Baovy06
Baovy06
• HODL qua giông bão, gặt quả lúc trăng lên. • Vị thế tạo nên tất cả. • Bình tĩnh trước con sóng, kiên định trước con chart.
1 NĐang theo dõi
1,1 Nngười theo dõi
Hoạt động
Hoạt động
Thế gian này….
Người ta xa nhau bằng chính những lời không chịu nói…..
Vậy nên mọi người cứ mạnh dạng nói chuyện với Zy nghen…. Zy luôn ở đây chờ đợi và lắng nghe….
P/S rượu này uống ngon k mn 🤭🤭
@quipnetwork @NucleusCodes @sleepagotchi

Baovy06
Thị trường AI robot đang phát triển cực kỳ nhanh chóng ngay lúc này.
Từ các bộ dữ liệu video tập trung vào cá nhân, hệ thống ghi lại chuyển động, quy trình dữ liệu tổng hợp đến các công cụ thu thập dựa trên kẹp... cảm giác như mỗi tuần lại có một công ty dữ liệu robot mới ra mắt.
Nhưng vấn đề thực sự là:
không phải mọi loại dữ liệu đều hữu ích cho việc đào tạo robot.
Trước khi thu thập một lượng lớn dữ liệu, câu hỏi quan trọng nhất nên là:
"Bạn đang đào tạo robot làm gì chính xác?"
PrismaX chia AI vật lý thành 2 loại chính:
• Mô hình động học → tập trung vào điều khiển robot cấp thấp.
Những thứ như cân bằng, nhảy, di chuyển, độ chính xác chuyển động.
• Mô hình nền tảng → tập trung vào hoàn thành các nhiệm vụ thực tế.
Những thứ như rửa bát, mở cửa, nhặt đồ vật, tương tác với môi trường.
Và PrismaX chủ yếu tập trung vào mô hình nền tảng — bởi vì tương lai không chỉ cần những robot có thể nhào lộn.
Nó cần những robot thực sự có thể giúp con người trong cuộc sống hàng ngày.
Điều tôi thấy thú vị là PrismaX không chỉ đơn thuần "bán dữ liệu robot."
Họ đi sâu hơn vào:
• loại dữ liệu nào phù hợp với từng mô hình
• dữ liệu robot chất lượng cao thực sự có nghĩa là gì
• những gì nên thay đổi trong bộ dữ liệu
• và những gì nên giữ nguyên để đạt được sự hội tụ tốt hơn
Hiện tại, ngành công nghiệp robot đang thử nghiệm nhiều cách khác nhau để thu thập dữ liệu:
• điều khiển từ xa → con người điều khiển robot từ xa
• video con người → đào tạo từ video người thực hiện nhiệm vụ
• hệ thống kẹp → con người sử dụng công cụ giống kẹp được theo dõi
Mỗi phương pháp đều có điểm mạnh và điểm yếu riêng.
Nhưng PrismaX tin rằng điều khiển từ xa vẫn cung cấp dữ liệu chất lượng cao nhất vì nó dễ kiểm soát hơn, chính xác hơn và dễ sử dụng hơn cho việc đào tạo mô hình nền tảng.
Điều quan trọng nhất tôi rút ra từ bài viết của PrismaX là:
"Robot không chỉ là nghiên cứu AI.
Nó còn là một vấn đề kỹ thuật thực tế."
Không công ty nào có tiền vô hạn, robot vô hạn hay thời gian vô hạn để đào tạo mô hình.
Điều đó có nghĩa là bộ dữ liệu không chỉ cần lớn.
Chúng cần cấu trúc đúng, phân phối đúng và chất lượng đúng để mô hình học hiệu quả.
Và đó chính là lý do PrismaX tập trung mạnh vào các bộ dữ liệu robot được kiểm soát chặt chẽ, chất lượng cao thay vì chỉ chạy theo quy mô

