متجر التطبيق اللامركزي | مركز Web3 للأحداث والألعاب

المواضيع الرائجة

CodecFlow

طبقة التنفيذ لمشغلي الذكاء الاصطناعي والروبوتات على @Solana CA: 69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump

لا تزال VLAs جديدة جدا ويجد الكثير من الناس صعوبة في فهم الفرق بين VLAs و LLMs. فيما يلي نظرة عميقة على كيفية اختلاف أنظمة الذكاء الاصطناعي هذه في التفكير والاستشعار والعمل. الجزء 1. دعنا نقسم الفروق الرئيسية وكيف تختلف عوامل الذكاء الاصطناعي الملفوفة حول LLM عن وكلاء المشغل الذين يستخدمون نماذج VLA: 1. الإحساس: كيف ينظرون إلى العالم الوكيل (LLM): يعالج النصوص أو البيانات المنظمة، مثل JSON وواجهات برمجة التطبيقات وأحيانا الصور. إنه مثل الدماغ الذي يعمل بمدخلات نظيفة ومجردة. فكر في قراءة دليل أو تحليل جدول بيانات. رائع للبيئات المنظمة ولكنه مقيد بما يتم تغذيته به. المشغل (VLA): يشاهد وحدات البكسل الأولية في الوقت الفعلي من الكاميرات، بالإضافة إلى بيانات المستشعر (مثل اللمس والموضع) واستقبال الحس العميق (الوعي الذاتي بالحركة). إنه مثل التنقل في العالم بالعيون والحواس ، والازدهار في الإعدادات الديناميكية والفوضوية مثل واجهات المستخدم أو المساحات المادية. 2. التصرف: كيف يتفاعلون الوكيل: يعمل عن طريق استدعاء الوظائف أو الأدوات أو واجهات برمجة التطبيقات. تخيل ذلك كمدير يرسل تعليمات دقيقة مثل "حجز رحلة عبر Expedia API". إنه متعمد ولكنه يعتمد على أدوات مسبقة الصنع وواجهات واضحة. المشغل: ينفذ إجراءات مستمرة منخفضة المستوى، مثل تحريك مؤشر الماوس أو الكتابة أو التحكم في مفاصل الروبوت. إنه مثل العامل الماهر الذي يتلاعب بالبيئة بشكل مباشر ، وهو مثالي للمهام التي تتطلب دقة في الوقت الفعلي. 3. السيطرة: كيف يتخذون القرارات الوكيل: يتبع حلقة بطيئة وعاكسة: التخطيط ، استدعاء أداة ، تقييم النتيجة ، التكرار. إنه مرتبط بالرمز المميز (مقيد بمعالجة النص) ومرتبط بالشبكة (في انتظار استجابات واجهة برمجة التطبيقات). هذا يجعلها منهجية ولكنها بطيئة للمهام في الوقت الفعلي. المشغل: يعمل ، ويتخذ قرارات تدريجية في حلقة تغذية مرتدة ضيقة. فكر في الأمر كلاعب يتفاعل على الفور مع ما يظهر على الشاشة. تتيح هذه السرعة تفاعلا سلسا ولكنها تتطلب معالجة قوية في الوقت الفعلي. 