私たちはしばらく沈黙していました。 時は過ぎても、仕事は過ぎなかった。 ステーキスタジオはこれまで以上🥩にリフレッシュされ、より強力になりました そして、素晴らしい仕事をしてくれた@bodotneに感謝します。

VLA はまだ非常に新しいものであり、多くの人が VLA と LLM の違いを理解するのが難しいと感じています。 ここでは、これらの AI システムが推論、センシング、行動においてどのように異なるかを詳しく説明します。パート 1. 主な違いと、LLM をラップする AI エージェントが VLA モデルを使用するオペレーター エージェントとどのように異なるかを詳しく見てみましょう。 1. 感覚: 彼らが世界をどのように認識するか エージェント (LLM): テキストまたは構造化データ (JSON、API、場合によっては画像など) を処理します。それは、クリーンで抽象化された入力を扱う脳のようなものです。マニュアルを読んだり、スプレッドシートを解析したりすることを考えてみてください。構造化された環境には最適ですが、供給される内容によって制限されます。 オペレーター(VLA):カメラからの生のリアルタイムピクセルに加えて、センサーデータ(タッチ、位置など)および固有受容感覚(動きの自己認識)を確認します。それは目と感覚で世界をナビゲートするようなもので、UI や物理空間などのダイナミックで乱雑な環境で繁栄します。 2. 行動: どのように相互作用するか エージェント: 関数、ツール、または API を呼び出して動作します。マネージャーが「Expedia API 経由でフライトを予約する」などの正確な指示を送信すると想像してください。これは意図的なものですが、事前に構築されたツールと明確なインターフェイスに依存しています。 オペレーター: マウス カーソルの移動、入力、ロボットの関節の制御など、連続した低レベルのアクションを実行します。これは熟練労働者が環境を直接操作するようなもので、リアルタイムの精度が必要なタスクに最適です。 3. コントロール: 意思決定の仕方 エージェント: 計画し、ツールを呼び出し、結果を評価し、繰り返すという、ゆっくりとした反射的なループに従います。トークンバインド(テキスト処理によって制限される)とネットワークバインド(API応答を待機)です。これにより、系統的になりますが、リアルタイムのタスクには遅くなります。 オペレーター: タイトなフィードバック ループの中で段階的な意思決定を行い、操作します。ゲーマーが画面上の内容に即座に反応するようなものだと考えてください。この速度により流体の相互作用が可能になりますが、堅牢なリアルタイム処理が必要です。 4. 学ぶべきデータ: トレーニングの原動力となるもの エージェント: 膨大なテキストコーパス、指示、ドキュメント、または RAG (Retrieval-Augmented Generation) データセットでトレーニングされています。本、コード、またはFAQから学習し、構造化された知識よりも推論することに優れています。 オペレーター: デモンストレーション (人間がタスクを実行するビデオなど)、遠隔操作ログ、または報酬信号から学習します。これは見たり練習したりすることで学ぶようなもので、明示的な指示が不足するタスクに最適です。 5. 故障モード: 壊れる場所 エージェント: 幻覚 (答えをでっち上げる) や、1 つのステップが失敗すると崩壊する脆い長期計画に陥りやすい。それは、状況を考えすぎたり、読み間違えたりする戦略家のようなものです。 演算子: 共変量シフト (トレーニング データが現実世界の条件と一致しない場合) または制御の複合エラー (小さなミスが雪だるま式に増える) に直面します。それは、ドライバーが見知らぬ道路でコントロールを失うようなものです。 6. インフラ: その背後にある技術 エージェント: 呼び出すツールを決定するプロンプト/ルーター、使用可能な関数のツール レジストリ、コンテキストのメモリ/RAG に依存します。これは、タスクを調整するコマンド センターのようなモジュール式セットアップです。 オペレーター: ビデオ取り込みパイプライン、リアルタイム制御のためのアクションサーバー、有害なアクションを防ぐための安全シールド、エクスペリエンスを保存するためのリプレイバッファが必要です。動的な環境向けに構築された高性能システムです。 7. それぞれが輝く場所: 彼らのスイートスポット エージェント: クリーンな API (ビジネス プロセスの自動化など)、ドキュメントの推論 (レポートの要約など)、またはコード生成を備えたワークフローを支配します。構造化された高レベルのタスクに最適です。 オペレーター: 不格好な UI の操作、ロボットの制御、ゲームのようなタスクへの取り組みなど、乱雑で API のない環境で優れています。予測不可能なシステムとのリアルタイムの対話を伴う場合、VLA は王様です。 8. メンタルモデル: プランナー + 実行者 LLM エージェントは、複雑なタスクを明確で論理的な目標に分割するプランナーと考えてください。 VLA Operator は実行者であり、ピクセルまたは物理システムと直接対話することでこれらの目標を実行します。チェッカー (別のシステムまたはエージェント) は、成功を確実にするために結果を監視します。 $CODEC