Thị trường AI robot đang phát triển cực kỳ nhanh chóng ngay lúc này.
Từ các bộ dữ liệu video tập trung vào cá nhân, hệ thống ghi lại chuyển động, quy trình dữ liệu tổng hợp đến các công cụ thu thập dựa trên kẹp... cảm giác như mỗi tuần lại có một công ty dữ liệu robot mới ra mắt.
Nhưng vấn đề thực sự là:
không phải mọi loại dữ liệu đều hữu ích cho việc đào tạo robot.
Trước khi thu thập một lượng lớn dữ liệu, câu hỏi quan trọng nhất nên là:
"Bạn đang đào tạo robot làm gì chính xác?"
PrismaX chia AI vật lý thành 2 loại chính:
• Mô hình động học → tập trung vào điều khiển robot cấp thấp.
Những thứ như cân bằng, nhảy, di chuyển, độ chính xác chuyển động.
• Mô hình nền tảng → tập trung vào hoàn thành các nhiệm vụ thực tế.
Những thứ như rửa bát, mở cửa, nhặt đồ vật, tương tác với môi trường.
Và PrismaX chủ yếu tập trung vào mô hình nền tảng — bởi vì tương lai không chỉ cần những robot có thể nhào lộn.
Nó cần những robot thực sự có thể giúp con người trong cuộc sống hàng ngày.
Điều tôi thấy thú vị là PrismaX không chỉ đơn thuần "bán dữ liệu robot."
Họ đi sâu hơn vào:
• loại dữ liệu nào phù hợp với từng mô hình
• dữ liệu robot chất lượng cao thực sự có nghĩa là gì
• những gì nên thay đổi trong bộ dữ liệu
• và những gì nên giữ nguyên để đạt được sự hội tụ tốt hơn
Hiện tại, ngành công nghiệp robot đang thử nghiệm nhiều cách khác nhau để thu thập dữ liệu:
• điều khiển từ xa → con người điều khiển robot từ xa
• video con người → đào tạo từ video người thực hiện nhiệm vụ
• hệ thống kẹp → con người sử dụng công cụ giống kẹp được theo dõi
Mỗi phương pháp đều có điểm mạnh và điểm yếu riêng.
Nhưng PrismaX tin rằng điều khiển từ xa vẫn cung cấp dữ liệu chất lượng cao nhất vì nó dễ kiểm soát hơn, chính xác hơn và dễ sử dụng hơn cho việc đào tạo mô hình nền tảng.
Điều quan trọng nhất tôi rút ra từ bài viết của PrismaX là:
"Robot không chỉ là nghiên cứu AI.
Nó còn là một vấn đề kỹ thuật thực tế."
Không công ty nào có tiền vô hạn, robot vô hạn hay thời gian vô hạn để đào tạo mô hình.
Điều đó có nghĩa là bộ dữ liệu không chỉ cần lớn.
Chúng cần cấu trúc đúng, phân phối đúng và chất lượng đúng để mô hình học hiệu quả.
Và đó chính là lý do PrismaX tập trung mạnh vào các bộ dữ liệu robot được kiểm soát chặt chẽ, chất lượng cao thay vì chỉ chạy theo quy mô

Tự nhiên nhớ Hà Nội
Đã lâu lắm không về thăm Hà Nội
Gió Tây Hồ nhẹ thổi ngát hương sen
Quán cà phê xanh đỏ sắc ánh đèn
Xe xuôi ngược cây ven đường lá đổ
Chân bước dạo đi qua từng con phố
Giữa hạ rồi phượng nở rực màu hoa
Nắng nhẹ rơi từng sợi dưới hiên nhà
Bao kỷ niệm lòng ta xao xuyến nhớ……
@quipnetwork @NucleusCodes @sleepagotchi