4. البيانات للتعلم: ما الذي يغذي تدريبهم الوكيل: مدرب على مجموعات نصية واسعة أو تعليمات أو وثائق أو مجموعات بيانات RAG (Retrieval-Augmented Generation). يتعلم من الكتب أو التعليمات البرمجية أو الأسئلة الشائعة ، ويتفوق في التفكير على المعرفة المنظمة. المشغل: يتعلم من العروض التوضيحية (على سبيل المثال، مقاطع فيديو لبشر يؤدون المهام) أو سجلات التشغيل عن بعد أو إشارات المكافأة. إنه مثل التعلم من خلال المشاهدة والممارسة ، وهو مثالي للمهام التي تكون فيها التعليمات الصريحة نادرة. 5. أوضاع الفشل: حيث تنكسر الوكيل: عرضة للهلوسة (اختلاق الإجابات) أو خطط الأفق الطويل الهشة التي تنهار إذا فشلت خطوة واحدة. إنه مثل الخبير الاستراتيجي الذي يبالغ في التفكير أو يسيء قراءة الموقف. المشغل: يواجه تحولا متغيرا (عندما لا تتطابق بيانات التدريب مع ظروف العالم الحقيقي) أو أخطاء مركبة في التحكم (أخطاء صغيرة كرة ثلج). إنه مثل سائق يفقد السيطرة على طريق غير مألوف. 6. Infra: التكنولوجيا التي تقف وراءهم الوكيل: يعتمد على موجه/موجه لتحديد الأدوات التي يجب استدعاؤها، وسجل أداة للوظائف المتاحة، والذاكرة/RAG للسياق. إنه إعداد معياري ، مثل مركز القيادة الذي ينسق المهام. المشغل: يحتاج إلى خطوط أنابيب استيعاب الفيديو ، وخادم إجراءات للتحكم في الوقت الفعلي ، ودرع أمان لمنع الإجراءات الضارة ، ومخزن مؤقت لإعادة التشغيل لتخزين التجارب. إنه نظام عالي الأداء مصمم للبيئات الديناميكية. 7. حيث يضيء كل منهما: بقعهم الحلوة الوكيل: يهيمن على مهام سير العمل باستخدام واجهات برمجة التطبيقات النظيفة (على سبيل المثال، أتمتة العمليات التجارية)، أو التفكير في المستندات (على سبيل المثال، تلخيص التقارير)، أو إنشاء التعليمات البرمجية. إنه خيارك المفضل للمهام المنظمة عالية المستوى. المشغل: يتفوق في البيئات الفوضوية الخالية من واجهة برمجة التطبيقات مثل التنقل في واجهات المستخدم عالية الكعب أو التحكم في الروبوتات أو التعامل مع المهام الشبيهة باللعبة. إذا كان ينطوي على تفاعل في الوقت الفعلي مع أنظمة غير متوقعة ، فإن VLA هي الملك. 8. النموذج العقلي: مخطط + فاعل فكر في وكيل LLM على أنه المخطط: فهو يقسم المهام المعقدة إلى أهداف واضحة ومنطقية. مشغل VLA هو الفاعل ، وينفذ هذه الأهداف من خلال التفاعل المباشر مع وحدات البكسل أو الأنظمة المادية. يراقب المدقق (نظام أو وكيل آخر) النتائج لضمان النجاح. $CODEC

