Baovy06
Baovy06
• HODL ukkosmyrskyjen läpi, korjaten hedelmiä kuun noustessa. • Asema tekee kaiken. • Rauhallinen ennen aaltoa, lujasti kartan edessä.
1 t.Seuratut
1,1 t.seuraajat
Syöte
Syöte
On mielenkiintoista nähdä, miten nämä projektit hiljaisesti rakentavat erilaisia osia seuraavasta onchain-ekosysteemistä.
@NucleusCodes keskittyy maine- ja identiteettikerroksiin, kun taas Quantum Echoes vie NFT:t pidemmälle käyttämällä todellista kvanttilaitteistoa ja todennettavaa satunnaisuutta jokaiselle rahapajalle.
@sleepagotchi muuttaa päivittäiset unitottumukset pitkäaikaiseksi sitoutumiskiertueeksi pelillistämisen, NFT:iden ja digitaalisen identiteetin kautta.
Samaan aikaan @quipnetwork rakentaa hajautettua kvanttilaskenta-infrastruktuuria, ja nyt tämän narratiivin yhdistäminen Quantum Echoesiin tuntuu fiksulta ratkaisulta.
Tuntuu, että kaikki kolme projektia etenevät samaan suuntaan:
Aito käyttäjäaktiivisuus, digitaalinen identiteetti ja teknologiaohjatut ekosysteemit lyhytaikaisen hypetyksen 🦋 sijaan
Tämä maailma....
Ihmiset erotetaan omilla sanoillaan, joita he kieltäytyvät sanomasta.....
Siksi kaikki puhuivat Zyn kanssa kiireesti.... Zy on aina täällä odottamassa ja kuuntelemassa....
P/S Tämä viini on herkullista 🤭🤭 juoda
@quipnetwork @NucleusCodes @sleepagotchi
Baovy06
Robotiikan tekoälymarkkinat kasvavat tällä hetkellä uskomattoman nopeasti.
Egosentrisista videoaineistoista, liikkeenkaappausjärjestelmistä, synteettisistä dataputkista gripper-pohjaisiin keräystyökaluihin... Tuntuu siltä, että uusi robotiikkadatayritys lanseerataan joka viikko.
Mutta todellinen ongelma on:
Kaikki datatyypit eivät ole hyödyllisiä robottien kouluttamiseen.
Ennen valtavien datamäärien keräämistä tärkein kysymys tulisi olla:
"Mitä tarkalleen ottaen koulutat robottia?"
PrismaX jakaa fyysisen tekoälyn kahteen pääkategoriaan:
• Kinematiikkamallit → keskittyvät matalan tason robottien ohjaukseen.
Asioita kuten tasapainottaminen, hyppiminen, liikkuminen, liikkeen tarkkuus.
• Perustusmallit → keskittyvät todellisten työtehtävien suorittamiseen.
Esimerkiksi astioiden pesu, ovien avaaminen, esineiden valitseminen, ympäristöjen kanssa vuorovaikutus.
Ja PrismaX keskittyy pääasiassa perustusmalleihin — koska tulevaisuus ei tarvitse pelkästään robotteja, jotka pystyvät tekemään voltteja.
Tarvitaan robotteja, jotka voivat oikeasti auttaa ihmisiä arjessa.
Minusta kiinnostavaa on, että PrismaX ei pelkästään "myy robotiikkadataa".
He menevät paljon syvemmälle:
• millainen data sopii kuhunkin malliin
• mitä korkealaatuinen robotiikkadata oikeastaan tarkoittaa
• mitä tietoaineistoissa tulisi vaihdella
• ja mikä pitäisi pysyä johdonmukaisena paremman konvergenssin saavuttamiseksi
Tällä hetkellä robotiikkateollisuus kokeilee erilaisia tapoja kerätä dataa:
• etäoperaatio, → ihmiset ohjaavat robotteja etänä.
• ihmisvideo → koulutus videoista, joissa ihmiset tekevät tehtäviä
• Gripper-järjestelmät → ihmiset käyttävät telaketjuja, ote muistuttavia työkaluja
Jokaisella menetelmällä on omat vahvuutensa ja heikkoutensa.
Mutta PrismaX uskoo, että etäoperaatio tarjoaa edelleen korkealaatuista dataa, koska se on hallittavampaa, tarkempaa ja helpompi käyttää perusmallien koulutuksessa.
Suurin opetus PrismaXin artikkelista on tämä:
"Robotiikka ei ole pelkkää tekoälytutkimusta.
Se on myös todellinen insinööriongelma."
Yhdelläkään yrityksellä ei ole rajattomasti rahaa, loputtomasti robotteja tai rajattomasti aikaa kouluttaa malleja.
Se tarkoittaa, että aineistojen ei tarvitse olla vain suuria.
Ne tarvitsevat oikean rakenteen, oikean jakauman ja oikean laadun, jotta mallit oppivat tehokkaasti.
Ja juuri siksi PrismaX keskittyy vahvasti hallittuihin, korkealaatuisiin robotiikkaaineistoihin sen sijaan, että vain tavoittelisi mittakaavoja
Robotiikan tekoälymarkkinat kasvavat tällä hetkellä uskomattoman nopeasti.
