Baovy06
Baovy06
• HODL gjennom tordenvær, og høster frukt ved måneoppgang. • Posisjon utgjør alt. • Rolig før bølgen, stødig foran kartet.
1kFølger
1,1kfølgere
Feed
Feed
Denne verden....
Folk skilles av sine egne ord som de nekter å si noe.....
Derfor snakket alle med Zy i all hast.... Zy er alltid her, venter og lytter....
P/S: Denne vinen er deilig 🤭🤭 å drikke
@quipnetwork @NucleusCodes @sleepagotchi
Baovy06
Markedet for robotikk-AI vokser ekstremt raskt akkurat nå.
Fra egosentriske videodatasett, motion capture-systemer, syntetiske datapipelines til griperbaserte innsamlingsverktøy... Det føles som om et nytt robotdataselskap lanseres hver eneste uke.
Men det virkelige problemet er:
Ikke alle typer data er nyttige for å trene roboter.
Før man samler inn enorme mengder data, bør det viktigste spørsmålet være:
"Hva er det egentlig du trener roboten til å gjøre?"
PrismaX deler fysisk AI inn i to hovedkategorier:
• Kinematikkmodeller → fokusert på lavnivå robotkontroll.
Ting som balanse, hopping, bevegelse, bevegelsespresisjon.
• Grunnlagsmodeller → fokusert på å fullføre virkelige oppgaver.
Ting som å vaske opp, åpne dører, plukke gjenstander, samhandle med omgivelsene.
Og PrismaX fokuserer hovedsakelig på grunnmodeller — fordi fremtiden ikke bare trenger roboter som kan gjøre baklengs saltoer.
Den trenger roboter som faktisk kan hjelpe mennesker i dagliglivet.
Det jeg syntes var interessant, er at PrismaX ikke bare «selger robotdata».
De går mye dypere inn i:
• hvilken type data som passer til hver modell
• hva robotikkdata av høy kvalitet faktisk betyr
• hva som bør variere i datasett
• og hva som bør forbli konsistent for bedre konvergens
Akkurat nå eksperimenterer robotikkindustrien med ulike måter å samle data på:
• teleoperasjon → mennesker som fjernstyrer roboter
• menneskelig video → opplæring fra videoer av folk som utfører oppgaver
• gripersystemer → mennesker ved bruk av sporede griper-lignende verktøy
Hver metode har sine egne styrker og svakheter.
Men PrismaX mener at teleoperasjon fortsatt gir data av høyeste kvalitet fordi det er mer kontrollerbart, mer nøyaktig og enklere å bruke for å trene grunnlagsmodeller.
Det viktigste budskapet for meg fra PrismaX sin artikkel er dette:
"Robotikk er ikke bare AI-forskning.
Det er også et ingeniørproblem i den virkelige verden."
Ingen selskap har uendelig med penger, uendelige roboter eller uendelig tid til å trene modeller.
Det betyr at datasett ikke bare trenger å være store.
De trenger riktig struktur, riktig distribusjon og riktig kvalitet for at modellene skal kunne lære effektivt.
Og det er nettopp derfor PrismaX fokuserer sterkt på kontrollerte, høykvalitets robotdatasett i stedet for bare å jakte på skala
Markedet for robotikk-AI vokser ekstremt raskt akkurat nå.
Fra egosentriske videodatasett, motion capture-systemer, syntetiske datapipelines til griperbaserte innsamlingsverktøy... Det føles som om et nytt robotdataselskap lanseres hver eneste uke.
Men det virkelige problemet er:
Ikke alle typer data er nyttige for å trene roboter.
Før man samler inn enorme mengder data, bør det viktigste spørsmålet være:
"Hva er det egentlig du trener roboten til å gjøre?"
PrismaX deler fysisk AI inn i to hovedkategorier:
• Kinematikkmodeller → fokusert på lavnivå robotkontroll.
Ting som balanse, hopping, bevegelse, bevegelsespresisjon.
• Grunnlagsmodeller → fokusert på å fullføre virkelige oppgaver.
Ting som å vaske opp, åpne dører, plukke gjenstander, samhandle med omgivelsene.
Og PrismaX fokuserer hovedsakelig på grunnmodeller — fordi fremtiden ikke bare trenger roboter som kan gjøre baklengs saltoer.
Den trenger roboter som faktisk kan hjelpe mennesker i dagliglivet.