Nếu bạn đã hoạt động trong hệ sinh thái @sleepagotchi, bây giờ là lúc để kiểm tra xem bạn có đủ điều kiện không
Dự án đã chính thức ra mắt Bảng xếp hạng Nhà sáng tạo trên Nucleus Codes với quỹ thưởng khổng lồ 120.000 đô la $SLEEP dành cho các nhà sáng tạo và thành viên cộng đồng tích cực.
Điều làm cho Sleepagotchi trở nên thú vị là nó không chỉ là một trò chơi web3 thông thường. Đội ngũ đang xây dựng xung quanh sleep-fi, trò chơi hóa và AI chăm sóc sức khỏe, tạo nên một hệ sinh thái độc đáo nổi bật so với các dự án GameFi điển hình.
Họ cũng đã huy động được hàng triệu đô la vốn và liên tục thúc đẩy các chiến dịch cộng đồng với sự tham gia mạnh mẽ và phần thưởng vững chắc cho người dùng.
Nếu bạn đã hoàn thành các nhiệm vụ, chơi các trò chơi nhỏ của họ hoặc hỗ trợ dự án trên mạng xã hội trước đây, hãy kiểm tra ngay xem bạn có đủ điều kiện không
Tham gia ngay:

Tuần này, đội ngũ tại @axisrobotics tiếp tục cải tiến nhiều phần quan trọng trong hệ thống dữ liệu robot của họ, từ việc tạo tác vụ tự động và môi trường mô phỏng đến phục hồi sau lỗi và tăng cường dữ liệu đối tượng.
Nhưng đối với Zy, điều làm cho một dự án thực sự tiến xa không chỉ là công nghệ mà còn là sự hỗ trợ và đóng góp từ cộng đồng.
Và càng ở lại với Axis lâu, cảm giác đó càng trở nên thật sự.
Dưới đây là một vài cập nhật thực sự nổi bật với Zy trong tuần này:
• Hệ thống tạo tác vụ đã được nâng cấp để hiểu rõ hơn về các đối tượng có sẵn, bố cục môi trường và quy trình làm việc dài hạn trên các dạng robot khác nhau.
• Cơ sở hạ tầng mô phỏng giờ đây ổn định hơn nhiều, đặc biệt khi chạy các tác vụ dài hoặc xử lý nhiều đối tượng cùng lúc.
• Điều khiển robot được cải thiện dựa trên phản hồi từ cộng đồng, đặc biệt là trong việc cầm nắm, di chuyển cánh tay robot và giao diện điều khiển.
• Một trong những điều thú vị nhất là cách đội ngũ sử dụng các hành động robot thất bại hoặc gần thất bại làm dữ liệu huấn luyện mới. Điều này giúp robot học cách phục hồi sau sai lầm thay vì chỉ học từ những lần thành công.
Ngoài ra, Axis cũng đang hợp tác với các nhóm nghiên cứu để phát triển công nghệ tăng cường dữ liệu cấp độ đối tượng. Từ một đối tượng duy nhất, hệ thống có thể tạo ra nhiều biến thể thực tế để nâng cao chất lượng huấn luyện.
Zy đã trải nghiệm dự án hơn một tuần nay, và thật sự rất thú vị. Một số tác vụ vẫn có thể hơi giật lag đôi lúc, nhưng điều đó cũng dạy cho sự kiên nhẫn và bền bỉ trên hành trình.
Còn về cộng đồng, thật sự không có gì để phàn nàn. Mọi người đều năng động, hỗ trợ và luôn sẵn lòng giúp đỡ nhau.
Đặc biệt sáng nay, Zy và một vài thành viên cộng đồng đã tham gia Discord và bắt đầu một buổi karaoke nhỏ cùng nhau 😂 Chỉ là để vui thôi, nhưng bằng cách nào đó nó tạo ra cảm giác ấm áp và gắn kết thật sự. Những khoảnh khắc như thế này chính là điều làm cho cộng đồng trở nên sống động.
Hy vọng tất cả chúng ta có thể tiếp tục giữ vững năng lượng tích cực này, hỗ trợ lẫn nhau và đồng hành cùng nhau đến cuối hành trình của Axis ❤️
Cảm ơn mọi người rất nhiều.