「買い手がいないから外に目を向ける(DAT)」としたらどうなるでしょうか より洗練された業界が、有名人からバンドルされたヴェイパーウェアを購入しなくなっただけですか? 確かにこの投稿の要点に関連していますが、買い手がいないという意味ではありませんか?

強気相場の押し目は、特に大きな触媒を持つプロジェクトでは買うことを意図しています AI が昨年 ai16z と Virtuals によって始まったこのサイクルの物語であることは誰もが知っています。 私の賭けは、市場は VLA などのより複雑で洗練されたテクノロジーに焦点を当てるでしょうが、その理由をお話ししましょう。 LLM (大規模言語モデル) は主にテキストの読み書きを行い、説明、計画、命令の生成には優れていますが、それ自体でモーターを制御したり、物理世界と対話したりすることはありません (ChatGPT で経験したことがあるかもしれません)。 VLA (Vision Language Action models) は、物事 (視覚) を見て、指示 (言語) を理解し、アクションを直接生成するマルチモーダル システムであるため、LLM とは異なります。ロボットに赤いカップを拾うように言い、腕を動かしてそれを行うようなものです。 VLAは、画像/ビデオ+命令+実際のアクショントレース(ロボットが実際にどのように動いたか)を組み合わせた例でトレーニングされ、リアルタイムで高速かつ安全に実行する必要があります。LLM は膨大なテキスト コレクションでトレーニングされ、推論と言語タスクに重点を置いています。 TL;DR LLM は、VLA が見、推論し、行動している間に考え、話します。 ご覧のとおり、VLA は LLM への主要な追加であり、特にロボット工学である経済全体における次の 0 対 1 のイノベーションを可能にします。投資ファンドの大多数は、AI業界における次の論理的な進化と見なされているこの分野に投資の大部分を割り当てています。 私はすでに少し前に、仮想通貨市場の現在のリーダーである@codecopenflowについて投稿しましたが、同社は資金を調達していません(公正な立ち上げ)が、最先端の製品を出荷しており、現在$23M FDVに座っています。 参考までに、他の仮想通貨競合他社は、おそらく$200Mから$300M ++ FDVで$20m(@openmind_agi)を調達しましたが、製品やコミュニティはまだ構築および出荷されていません。 Codec がこの分野の主要なプロジェクトである理由は、ロボット工学と AI における重要なボトルネック、つまりすべての AI ツールを連携させることの難しさに取り組んでいることです。説明しましょう。 同社の最新リリースであるOPTR(オペレーター)は、ロボット、デスクトップ、ブラウザ、シミュレーションなどの複数のプラットフォームで対話できるオペレーターを構築するのに役立つツールキットです。オペレーターの目的は、デジタル (コンピューター) と物理 (ロボット) の両方の世界で見、推論し、行動 (VLA) することです。 このツールキットは、Web ブラウザ、シミュレーション、またはロボット用に個別のエクスペリエンスではなく、統一されたエクスペリエンスを提供することで、製品をテストし、プロセス全体を強化することを目指すロボット チームのコア インフラストラクチャとして機能します。これにより、オペレーターは基本的に環境に関係なく適応力と自律性を発揮します。 したがって、以前は各ステップを手動で実行する必要があった企業や開発者の時間を大幅に節約し、時間を節約できる場所ではコストを節約できます。 また、Codecは独自のオペレータープロジェクトを構築し、特にマーケットプレイスを通じて、新しい容量を比較的迅速に市場に投入できるようになります。 TL;DR: ロボットがティッシュを折りたたんだり、箱を仕分けたり、さまざまな要素に飛び乗ったりするビデオを見たことがあるでしょう。これらはすべて、この非常に特殊なユースケース向けにトレーニングされており、残念ながら、あるスキルを人間のように別の環境で再利用することはできません。CodecのOPTRは、環境や状況間でスキルを移行できるようにすることでこれを解決し、企業のトレーニングと開発を大幅に迅速かつ安価にします。 これが、Codec がデジタル世界と物理世界を統合する上で非常に興味深い理由です。 $CODEC、コード化されています。

