Baovy06
Baovy06
• HODL melalui badai petir, menuai buah saat bulan terbit. • Posisi membuat semuanya. • Tenang sebelum gelombang, teguh di depan grafik.
1 rbMengikuti
1,1 rbpengikut
Feed
Feed
Menarik untuk melihat bagaimana proyek-proyek ini diam-diam membangun berbagai bagian dari ekosistem onchain berikutnya.
@NucleusCodes berfokus pada reputasi dan lapisan identitas, sementara Quantum Echoes mendorong NFT lebih jauh dengan menggunakan perangkat keras kuantum nyata dan keacakan yang dapat diverifikasi untuk setiap mint.
@sleepagotchi mengubah kebiasaan tidur sehari-hari menjadi lingkaran keterlibatan jangka panjang melalui gamifikasi, NFT, dan identitas digital.
Sementara itu @quipnetwork sedang membangun infrastruktur komputasi kuantum yang terdesentralisasi, dan sekarang menghubungkan narasi itu dengan Quantum Echoes terasa seperti langkah cerdas.
Rasanya ketiga proyek bergerak ke arah yang sama:
aktivitas pengguna nyata, identitas digital, dan ekosistem berbasis teknologi alih-alih hype 🦋 jangka pendek
Dunia ini....
Orang-orang dipisahkan oleh kata-kata mereka sendiri yang mereka tolak untuk diucapkan.....
Itu sebabnya semua orang hanya berbicara dengan Zy dengan tergesa-gesa .... Zy selalu di sini menunggu dan mendengarkan ....
P/S Anggur ini enak 🤭🤭 untuk diminum
@quipnetwork @NucleusCodes @sleepagotchi
Baovy06
Pasar AI robotika tumbuh sangat cepat saat ini.
Dari kumpulan data video egosentris, sistem penangkapan gerak, alur data sintetis hingga alat pengumpulan berbasis gripper ... Rasanya seperti perusahaan data robotika baru diluncurkan setiap minggu.
Tapi masalah sebenarnya adalah:
Tidak semua jenis data berguna untuk melatih robot.
Sebelum mengumpulkan data dalam jumlah besar, pertanyaan terpenting adalah:
"Apa sebenarnya yang kamu latih robot untuk lakukan?"
PrismaX memecah AI fisik menjadi 2 kategori utama:
• Model kinematika → berfokus pada kontrol robot tingkat rendah.
Hal-hal seperti menyeimbangkan, melompat, gerak, presisi gerakan.
• Model fondasi → berfokus pada penyelesaian tugas dunia nyata.
Hal-hal seperti mencuci piring, membuka pintu, memilih objek, berinteraksi dengan lingkungan.
Dan PrismaX terutama berfokus pada model fondasi - karena masa depan tidak hanya membutuhkan robot yang dapat melakukan backflip.
Dibutuhkan robot yang benar-benar dapat membantu manusia dalam kehidupan sehari-hari.
Yang menurut saya menarik adalah bahwa PrismaX tidak hanya "menjual data robotika."
Mereka masuk lebih dalam ke dalam:
• jenis data apa yang cocok untuk setiap model
• Apa arti sebenarnya data robotika berkualitas tinggi
• apa yang harus bervariasi di dalam kumpulan data
• dan apa yang harus tetap konsisten untuk konvergensi yang lebih baik
Saat ini, industri robotika sedang bereksperimen dengan berbagai cara mengumpulkan data:
• teleoperasi → manusia yang mengendalikan robot dari jarak jauh
• pelatihan → video manusia dari video orang yang melakukan tugas
• Sistem gripper → manusia menggunakan alat seperti gripper yang dilacak
Setiap metode memiliki kekuatan dan kelemahannya masing-masing.
Tetapi PrismaX percaya teleoperasi masih memberikan data dengan kualitas tertinggi karena lebih dapat dikendalikan, lebih akurat, dan lebih mudah digunakan untuk melatih model fondasi.
Pelajaran terbesar bagi saya dari artikel PrismaX adalah ini:
"Robotika bukan hanya penelitian AI.
Ini juga masalah teknik dunia nyata."
Tidak ada perusahaan yang memiliki uang tak terbatas, robot tak terbatas, atau waktu tak terbatas untuk melatih model.
Itu berarti kumpulan data tidak hanya harus besar.
Mereka membutuhkan struktur yang tepat, distribusi yang tepat, dan kualitas yang tepat bagi model untuk belajar secara efisien.
Dan itulah mengapa PrismaX sangat berfokus pada kumpulan data robotika yang terkontrol dan berkualitas tinggi alih-alih hanya mengejar skala
Pasar AI robotika tumbuh sangat cepat saat ini.
