DApp Store | Centrum Web3 pro události a hry

Populární témata

CodecFlow

Prováděcí vrstva pro operátory AI a robotiku na @Solana CA:69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump

VLA jsou stále velmi nové a pro mnoho lidí je obtížné pochopit rozdíl mezi VLA a LLM. Zde je hluboký ponor do toho, jak se tyto systémy umělé inteligence liší v uvažování, snímání a jednání. Část 1. Pojďme si rozebrat klíčové rozdíly a to, jak se agenti AI obalení kolem LLM liší od operátorských agentů, kteří používají modely VLA: 1. Smysl: Jak vnímají svět Agent (LLM): Zpracovává textová nebo strukturovaná data, např. JSON, API a někdy i obrázky. Je to jako mozek pracující s čistými, abstrahovanými vstupy. Představte si čtení manuálu nebo analýzu tabulky. Skvělé pro strukturovaná prostředí, ale omezené tím, co je do něj přiváděno. Operátor (VLA): Vidí nezpracované pixely z kamer v reálném čase a data ze senzorů (např. dotyk, polohu) a propriocepci (sebeuvědomění si pohybu). Je to jako pohybovat se ve světě očima a smysly, prosperovat v dynamických, chaotických prostředích, jako jsou uživatelská rozhraní nebo fyzické prostory. 2. Jednejte: Jak se vzájemně ovlivňují Agent: Působí voláním funkcí, nástrojů nebo rozhraní API. Představte si to, jako by manažer posílal přesné pokyny jako "rezervujte si let přes Expedia API". Je to záměrné, ale spoléhá se na předem připravené nástroje a jasná rozhraní. Operátor: Provádí nepřetržité nízkoúrovňové akce, jako je pohyb kurzoru myši, psaní na klávesnici nebo ovládání kloubů robota. Je to jako kvalifikovaný pracovník, který přímo manipuluje s prostředím, což je ideální pro úkoly vyžadující přesnost v reálném čase. 3. Kontrola: Jak se rozhodují Agent: Sleduje pomalou, reflexivní smyčku: plánovat, volat nástroj, vyhodnocovat výsledek, opakovat. Je vázán na token (omezený zpracováním textu) a síťový (čeká na odpovědi API). Díky tomu je metodický, ale pomalý pro úkoly v reálném čase. Operátor: Pracuje a činí postupná rozhodnutí v těsné smyčce zpětné vazby. Představte si to jako hráče, který okamžitě reaguje na to, co je na obrazovce. Tato rychlost umožňuje interakci tekutin, ale vyžaduje robustní zpracování v reálném čase. 4. Data k učení: Co pohání jejich školení Agent: Trénován na rozsáhlých textových korpusech, instrukcích, dokumentaci nebo datových sadách RAG (Retrieval-Augmented Generation). Učí se z knih, kódu nebo často kladených dotazů a vyniká v uvažování před strukturovanými znalostmi. Operátor: Učí se z demonstrací (např. videí lidí plnících úkoly), záznamů o teleoperaci nebo signálů odměn. Je to jako učení se sledováním a procvičováním, ideální pro úkoly, kde je nedostatek explicitních pokynů. 5. Způsoby selhání: Kde se lámou Agent: Náchylný k halucinacím (vymýšlení odpovědí) nebo křehkým dlouhodobým plánům, které se rozpadnou, pokud jeden krok selže. Je to jako stratég, který příliš přemýšlí nebo špatně interpretuje situaci. Operátor: Čelí kovariátnímu posunu (když trénovací data neodpovídají reálným podmínkám) nebo složeným chybám v řízení (malé chyby se nabalují jako sněhová koule). Je to jako když řidič ztratí kontrolu nad vozem na neznámé silnici. 6. Infra: Technologie za nimi Agent: Spoléhá na výzvu/směrovač, který rozhoduje, které nástroje volat, registr nástrojů pro dostupné funkce a paměť/RAG pro kontext. Je to modulární nastavení, jako velitelské centrum orchestrující úkoly. Operátor: Potřebuje kanály pro příjem videa, akční server pro řízení v reálném čase, bezpečnostní štít pro prevenci škodlivých akcí a vyrovnávací paměť pro přehrávání pro ukládání zážitků. Jedná se o vysoce výkonný systém vytvořený pro dynamická prostředí. 7. Kde každý září: Jejich sladká místa Agent: Dominuje v pracovních postupech s čistými rozhraními API (např. automatizace obchodních procesů), uvažování nad dokumenty (např. shrnutí zpráv) nebo generování kódu. Je to vaše volba pro strukturované úkoly na vysoké úrovni. Operátor: Vyniká v chaotickém prostředí bez API, jako je navigace v neohrabaných uživatelských rozhraních, ovládání robotů nebo řešení úkolů podobných hrám. Pokud zahrnuje interakci s nepředvídatelnými systémy v reálném čase, VLA je králem. 8. Mentální model: Plánovač + Činitel Představte si LLM Agenta jako plánovače: rozděluje složité úkoly do jasných, logických cílů. Operátor VLA je tím, kdo tyto cíle realizuje přímou interakcí s pixely nebo fyzickými systémy. Kontrolor (jiný systém nebo agent) sleduje výsledky, aby zajistil úspěch. $CODEC

