільйони доларів FDV. Для інформації, інші криптовалютні конкуренти залучили 20 мільйонів доларів ( @openmind_agi) за ціною, ймовірно, від 200 до 300 мільйонів доларів ++ FDV, хоча жоден продукт або спільнота ще не були створені та доставлені. Що робить Codec провідним проектом у цьому секторі, так це те, що вони вирішують важливе вузьке місце в робототехніці та штучному інтелекті, яке полягає в складності взаємодії всіх інструментів штучного інтелекту разом. Дозвольте мені пояснити. Їхній останній реліз, OPTR (operator), є набором інструментів, який допомагає створювати операторів, здатних взаємодіяти на кількох платформах, таких як роботи, настільні комп'ютери, браузери або симуляції. Мета оператора полягає в тому, щоб бачити, міркувати і діяти (VLA) як в цифровому (комп'ютери), так і у фізичному (роботи) світах. Цей набір інструментів слугує основною інфраструктурою для команд роботів, які прагнуть протестувати свій продукт і покращити загальний процес, надаючи уніфікований досвід замість окремих для веб-браузерів, симуляцій або роботів. Це, по суті, робить оператора адаптивним і автономним незалежно від навколишнього середовища. Отже, ви це зрозумієте, це значно заощадить час компаніям і розробникам, яким раніше доводилося проходити кожен крок вручну, і де ви можете заощадити час, ви можете заощадити гроші. Це також дозволить Codec створювати власні проекти для операторів і відносно швидко запускати нові потужності на ринок, зокрема через свій ринок. ТЛ; Д.Р.: Ви, напевно, бачили відео, як роботи складають серветки, сортують коробки або стрибають на різних елементах. Всі вони були навчені для цього дуже специфічного випадку використання, і, на жаль, одна навичка не може бути повторно використана в іншому середовищі, як це могла б зробити людина. OPTR від Codec вирішує це, роблячи навички доступними для передачі між середовищами та ситуаціями, роблячи навчання та розвиток набагато швидшими та дешевшими для підприємств. Ось чому Codec так цікавий в об'єднанні цифрового світу з фізичним. $CODEC, закодований.

Ще один тиждень, ще одна наукова стаття: цього разу $CODEC Я щиро вважаю, що це одна з найбільш недооцінених монет робототехніки в криптовалюті. Майбутнє за робототехнікою, але в криптовалюті на неї не так багато ставок. Це один з небагатьох, не соромтеся отримувати $CODEC таблетки

Найкращі голоси криптовалют, за якими варто стежити Ось частина 2 мого підібраного списку Crypto KOL, яким варто слідкувати: @xerocooleth – зірка Кайто. Поєднує гавкання з розвагами, піднімає настрій для невеликих облікових записів і публікує пости без зупинки. @Louround_ – Дослідник, Білдор, Інфлюенкор. Справжня легенда про кілька капелюхів. @thelearningpill – Знавець врожайності. Куратор "Gud Reads" та гордий Aptos maxi. @arndxt_xo – Макро сенсей. Substack writoor, з'єднувач точок, щодня освітлює КТ. @0xCheeezzyyyy – Yield maxi + майстер інфографіки. Пендл-шиллур із чистими візуальними ефектами. @eli5_defi – Король інфографіки. Спрощує DeFi, як ніхто інший, завжди підтримуючи невеликі облікові записи. @theunipcs – Від 16к → 13М з BONK. Пробіг МАРНО до $300 млн+. Якщо ви любите меми, він ваш провідник. @0xAndrewMoh – Максі ланцюжок BNB. Пише розповідні нитки. Володіє 11 альтами, які посилять вас, якщо ви підете за ним. @poopmandefi – Назва може бути какашкою, але дослідження є платними. Sharp бере на себе стейблкоїни, альти, венчурні капіталісти та багато іншого. @rektdiomedes – Макро мозок. Куратор @thedailydegenhq, liftoor, health maxi та чемпіон для невеликих акаунтів. @YashasEdu – Пише в DeFi, DeFAI та L2s. Поки що невелика, але майбутня велика гучність у процесі становлення. @0x_Kun – Прямолінійний. Говорить про торгову дисципліну, управління капіталом і макро без БС. Частини 3 і 4 будуть випущені найближчими тижнями, тому налаштуйтеся!

Використовуйте цей суботній день як нагадування про читання наукових статей, реорганізацію папок, внутрішніх процесів, робочих процесів. Постійне вдосконалення та навчання є ключовим у цій галузі, що швидко розвивається.

Протоколи, які я використовую щотижня (включаючи гаманці): @HyperliquidX @Lighter_xyz @Rabby_io @phantom @DeBankDeFi Агрегатор @DefiLlama @JupiterExchange @debridge @defidotapp Що ще?

Якщо подивитися на це падіння більш $HYPE, то обґрунтування дуже просте: коли стрибки обсягів (викликані насосами або дампами), HL генерує тонну обсягів, комісій і ліквідацій, призначених для зворотного викупу. ТЛ; Д.Р.: Будинок завжди виграє. Крім цього, схоже, що майбутнє робототехніки, $CODEC, не хотіло падати, тому я все одно купив більше. Це було чудове перезавантаження, необхідне для того, щоб ринки пішли вище, тепер ми уважно спостерігаємо за рештою серпня 🤝

Нарешті, я можу стати беззбитковим у своїх покупках після 1370 днів утримання Не можу дочекатися 🚀