يقدم Codecflow Optr نهجا موحدا لبناء الوكلاء الذين يرون ويسببون ويتصرفون في البيئات الرقمية والمادية. سواء كان ذلك أتمتة سير عمل سطح المكتب ، أو التحكم في أذرع الروبوت ، أو الاختبار في المحاكاة ، فإنه يستخدم نفس النموذج العقلي والبدائيات.

من المفترض أن يتم شراء الانخفاضات في السوق الصاعدة ، خاصة في المشاريع ذات المحفزات الكبيرة نعلم جميعا أن الذكاء الاصطناعي هو سرد هذه الدورة ، التي بدأتها ai16z و Virtuals العام الماضي. رهاني هو أن السوق سيركز على تقنيات أكثر تعقيدا وتطورا مثل VLAs ، واسمحوا لي أن أخبرك بالسبب. تقرأ LLMs (نماذج اللغة الكبيرة) النص ويكتبه بشكل أساسي: فهي رائعة في شرح التعليمات والتخطيط وإنشائها ، لكنها لا تتحكم في المحركات أو تتفاعل مع العالم المادي (كما قد تكون قد جربت مع chatgpt). تختلف VLAs (نماذج عمل لغة الرؤية) عن LLMs لأنها أنظمة متعددة الوسائط تنظر إلى الأشياء (الرؤية) وتفهم التعليمات (اللغة) وتنتج الإجراءات مباشرة. إنه مثل إخبار الروبوت بالتقاط كوب أحمر ثم تحريك ذراعه للقيام بذلك. يتم تدريب VLAs على الأمثلة التي تقرن الصور / الفيديو + التعليمات + آثار العمل الحقيقية (كيف يتحرك الروبوت بالفعل) ، ويجب أن تعمل بسرعة وأمان في الوقت الفعلي. يتم تدريب LLMs من جانبهم على مجموعات نصوص ضخمة ويركزون على التفكير ومهام اللغة. TL. يفكر دكتور في القانون ويتحدث بينما يرى VLAs ويفكر ويتصرف. كما ترى ، تعد VLAs إضافة رئيسية إلى LLMs وستمكن بشكل خاص من 0 إلى 1 الابتكار التالي في الاقتصاد العام الذي سيكون الروبوتات. تخصص غالبية صناديق الاستثمار جزءا كبيرا من استثماراتها في هذا القطاع ، والذي ينظر إليه على أنه التطور المنطقي التالي في صناعة الذكاء الاصطناعي. لقد قمت بالفعل بنشر منشور منذ فترة على الشركة الرائدة الحالية في سوق العملات المشفرة ، @codecopenflow ، التي لم تجمع رأس المال (الإطلاق العادل) ولكنها تشحن منتجات متطورة وتبلغ حاليا 23 مليون دولار FDV. للحصول على معلومات ، جمع منافسون آخرون للعملات المشفرة 20 مليون دولار (@openmind_agi) بما قد يكون 200 مليون دولار إلى 300 مليون دولار ++ FDV بينما لم يتم بناء أي منتج أو مجتمع وشحنه حتى الآن. ما يجعل Codec مشروعا رائدا في هذا القطاع هو أنها تعالج عنق الزجاجة الحاسم في الروبوتات الذكاء الاصطناعي ، وهي صعوبة تفاعل جميع الأدوات الذكاء الاصطناعي معا. اسمحوا لي أن أشرح. أحدث إصدار لها ، OPTR (المشغل) ، هو مجموعة أدوات تساعد في بناء مشغلين قادرين على التفاعل على منصات متعددة مثل الروبوتات أو أجهزة الكمبيوتر المكتبية أو المتصفحات أو عمليات المحاكاة. الهدف من المشغل هو رؤية والتفكير والتصرف (VLA) في كل من العالم الرقمي (أجهزة الكمبيوتر) والمادية (الروبوتات). تعمل مجموعة الأدوات هذه كبنية تحتية أساسية للفرق الروبوتية التي تهدف إلى اختبار منتجاتها وتعزيز العملية الشاملة من خلال توفير تجربة موحدة بدلا من تجربة منفصلة لمتصفحات الويب أو المحاكاة أو الروبوتات. هذا يجعل المشغل بشكل أساسي متكيفا ومستقلا بغض النظر عن بيئته. حتى تحصل عليه ، سيوفر وقتا كبيرا للشركات والمطورين الذين كان عليهم سابقا متابعة كل خطوة يدويا وحيث يمكنك توفير الوقت الذي يمكنك فيه توفير المال. كما سيمكن Codec من بناء مشاريع المشغلين الخاصة بها وإطلاق قدرات جديدة بسرعة نسبيا في السوق ، لا سيما من خلال أسواقها. TL. دكتور: ربما تكون قد شاهدت مقاطع فيديو للروبوتات وهي تطوي الأنسجة أو صناديق الفرز أو تقفز على عناصر مختلفة. لقد تم تدريبهم جميعا على حالة الاستخدام المحددة للغاية هذه ، ولسوء الحظ ، لا يمكن إعادة استخدام مهارة واحدة في بيئة أخرى كما يمكن للإنسان. يحل OPTR من Codec هذا من خلال جعل المهارات قابلة للنقل بين البيئات والمواقف ، مما يجعل التدريب والتطوير أسرع وأرخص بكثير للمؤسسات. هذا هو السبب في أن برنامج الترميز مثير للاهتمام في توحيد العالم الرقمي مع العالم المادي. $CODEC ، مشفر.

الأفضل

المُتصدِّرة

التطبيقات المفضلة