Baovy06
Baovy06
• 在雷暴中保持HODL，月亮时收获果实。 • 位置决定一切。 • 在波浪前保持平静，坚定地站在图表前。
1,020关注中
1,062粉丝
动态
动态
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
QUANTUM ECHOES 可能是 @quipnetwork 生态系统中最有趣的 NFT 实验之一
吸引我注意的是，Quantum Echoes 不仅仅是另一个 NFT 收藏项目。该项目带来了真正的量子随机性，这种随机性由真实的量子硬件生成，并完全上链——这最终可能被用于可证明公平的游戏、安全密钥生成或下一代预言机系统。
目前，只有 1,000 个 Eigen Keys 存在，每一个都作为铸造稀有 Quantum Echo 的白名单名额。
使系统不同的是 @NucleusCodes 如何分发访问权限。他们不是奖励纯粹的刷取行为，而是基于 Web3 真实活动构建声誉层：
• 你在 X 上 NFT 讨论中的存在感和影响力
• NFT 交易历史
• 持有量及对生态系统的实际参与度
这感觉不像典型的排行榜，更像是试图识别那些真正参与 NFT 文化和叙事的人。
你目前可以通过以下方式获得 Eigen Keys：
→ Quip mindshare 排行榜
→ 积分拍卖
→ Nucleus 声誉排行榜
→ Web3 社区合作
→ Discord 活动
你建立的真实声誉和活动越多，获得访问权限的机会就越大。
就我个人而言，我认为“链上量子随机性”的叙事仍处于非常早期阶段，Quantum Echoes 可能成为与实际深度技术基础设施相关联的更独特的 NFT 发布之一，而不仅仅是艺术品。
这个世界……
人们因为不愿开口的话而渐行渐远……
所以大家大胆地和Zy说话吧……Zy一直在这里等待和倾听……
P/S 这酒好喝吗，大家 🤭🤭
@quipnetwork @NucleusCodes @sleepagotchi
Baovy06
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。
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。