Dari kumpulan data video egosentris, sistem penangkapan gerak, alur data sintetis hingga alat pengumpulan berbasis gripper ... Rasanya seperti perusahaan data robotika baru diluncurkan setiap minggu.
Tapi masalah sebenarnya adalah:
Tidak semua jenis data berguna untuk melatih robot.
Sebelum mengumpulkan data dalam jumlah besar, pertanyaan terpenting adalah:
"Apa sebenarnya yang kamu latih robot untuk lakukan?"
PrismaX memecah AI fisik menjadi 2 kategori utama:
• Model kinematika → berfokus pada kontrol robot tingkat rendah.
Hal-hal seperti menyeimbangkan, melompat, gerak, presisi gerakan.
• Model fondasi → berfokus pada penyelesaian tugas dunia nyata.
Hal-hal seperti mencuci piring, membuka pintu, memilih objek, berinteraksi dengan lingkungan.
Dan PrismaX terutama berfokus pada model fondasi - karena masa depan tidak hanya membutuhkan robot yang dapat melakukan backflip.
Dibutuhkan robot yang benar-benar dapat membantu manusia dalam kehidupan sehari-hari.
Yang menurut saya menarik adalah bahwa PrismaX tidak hanya "menjual data robotika."
Mereka masuk lebih dalam ke dalam:
• jenis data apa yang cocok untuk setiap model
• Apa arti sebenarnya data robotika berkualitas tinggi
• apa yang harus bervariasi di dalam kumpulan data
• dan apa yang harus tetap konsisten untuk konvergensi yang lebih baik
Saat ini, industri robotika sedang bereksperimen dengan berbagai cara mengumpulkan data:
• teleoperasi → manusia yang mengendalikan robot dari jarak jauh
• pelatihan → video manusia dari video orang yang melakukan tugas
• Sistem gripper → manusia menggunakan alat seperti gripper yang dilacak
Setiap metode memiliki kekuatan dan kelemahannya masing-masing.
Tetapi PrismaX percaya teleoperasi masih memberikan data dengan kualitas tertinggi karena lebih dapat dikendalikan, lebih akurat, dan lebih mudah digunakan untuk melatih model fondasi.
Pelajaran terbesar bagi saya dari artikel PrismaX adalah ini:
"Robotika bukan hanya penelitian AI.
Ini juga masalah teknik dunia nyata."
Tidak ada perusahaan yang memiliki uang tak terbatas, robot tak terbatas, atau waktu tak terbatas untuk melatih model.
Itu berarti kumpulan data tidak hanya harus besar.
Mereka membutuhkan struktur yang tepat, distribusi yang tepat, dan kualitas yang tepat bagi model untuk belajar secara efisien.
Dan itulah mengapa PrismaX sangat berfokus pada kumpulan data robotika yang terkontrol dan berkualitas tinggi alih-alih hanya mengejar skala
Tentu saja merindukan Hanoi
Sudah lama sejak saya mengunjungi Hanoi
Angin Danau Barat yang lembut meniup aroma teratai
Kafe hijau dan merah dengan lampu
Mobil tumbang dan menurunkan pohon di sepanjang jalan dengan daun yang rontok
Kaki berjalan di setiap jalan
Di tengah musim panas, phoenix mekar cerah dengan bunga
Matahari yang terang jatuh di setiap helai di bawah teras
Berapa banyak kenangan yang diingat hati kita......
@quipnetwork @NucleusCodes @sleepagotchi
Jika Anda pernah aktif di ekosistem @sleepagotchi, sekaranglah saatnya untuk memeriksa kelayakan Anda
Proyek ini telah secara resmi meluncurkan Papan Peringkat Kreator di Nucleus Codes dengan kumpulan hadiah sebesar $120.000 dalam $SLEEP untuk pembuat konten dan anggota komunitas aktif.
Apa yang membuat Sleepagotchi menarik adalah bahwa ini bukan hanya game web3 lainnya. Tim ini membangun di sekitar sleep-fi, gamifikasi, dan kesehatan AI, menciptakan ekosistem unik yang menonjol dari proyek GameFi pada umumnya.
Mereka juga telah mengumpulkan jutaan dana dan secara konsisten mendorong kampanye komunitas dengan keterlibatan yang kuat dan hadiah yang solid bagi pengguna.
Jika Anda telah mengerjakan tugas, memainkan mini game mereka, atau mendukung proyek di media sosial sebelumnya, periksa kelayakan Anda sekarang
Bergabung sekarang:
Minggu ini, tim di @axisrobotics terus meningkatkan banyak bagian penting dari sistem data robotika mereka, mulai dari pembuatan tugas otomatis dan lingkungan simulasi hingga pemulihan kegagalan dan peningkatan data objek.