Codecflow Optr nabízí jednotný přístup k vytváření agentů, kteří vidí, uvažují a jednají v digitálním a fyzickém prostředí. Ať už automatizuje pracovní postupy na počítači, ovládá robotická ramena nebo testuje v simulaci, používá stejný mentální model a primitiva.

Propady na býčím trhu jsou určeny k nákupu, zejména u projektů s velkými katalyzátory Všichni víme, že umělá inteligence je příběhem tohoto cyklu, který loni zahájily ai16z a Virtuals. Vsadím se, že se trh zaměří na složitější a sofistikovanější technologie, jako jsou VLA, a řeknu vám proč. LLM (velké jazykové modely) hlavně čtou a píší text: jsou skvělé ve vysvětlování, plánování a generování pokynů, ale samy o sobě neovládají motory ani neinteragují s fyzickým světem (jak jste možná zažili s ChatGPT). VLA (Vision Language Action models) se liší od LLM, protože se jedná o multimodální systémy, které se dívají na věci (vize), rozumí instrukcím (jazyk) a přímo produkují akce. Je to jako říct robotovi, aby zvedl červený kelímek, a pak pohnout rukou, aby to udělal. VLA jsou trénovány na příkladech, které párují obrázky/video + instrukce + skutečné akční stopy (jak se robot skutečně pohyboval) a musí běžet rychle a bezpečně v reálném čase. LLM na své straně jsou trénováni na obrovských sbírkách textů a zaměřují se na uvažování a jazykové úkoly. TL; DR LLM myslí a mluví, zatímco VLA vidí, uvažují a jednají. Jak můžete vidět, VLA jsou hlavním doplňkem LLM a zejména umožní další inovaci 0 ku 1 v celkové ekonomice, kterou bude robotika. Většina investičních fondů alokuje velkou část svých investic do tohoto sektoru, který je považován za další logický vývoj v odvětví umělé inteligence. Už před chvílí jsem psal o současném lídrovi na kryptotrhu, @codecopenflow, který nezískal kapitál (férové spuštění), ale dodává špičkové produkty a v současné době sedí na 23 milionech dolarů FDV. Pro informaci, ostatní konkurenti v oblasti kryptoměn získali 20 milionů dolarů (@openmind_agi) za to, co je pravděpodobně 200 milionů až 300 milionů dolarů ++ FDV, přičemž dosud nebyl vytvořen a odeslán žádný produkt ani komunita. To, co dělá z Codecu přední projekt v tomto odvětví, je to, že řeší zásadní překážku v robotice a umělé inteligenci, kterou je obtížnost vzájemné interakce všech nástrojů umělé inteligence. Dovolte mi to vysvětlit. Jejich nejnovější verze, OPTR (operator), je sada nástrojů, která pomáhá vytvářet operátory schopné interakce na různých platformách, jako jsou roboti, stolní počítače, prohlížeče nebo simulace. Cílem operátora je vidět, uvažovat a jednat (VLA) v digitálním (počítače) i fyzickém (roboty) světě. Tato sada nástrojů slouží jako základní infrastruktura pro robotické týmy, jejichž cílem je testovat svůj produkt a vylepšit celkový proces tím, že poskytuje jednotné prostředí namísto samostatných prostředí pro webové prohlížeče, simulace nebo roboty. Díky tomu je obsluha v podstatě adaptivní a autonomní bez ohledu na své prostředí. Tak to pochopíte, ušetří to velký čas firmám a vývojářům, kteří dříve museli každý krok procházet ručně a kde můžete ušetřit čas i peníze. Umožní také společnosti Codec budovat vlastní projekty operátorů a relativně rychle uvádět na trh nové kapacity, zejména prostřednictvím svého tržiště. TL; DR: Pravděpodobně jste viděli videa robotů, kteří skládají tkáně, třídí krabice nebo skáčou po různých prvcích. Všichni byli vyškoleni pro tento velmi specifický případ použití a bohužel jednu dovednost nelze znovu použít v jiném prostředí, jako by to dokázal člověk. OPTR od Codecu to řeší tím, že umožňuje přenos dovedností mezi prostředími a situacemi, díky čemuž je školení a rozvoj pro podniky mnohem rychlejší a levnější. To je důvod, proč je Codec tak zajímavý ve sjednocení digitálního světa se světem fyzickým. $CODEC, kódovaný.