Egosentrisista videoaineistoista, liikkeenkaappausjärjestelmistä, synteettisistä dataputkista gripper-pohjaisiin keräystyökaluihin... Tuntuu siltä, että uusi robotiikkadatayritys lanseerataan joka viikko.
Mutta todellinen ongelma on:
Kaikki datatyypit eivät ole hyödyllisiä robottien kouluttamiseen.
Ennen valtavien datamäärien keräämistä tärkein kysymys tulisi olla:
"Mitä tarkalleen ottaen koulutat robottia?"
PrismaX jakaa fyysisen tekoälyn kahteen pääkategoriaan:
• Kinematiikkamallit → keskittyvät matalan tason robottien ohjaukseen.
Asioita kuten tasapainottaminen, hyppiminen, liikkuminen, liikkeen tarkkuus.
• Perustusmallit → keskittyvät todellisten työtehtävien suorittamiseen.
Esimerkiksi astioiden pesu, ovien avaaminen, esineiden valitseminen, ympäristöjen kanssa vuorovaikutus.
Ja PrismaX keskittyy pääasiassa perustusmalleihin — koska tulevaisuus ei tarvitse pelkästään robotteja, jotka pystyvät tekemään voltteja.
Tarvitaan robotteja, jotka voivat oikeasti auttaa ihmisiä arjessa.
Minusta kiinnostavaa on, että PrismaX ei pelkästään "myy robotiikkadataa".
He menevät paljon syvemmälle:
• millainen data sopii kuhunkin malliin
• mitä korkealaatuinen robotiikkadata oikeastaan tarkoittaa
• mitä tietoaineistoissa tulisi vaihdella
• ja mikä pitäisi pysyä johdonmukaisena paremman konvergenssin saavuttamiseksi
Tällä hetkellä robotiikkateollisuus kokeilee erilaisia tapoja kerätä dataa:
• etäoperaatio, → ihmiset ohjaavat robotteja etänä.
• ihmisvideo → koulutus videoista, joissa ihmiset tekevät tehtäviä
• Gripper-järjestelmät → ihmiset käyttävät telaketjuja, ote muistuttavia työkaluja
Jokaisella menetelmällä on omat vahvuutensa ja heikkoutensa.
Mutta PrismaX uskoo, että etäoperaatio tarjoaa edelleen korkealaatuista dataa, koska se on hallittavampaa, tarkempaa ja helpompi käyttää perusmallien koulutuksessa.
Suurin opetus PrismaXin artikkelista on tämä:
"Robotiikka ei ole pelkkää tekoälytutkimusta.
Se on myös todellinen insinööriongelma."
Yhdelläkään yrityksellä ei ole rajattomasti rahaa, loputtomasti robotteja tai rajattomasti aikaa kouluttaa malleja.
Se tarkoittaa, että aineistojen ei tarvitse olla vain suuria.
Ne tarvitsevat oikean rakenteen, oikean jakauman ja oikean laadun, jotta mallit oppivat tehokkaasti.
Ja juuri siksi PrismaX keskittyy vahvasti hallittuihin, korkealaatuisiin robotiikkaaineistoihin sen sijaan, että vain tavoittelisi mittakaavoja
Luonnollisesti kaipaa Hanoita
On kulunut kauan siitä, kun viimeksi kävin Hanoissa
Lempeä West Lake -tuuli puhaltaa lootuksen tuoksua
Vihreä-punainen kahvila valoineen
Autot kulkevat alas ja alas puiden varrella tien varrella, joissa lehdet ovat pudonneet
Jalat kulkemassa jokaisella kadulla
Keskellä kesää feenikslintu kukkii kirkkaasti kukkien
Kevyt aurinko laskee jokaiselle kuistin alla olevalle säieelle
Kuinka monta muistoa sydämemme muistaa......
@quipnetwork @NucleusCodes @sleepagotchi
Jos olet ollut aktiivinen @sleepagotchi ekosysteemissä, nyt on aika tarkistaa kelpoisuutesi
Projekti on virallisesti lanseerannut Creator Leaderboardinsa Nucleus Codesissa, ja $SLEEP on tuottajille ja aktiivisille yhteisön jäsenille suunnattu valtava 120 000 dollarin palkintopotti.
Mikä tekee Sleepagotchista mielenkiintoisen, on se, ettei se ole vain yksi web3-peli muiden joukossa. Tiimi rakentaa uni-fi:n, pelillistämisen ja tekoälyn hyvinvoinnin ympärille, luoden ainutlaatuisen ekosysteemin, joka erottuu tyypillisistä GameFi-projekteista.
He ovat myös keränneet miljoonia rahoitusta ja johdonmukaisesti edistäneet yhteisökampanjoita vahvalla sitoutumisella ja hyvillä palkinnoilla käyttäjille.