Namun bagi Zy, yang membuat sebuah proyek benar-benar berjalan jauh bukan hanya teknologi itu sendiri, tetapi juga dukungan dan kontribusi dari masyarakat.
Dan semakin lama Zy tinggal bersama Axis, semakin perasaan itu menjadi nyata.
Berikut adalah beberapa pembaruan yang benar-benar menonjol bagi Zy minggu ini:
• Sistem pembuatan tugas telah ditingkatkan untuk lebih memahami objek yang tersedia, tata letak lingkungan, dan alur kerja cakrawala panjang di berbagai perwujudan robot.
• Infrastruktur simulasi sekarang jauh lebih stabil, terutama saat menjalankan tugas panjang atau menangani banyak objek secara bersamaan.
• Kontrol robot ditingkatkan berdasarkan umpan balik komunitas, terutama untuk menggenggam, gerakan lengan robot, dan antarmuka kontrol.
• Salah satu hal yang paling menarik adalah bagaimana tim menggunakan tindakan robot yang gagal atau hampir gagal sebagai data pelatihan baru. Ini membantu robot belajar bagaimana pulih dari kesalahan alih-alih hanya belajar dari upaya yang berhasil.
Selain itu, Axis juga berkolaborasi dengan kelompok penelitian untuk mengembangkan teknologi augmentasi data tingkat objek. Dari satu objek, sistem dapat menghasilkan beberapa variasi realistis untuk meningkatkan kualitas pelatihan.
Zy telah mengalami proyek ini selama lebih dari seminggu sekarang, dan sejujurnya itu cukup menyenangkan. Beberapa tugas terkadang masih terasa sedikit lamban, tetapi juga mengajarkan kesabaran dan ketekunan di sepanjang jalan
Adapun komunitas, sebenarnya tidak ada yang perlu dikeluhkan. Setiap orang aktif, mendukung, dan selalu bersedia saling membantu.
Terutama pagi ini, Zy dan beberapa anggota komunitas bergabung dengan Discord dan memulai sesi karaoke kecil bersama Itu 😂 hanya untuk bersenang-senang, tetapi entah bagaimana itu menciptakan perasaan yang sangat hangat dan terhubung. Momen-momen seperti inilah yang benar-benar menghidupkan sebuah komunitas.
Semoga kita semua dapat terus menjaga energi positif ini, saling mendukung, dan tetap bersama sampai akhir perjalanan ❤️ Poros
Terima kasih banyak semuanya.
Axis AI
Poros Mingguan
Minggu ini, kami terus memperkuat pipeline data robotika loop tertutup kami, mulai dari TaskGen dan infrastruktur simulasi hingga pemulihan kegagalan dan augmentasi tingkat aset.
Pembaruan utama:
- Pembuatan tugas: Kami menyelesaikan pemindaian aset dan menggabungkannya ke dalam TaskGen, membantu tugas yang dihasilkan mempertimbangkan aset yang tersedia, tata letak adegan, alur kerja cakrawala panjang, dan pengaturan multi-perwujudan.
- Infra simulasi: Kami meningkatkan alur kerja verifikasi MuJoCo, pemutaran ulang, dan varian adegan, dengan perbaikan seputar unduhan berulang, caching, kompatibilitas, dan stabilitas tugas multi-aset cakrawala panjang.
- Kontrol robot: Kami membersihkan perilaku gripper, IK, teleoperasi, dan panel kontrol berdasarkan umpan balik dari tugas cakrawala yang lebih panjang dan multi-aset.
Pemulihan kegagalan: Kami terus membangun alur untuk mengubah status pemahaman yang gagal dan hampir gagal menjadi data yang dapat digunakan kembali untuk pembelajaran pemulihan.
- Augmentasi aset: Dengan kolaborator akademis, kami memajukan arah peningkatan bentuk yang dapat memperluas satu aset benih menjadi banyak varian objek yang masuk akal secara fisik.
Melihat lebih dekat kemajuan 🧵 minggu ini
Baovy06 diposting ulang
Program Duta Nasional Melody Vietnam|Merekrut 1 Pemimpin
Melody meluncurkan Program Duta Nasional Vietnam untuk menumbuhkan komunitas lokal, penjangkauan konten, dan dampak offline. Kami merekrut 1 Duta Nasional untuk mewakili Melody di seluruh Vietnam dan terhubung dengan penggemar musik, pengguna Web3, dan pembuat konten.
Saluran aplikasi:
#RWA #MusicFi #MELO