Axis AI
Axis Weekly
Tuần này, chúng tôi tiếp tục củng cố chuỗi dữ liệu robot khép kín, từ TaskGen và hạ tầng mô phỏng đến phục hồi lỗi và tăng cường cấp tài sản.
Cập nhật chính:
- Tạo tác vụ: Chúng tôi đã hoàn thành quét tài sản và hợp nhất nó vào TaskGen, giúp các tác vụ được tạo ra có thể suy luận dựa trên các tài sản có sẵn, bố cục cảnh, quy trình làm việc dài hạn và các thiết lập đa hiện thân.
- Hạ tầng mô phỏng: Chúng tôi đã cải thiện các quy trình xác minh MuJoCo, phát lại và biến thể cảnh, với các sửa lỗi liên quan đến tải xuống lặp lại, bộ nhớ đệm, tương thích và sự ổn định của tác vụ đa tài sản dài hạn.
- Điều khiển robot: Chúng tôi đã làm sạch hành vi kẹp, IK, điều khiển từ xa và bảng điều khiển dựa trên phản hồi từ các tác vụ dài hạn và đa tài sản.
Phục hồi lỗi: Chúng tôi tiếp tục xây dựng một chuỗi xử lý để biến các trạng thái nắm bắt thất bại và gần thất bại thành dữ liệu có thể tái sử dụng cho việc học phục hồi.
- Tăng cường tài sản: Cùng với các cộng tác viên học thuật, chúng tôi đã tiến triển một hướng tăng cường hình dạng có thể mở rộng một tài sản gốc thành nhiều biến thể đối tượng hợp lý về mặt vật lý.
Một cái nhìn sâu hơn về tiến trình tuần này 🧵
Baovy06 đã đăng lại

Chương trình Đại sứ Quốc gia Melody Việt Nam|Tuyển dụng 1 Trưởng nhóm
Melody đang khởi động Chương trình Đại sứ Quốc gia tại Việt Nam nhằm phát triển cộng đồng địa phương, mở rộng nội dung và tăng cường ảnh hưởng ngoại tuyến. Chúng tôi đang tuyển 1 Đại sứ Quốc gia để đại diện cho Melody trên toàn Việt Nam và kết nối với người hâm mộ âm nhạc, người dùng Web3 và các nhà sáng tạo.
Kênh đăng ký:
#RWA #MusicFi #MELO

Baovy06 đã đăng lại

Axis Weekly
Tuần này, chúng tôi tiếp tục củng cố chuỗi dữ liệu robot khép kín, từ TaskGen và hạ tầng mô phỏng đến phục hồi lỗi và tăng cường cấp tài sản.
Cập nhật chính:
- Tạo tác vụ: Chúng tôi đã hoàn thành quét tài sản và hợp nhất nó vào TaskGen, giúp các tác vụ được tạo ra có thể suy luận dựa trên các tài sản có sẵn, bố cục cảnh, quy trình làm việc dài hạn và các thiết lập đa hiện thân.
- Hạ tầng mô phỏng: Chúng tôi đã cải thiện các quy trình xác minh MuJoCo, phát lại và biến thể cảnh, với các sửa lỗi liên quan đến tải xuống lặp lại, bộ nhớ đệm, tương thích và sự ổn định của tác vụ đa tài sản dài hạn.
- Điều khiển robot: Chúng tôi đã làm sạch hành vi kẹp, IK, điều khiển từ xa và bảng điều khiển dựa trên phản hồi từ các tác vụ dài hạn và đa tài sản.
Phục hồi lỗi: Chúng tôi tiếp tục xây dựng một chuỗi xử lý để biến các trạng thái nắm bắt thất bại và gần thất bại thành dữ liệu có thể tái sử dụng cho việc học phục hồi.
- Tăng cường tài sản: Cùng với các cộng tác viên học thuật, chúng tôi đã tiến triển một hướng tăng cường hình dạng có thể mở rộng một tài sản gốc thành nhiều biến thể đối tượng hợp lý về mặt vật lý.
Một cái nhìn sâu hơn về tiến trình tuần này 🧵



