Baovy06

GN FAMS 我最近注意到的一件事是，Web3 正在如何自然而然地融入日常生活。 今晚下线前，我查看了我在 @sleepagotchi 上的进展。看到一个项目将休息和持续性这样简单的事情转变为有意义的体验，而不仅仅是另一个农场循环，真是令人耳目一新。 与此同时，我一直依赖 @quipnetwork 来确保在不同生态系统间移动时的一切安全。链上生活越活跃，可靠的安全性就显得越重要。 我也对 @NucleusCodes 在基础设施和扩展方面的方向感到好奇。可以明显感觉到团队们正从噪音中转移注意力，更专注于让加密货币真正实现长期可用。 说实话，像 @wallchain 这样的平台不断证明，注意力和参与度正成为真正的数字资产。 没有什么一夜之间的大变化，只是小习惯、小互动和稳定的参与随着时间积累。 GN 大家

RWA 赛季已经开始火爆了——不管你是否注意到。 让我们一起乘风破浪吧！🌊 #RWA #MusicFi #Spotify

机器人AI市场目前增长极其迅速。 从以自我为中心的视频数据集、动作捕捉系统、合成数据管线到基于抓手的采集工具……感觉几乎每周都有一家新的机器人数据公司成立。 但真正的问题是： 并非所有类型的数据都适合用于训练机器人。 在收集大量数据之前，最重要的问题应该是： “你到底在训练机器人做什么？” PrismaX将物理AI分为两个主要类别： • 运动学模型 → 专注于低级机器人控制。 比如平衡、跳跃、行走、运动精度。 • 基础模型 → 专注于完成现实世界任务。 比如洗碗、开门、拾取物体、与环境互动。 而PrismaX主要专注于基础模型——因为未来不仅需要会后空翻的机器人。 它需要真正能帮助人类日常生活的机器人。 我觉得有趣的是，PrismaX并不仅仅是在“销售机器人数据”。 他们深入探讨了： • 哪种数据适合每种模型 • 高质量机器人数据的真正含义 • 数据集中应有哪些变化 • 以及为了更好收敛应保持哪些一致性 目前，机器人行业正在尝试不同的数据采集方式： • 遥控操作 → 人类远程控制机器人 • 人类视频 → 从人类执行任务的视频中训练 • 抓手系统 → 人类使用带追踪的抓手工具 每种方法都有其优缺点。 但PrismaX认为遥控操作仍然提供最高质量的数据，因为它更可控、更精准，也更易于用于训练基础模型。 我从PrismaX文章中得到的最大启示是： “机器人不仅仅是AI研究。 它也是一个现实世界的工程问题。” 没有公司拥有无限的资金、无限的机器人或无限的时间来训练模型。 这意味着数据集不仅需要大。 它们需要正确的结构、正确的分布和正确的质量，才能让模型高效学习。 这正是PrismaX为何重点关注受控的高质量机器人数据集，而不是单纯追求规模的原因。