Jos olet tehnyt tehtäviä, pelannut heidän minipelejään tai tukenut projektia somessa aiemmin, tarkista kelpoisuutesi nyt
Liity nyt:
Tällä viikolla @axisrobotics:n tiimi jatkoi monien tärkeiden robotiikkatietojärjestelmän osien kehittämistä, aina automaattisesta tehtävien generoinnista ja simulaatioympäristöistä vikojen palautukseen ja objektidatan täydentämiseen.
Mutta Zy:lle se, mikä todella vie projektin pitkälle, ei ole pelkästään itse teknologia, vaan myös yhteisön tuki ja panos.
Ja mitä pidempään Zy viipyy Axisin kanssa, sitä todellisemmaksi tuo tunne muuttuu.
Tässä muutama päivitys, jotka todella erottuivat Zylle tällä viikolla:
• Tehtävien generointijärjestelmää on päivitetty ymmärtämään paremmin käytettävissä olevia objekteja, ympäristön asetteluja ja pitkän aikavälin työnkulkuja eri robottiversioiden välillä.
• Simulaatioinfrastruktuuri on nyt paljon vakaampi, erityisesti pitkien tehtävien suorittamisessa tai useiden objektien käsittelyssä samanaikaisesti.
• Robottien ohjausta parannettiin yhteisön palautteen perusteella, erityisesti tarttumisen, robottikäsien liikkeen ja ohjausliittymän osalta.
• Yksi mielenkiintoisimmista asioista on, miten tiimi käyttää epäonnistuneita tai lähes epäonnistuneita robottitoimintoja uutena koulutusdatana. Tämä auttaa robotteja oppimaan toipumaan virheistä sen sijaan, että he oppisivat vain onnistuneista yrityksistä.
Lisäksi Axis tekee yhteistyötä tutkimusryhmien kanssa kehittääkseen objektitason datan täydennysteknologiaa. Yhdestä objektista järjestelmä voi tuottaa useita realistisia variaatioita koulutuksen laadun parantamiseksi.
Zy on kokenut projektia jo yli viikon, ja rehellisesti sanottuna se on ollut aika nautittavaa. Jotkut tehtävät voivat silti tuntua hieman viiveisiltä ajoittain, mutta ne opettavat myös kärsivällisyyttä ja sinnikkyyttä matkan varrella
Yhteisön osalta ei oikeastaan ole mitään valittamista. Kaikki ovat aktiivisia, tukevia ja aina valmiita auttamaan toisiaan.
Erityisesti tänä aamuna Zy ja muutama yhteisön jäsen liittyivät Discordiin ja aloittivat pienen karaokesession yhdessä 😂. Se oli vain huvin vuoksi, mutta jotenkin se loi todella lämpimän ja yhteyden tunteen. Tällaiset hetket ovat niitä, jotka todella antavat eloa yhteisölle.
Toivottavasti me kaikki voimme jatkaa tämän positiivisen energian ylläpitämistä, tukea toisiamme ja pysyä yhdessä akselivaltojen matkan ❤️ loppuun asti
Kiitos kaikille paljon.
Axis AI
Axis Weekly
Tällä viikolla jatkoimme suljetun silmukan robotiikkadataputkemme vahvistamista, TaskGenistä ja simulaatioinfrastruktuurista vikojen palautukseen ja omaisuustasoisten vahvistuksiin.
Tärkeimmät päivitykset:
- Tehtävien generointi: Suoritimme assetin skannauksen ja yhdistimme sen TaskGeniin, auttaen luotuja tehtäviä järkeilemään saatavilla olevia assetteja, kohtausasetteluja, pitkän aikavälin työnkulkuja ja monimuotoisia asetuksia.
- Simulaatioinfrastruktuuri: Paransimme MuJoCo:n vahvistus-, toisto- ja kohtausvariaatiotyönkulkuja, korjaten toistuvia latauksia, välimuistia, yhteensopivuutta ja pitkän aikavälin moniassettitehtävien vakautta.
- Robottiohjaimet: Puhdistimme gripper-käyttäytymisen, IK:n, teleoperaation ja ohjauspaneelin pidemmän horisontin ja moniresurssitehtävien palautteen perusteella.
Vian palautus: Jatkoimme putken rakentamista, jolla epäonnistuneet ja lähes epäonnistuneet ymmärtämistilat muutettiin uudelleenkäytettäväksi dataksi palautusoppimista varten.
- Assetin täydennys: Akateemisten yhteistyökumppaneiden kanssa kehitimme muodon suurennussuuntaa, joka voi laajentaa yhden siemenassetin moniin fyysisesti uskottaviin objektivariantteihin.
Lähempi katsaus tämän viikon edistymiseen 🧵
Baovy06 kirjasi uudelleen
Melody Vietnamin kansallinen lähettiläsohjelma|Yhden johtajan rekrytointi
Melody käynnistää Vietnamin kansallisen lähettiläsohjelman kasvattaakseen paikallisia yhteisöjä, sisällön tavoittamista ja offline-vaikuttavuutta. Rekrytoimme yhden kansallisen lähettilään edustamaan Melodyaa Vietnamissa ja yhdistämään musiikin ystäviä, Web3-käyttäjiä ja tekijöitä.
Sovelluskanava:
#RWA #MusicFi #MELO