別の週、別の研究記事:今回は$CODEC 私は、これが暗号通貨で最も過小評価されているロボットコインの1つであると心から信じています。ロボット工学は未来ですが、暗号通貨にはあまり賭けられていません。 これは数少ないものの1つですので、気軽に$CODEC錠剤を飲んでください

フォローすべきトップの暗号の声 以下は、私が厳選した必見の暗号KOLのリストのパート2です。 @xerocooleth – カイトスター。ヤッピングとエンターテイメントを融合させ、小さなアカウントを盛り上げ、ノンストップで投稿します。 @Louround_ – リサーチオール、ビルドア、インフルエンクール。真のマルチハットレジェンド。 @thelearningpill –収量愛好家。「Gud Reads」のキュレーターであり、誇り高き Aptos マキシ。 @arndxt_xo – マクロ先生。サブスタック ライト、ドットのコネクタは、毎日 CT を啓発します。 @0xCheeezzyyyy –収量マキシ+インフォグラフィックウィザード。クリーンなビジュアルのペンドルシルール。 @eli5_defi – インフォグラフィックの王様。他に類を見ないほどDeFiを簡素化し、常に小規模なアカウントをサポートします。 @theunipcs – BONK を使用すると 16k から 13M →。USELESSを$300M+まで実行しました。ミームがあなたの好みなら、彼はあなたのガイドです。 @0xAndrewMoh – BNBチェーンマキシ。物語の糸を書きます。彼に従うとブーストされる 11 人のアルトを所有しています。 @poopmandefi – 名前はうんちかもしれませんが、研究はプレミアムです。シャープは、ステーブルコイン、アルトコイン、VCなどに取り組んでいます。 @rektdiomedes – マクロ脳。@thedailydegenhq、リフトオール、ヘルスマキシ、小規模アカウントのチャンピオンのキュレーター。 @YashasEdu – DeFi、DeFAI、L2 にまたがって執筆しています。今のところ規模は小さいですが、将来的には大きな声が生まれる予定です。 @0x_Kun – ストレートシューター。BSなしで取引規律、資金管理、マクロについて話します。 パート 3 と 4 は今後数週間以内にドロップされる予定ですので、ぜひご期待ください。

この土曜日の午後をリマインダーとして、研究論文を読んだり、フォルダー、内部プロセス、ワークフローを再編成したりします。 この急速に変化する業界では、常に改善と研究が鍵となります。

私が毎週使用するプロトコル (ウォレットを含む): @HyperliquidX @Lighter_xyz @Rabby_io @phantom @DeBankDeFi @DefiLlamaアグリゲーター @JupiterExchange @debridge @defidotapp 他には。

このディップでさらに$HYPE買い物をすると、理論的根拠は非常に単純です:出来高が急増すると(ポンプまたはダンプによって引き起こされ)、HLは大量の出来高、手数料、清算を生成し、買い戻しに割り当てます。 TL;DR: ハウスは常に勝ちます。 これとは別に、ロボティクスの未来である$CODECは下がりたくなかったので、とにかく買い増えたようだ。 これは市場が上昇するために十分必要だった素晴らしいリセットであり、今、私たちは8月🤝の残りの期間を注意深く見守っています

最後に、1370日間保有した後、購入で損益分岐点に達するかもしれません 待ちきれ🚀ない