Det jeg syntes var interessant, er at PrismaX ikke bare «selger robotdata».
De går mye dypere inn i:
• hvilken type data som passer til hver modell
• hva robotikkdata av høy kvalitet faktisk betyr
• hva som bør variere i datasett
• og hva som bør forbli konsistent for bedre konvergens
Akkurat nå eksperimenterer robotikkindustrien med ulike måter å samle data på:
• teleoperasjon → mennesker som fjernstyrer roboter
• menneskelig video → opplæring fra videoer av folk som utfører oppgaver
• gripersystemer → mennesker ved bruk av sporede griper-lignende verktøy
Hver metode har sine egne styrker og svakheter.
Men PrismaX mener at teleoperasjon fortsatt gir data av høyeste kvalitet fordi det er mer kontrollerbart, mer nøyaktig og enklere å bruke for å trene grunnlagsmodeller.
Det viktigste budskapet for meg fra PrismaX sin artikkel er dette:
"Robotikk er ikke bare AI-forskning.
Det er også et ingeniørproblem i den virkelige verden."
Ingen selskap har uendelig med penger, uendelige roboter eller uendelig tid til å trene modeller.
Det betyr at datasett ikke bare trenger å være store.
De trenger riktig struktur, riktig distribusjon og riktig kvalitet for at modellene skal kunne lære effektivt.
Og det er nettopp derfor PrismaX fokuserer sterkt på kontrollerte, høykvalitets robotdatasett i stedet for bare å jakte på skala
Naturligvis savner Hanoi
Det er lenge siden jeg besøkte Hanoi
Den milde West Lake-vinden blåser lotusduft
Grønn og rød kafé med lys
Biler kjører ned og ned trær langs veien med falne blader
Føtter som går gjennom hver gate
Midt på sommeren blomstrer føniksen sterkt med blomster
Den lette solen faller på hver tråd under verandaen
Hvor mange minner husker hjertene våre......
@quipnetwork @NucleusCodes @sleepagotchi
Hvis du har vært aktiv i @sleepagotchi-økosystemet, er det nå du bør sjekke om du er kvalifisert
Prosjektet har offisielt lansert sin Creator Leaderboard på Nucleus Codes med en massiv belønningspool på 120 000 dollar i $SLEEP for skapere og aktive medlemmer av fellesskapet.
Det som gjør Sleepagotchi interessant, er at det ikke bare er et annet web3-spill. Teamet bygger rundt sleep-fi, gamification og AI-velvære, og skaper et unikt økosystem som skiller seg ut fra typiske GameFi-prosjekter.
De har også samlet inn millioner i finansiering og konsekvent drevet fellesskapskampanjer med sterk engasjement og solide belønninger til brukerne.
Hvis du har gjort oppgaver, spilt minispillene deres eller støttet prosjektet på sosiale medier før, sjekk om du er kvalifisert nå
Bli med nå:
Denne uken fortsatte teamet hos @axisrobotics å forbedre mange viktige deler av sitt robotdatasystem, fra automatisk oppgavegenerering og simuleringsmiljøer til feilgjenoppretting og objektdataforsterkning.
Men for ZY er det som virkelig gjør at et prosjekt virkelig går langt ikke bare teknologien i seg selv, men også støtten og bidraget fra lokalsamfunnet.
Og jo lenger Zy blir hos Axis, desto mer blir den følelsen ekte.
Her er noen oppdateringer som virkelig skilte seg ut for Zy denne uken:
• Oppgavegenereringssystemet er oppgradert for å bedre forstå tilgjengelige objekter, miljøoppsett og langhorisont-arbeidsflyter på tvers av ulike robotkropper.
• Simuleringsinfrastrukturen er nå mye mer stabil, spesielt når man kjører lange oppgaver eller håndterer flere objekter samtidig.
• Robotkontroller ble forbedret basert på tilbakemeldinger fra fellesskapet, spesielt for griping, robotarmbevegelser og kontrollgrensesnitt.
• En av de mest interessante tingene er hvordan teamet bruker mislykkede eller nesten mislykkede robothandlinger som nye treningsdata. Dette hjelper roboter å lære hvordan de kan komme seg etter feil i stedet for bare å lære av vellykkede forsøk.
I tillegg samarbeider Axis også med forskningsgrupper for å utvikle objektnivå dataforsterkningsteknologi. Fra et enkelt objekt kan systemet generere flere realistiske varianter for å forbedre treningskvaliteten.
Zy har opplevd prosjektet i over en uke nå, og ærlig talt har det vært ganske hyggelig. Noen oppgaver kan fortsatt føles litt trege til tider, men det lærer også tålmodighet og utholdenhet underveis
Når det gjelder fellesskapet, er det egentlig ingenting å klage på. Alle er aktive, støttende og alltid villige til å hjelpe hverandre.
Spesielt i morges ble Zy og noen medlemmer av fellesskapet med på Discord og startet en liten karaokeøkt sammen 😂. Det var bare for moro skyld, men på en eller annen måte skapte det en veldig varm og tilknyttet følelse. Øyeblikk som dette er det som virkelig gir liv til et fellesskap.
Forhåpentligvis kan vi alle fortsette å opprettholde denne positive energien, støtte hverandre og holde sammen helt til slutten av aksemaktens reise ❤️
Tusen takk til alle.
Axis AI
Akse-ukebladet
Denne uken fortsatte vi å styrke vår lukkede robotikkdatapipeline, fra TaskGen og simuleringsinfrastruktur til feilgjenoppretting og utvidelse på eiendelsnivå.
Viktige oppdateringer:
- Oppgavegenerering: Vi fullførte asset-skanning og slo den sammen med TaskGen, noe som hjalp genererte oppgaver med å resonnere over tilgjengelige ressurser, sceneoppsett, langhorisont-arbeidsflyter og multi-embodiment-innstillinger.
- Simuleringsinfrastruktur: Vi forbedret MuJoCo verify, replay og scene-variant arbeidsflyter, med løsninger rundt gjentatte nedlastinger, caching, kompatibilitet og langsiktig multi-asset oppgavestabilitet.
- Robotkontroller: Vi har ryddet opp i griperens oppførsel, IK, teleoperasjon og kontrollpanelet basert på tilbakemelding fra lengre horisont- og multi-asset-oppgaver.
Feilgjenoppretting: Vi fortsatte å bygge en pipeline for å gjøre mislykkede og nesten mislykkede grasping-tilstander om til gjenbrukbare data for gjenopprettingslæring.
- Assetaugmentasjon: Sammen med akademiske samarbeidspartnere utviklet vi en formaugmentasjonsretning som kan utvide én seed-ressurs til mange fysisk plausible objektvarianter.
Et nærmere blikk på ukens fremgang 🧵
Baovy06 lagt ut på nytt
Melody Vietnam National Ambassador Program|Rekruttering av 1 leder
Melody lanserer Vietnam National Ambassador Program for å utvide lokalsamfunn, innholdskontakt og offline påvirkning. Vi rekrutterer én nasjonal ambassadør for å representere Melody i hele Vietnam og knytte kontakt med musikkfans, Web3-brukere og skapere.
Applikasjonskanal:
#RWA #MusicFi #MELO
Baovy06 lagt ut på nytt
Akse-ukebladet
Denne uken fortsatte vi å styrke vår lukkede robotikkdatapipeline, fra TaskGen og simuleringsinfrastruktur til feilgjenoppretting og utvidelse på eiendelsnivå.
Viktige oppdateringer:
- Oppgavegenerering: Vi fullførte asset-skanning og slo den sammen med TaskGen, noe som hjalp genererte oppgaver med å resonnere over tilgjengelige ressurser, sceneoppsett, langhorisont-arbeidsflyter og multi-embodiment-innstillinger.
- Simuleringsinfrastruktur: Vi forbedret MuJoCo verify, replay og scene-variant arbeidsflyter, med løsninger rundt gjentatte nedlastinger, caching, kompatibilitet og langsiktig multi-asset oppgavestabilitet.
- Robotkontroller: Vi har ryddet opp i griperens oppførsel, IK, teleoperasjon og kontrollpanelet basert på tilbakemelding fra lengre horisont- og multi-asset-oppgaver.
Feilgjenoppretting: Vi fortsatte å bygge en pipeline for å gjøre mislykkede og nesten mislykkede grasping-tilstander om til gjenbrukbare data for gjenopprettingslæring.
- Assetaugmentasjon: Sammen med akademiske samarbeidspartnere utviklet vi en formaugmentasjonsretning som kan utvide én seed-ressurs til mange fysisk plausible objektvarianter.
Et nærmere blikk på ukens fremgang 🧵