在某段時間內，你的技能組合將大大超過你的投資組合。 這是你旅程中情緒波動最大的時刻。 日復一日，你不斷完善你的執行，提升你對市場的洞察，然而你的淨資產卻被困在某個任意的數字“地獄”中。你看到其他人的資產是你的100倍，卻意識到他們並沒有任何秘密知識，只是擁有更多的資本。 這是成敗的關鍵區域。 資本不足意味著你有一個小的機會窗口，可以像degenspartan所說的那樣，冒險進入精英財富。 每一筆交易就像在地雷上行走，一兩個錯誤的舉動可能會完全摧毀你。 然而，你知道你有能力進入大聯盟，只是你的淨資產尚未證明這一點。 如果你真的想突破，你需要找到一種強烈的流動狀態，讓你拒絕被擺脫，因為在另一邊等著你的是一份朝九晚五的工作。 不惜一切代價。在這個階段，你會感覺自己快要瘋了，直到你獲得那一次幸運的突破，讓所有的犧牲都變得值得。

作為交易者，您現在能擁有的最佳優勢就是獨立思考。 人工智慧讓我們習慣於外包思考，導致了代際性的思維退化。如果您能夠逐步分解一個論點，而不依賴於終端輸出的預設文本字串，您將保持在頂尖的1%之內，因為您沒有讓自己的認知優勢逐漸消失。 現在，對社會的真正威脅不是貨幣通脹，而是認知通脹。人們正在將自己的智力和世界觀外包給ChatGPT，把它視為真理的來源。 通過寫作、分析和直覺形成自己結論的紀律，將使贏家與其他人區分開來。讓信息被動地餵給你從未如此簡單。 是的，人工智慧的速度只會加快。我並不是說您不應該使用它，您應該使用，因為忽視它會讓您落後。然而，您需要花費部分時間深入閱讀，將事件進行情境化，並將其轉化為自己的語言。養成高品質思考的習慣。 否則，您只會成為另一個在輪子上奔跑的倉鼠，反應著飛速而過的世界。

有趣的事實： $REI 一直是我最看好的幣之一，這個設計是在三月時做的，當時我計劃撰寫一份深入的研究報告，探討它的基礎設施和規模，大約在 1000-1500 萬之間。 不幸的是，由於對 Base 團隊支持生態建設者的信心不足，我沒有這麼做，因為我看到他們完全忽視了鏈上最高關注度的項目，如 Virtuals。 幾週後，我看到有帖子在傳播，@Delphi_Digital 在幕後參與並與 Rei 團隊合作，最終發佈了研究報告。 結果發現，我對他們基礎設施的評估非常有根據，圖表一直在上升，自那以來增長了 15 倍。 從那時起，只有一個實用項目讓我對 Rei 更加堅信：$CODEC。 就像 Rei 一樣，Codec 對人們來說並不完全有意義，因為他們所構建的東西與我們在當前市場上看到的任何東西都是完全獨特的。 他們對基礎設施的看法並不是專注於市場今天所要求的，而是未來 6-12 個月將會要求的。 這類基礎設施項目是我喜歡全力以赴下注的，不僅是用於投資組合，還有我的信念，因為如果我是對的並且有耐心持有，你可以創造世代財富。 我相信隨著 Codec 發佈更多有關其產品的信息並開始提供平台的測試版，我們將看到大量的研究機構和技術風險投資公司，如 Delphi，對他們所構建的東西變得極其看好。 在這個領域中，只有少數團隊是從第一原則出發，思考社會如何在 AI 和機器人推動的指數進步的重壓下適應、演變和重組的更深層次哲學問題。 當像我或 Delphi 這樣的研究者遇到他們時，我們會完全被啟發，並希望竭盡所能地幫助他們成功，因為我們與他們的願景如此契合。 直到今天，Rei 的市場營銷、設計和視覺效果仍然是我最喜歡的項目之一，更不用說他們的產品了。任何希望提升的團隊都應該以他們為參考，因為他們顯然擁有 S 級的團隊和心態。 我讓外部因素影響了本應基於基礎設施和產品的內部決策。這次不會再讓它發生了。 Codec 編碼。

沒有慶祝600萬，也不會慶祝1700萬。 注意到在我所有的內容中，我只談論過架構嗎？ 贏得運營商和機器人架構的人將類似於2021年的區塊鏈戰爭，尋找最具可擴展性的共識機制。 Codec並不是為了在接下來的兩週內吸引注意力而建設，因此你不會看到每天都有一堆華而不實的低質量帖子出現。 這個產品是如此罕見，他們正在建設的藍圖正在超越那些已經在現有產品（投資者、團隊、合作夥伴等）上達到最大化的其他項目。 我收到很多消息詢問類似於「但這還不完全有意義，所有的部分是如何連接在一起的？」 魔術師永遠不會揭示他的秘密（還是）。 你最喜歡的DJ是在夜晚開始時還是結束時出現？你是先吃甜點還是主菜？你是在比賽前還是獲勝後開香檳？ 那麼當我們開始看到有趣的東西時會發生什麼？ $CODEC 編碼。

協議和團隊應該停止為內容支付KOL。 團隊唯一應該發放代幣的時候，是給那些為他們的項目創造高價值並帶來結果的KOL或社區成員。 你的產品或敘述應該足夠有趣，以至於有影響力的人自然會想要購買並撰寫相關內容。 這些人才是你應該分配代幣的對象，而不是為那些機器人追隨者做三個付費帖子的大使。 “如果我無法讓任何人對我的產品感興趣並發推怎麼辦？”那就繼續建設，如果你無法建立幾個核心支持者，顯然你還沒有找到合適的利基市場或足夠地進行網絡聯繫。 我對建設者的訊息是：建造一些足夠酷的東西，讓人們自然想要購買和撰寫，將代幣給那些與你的願景一致的最大支持者。因為： 1. 他們更有可能加班並超越預期來幫助你成功，因為你展現了強烈的道德行為（在這個領域中是罕見的） 2. 你支付一定數量的帖子的人會在交易結束後立刻失約並拋售代幣。 我不做任何形式的付費推廣，但顯然我不會拒絕對於我極其看好的項目提供的免費代幣，沒有任何附加條件。最好的寫手是無法被收買的，如果你試圖這樣做，他們會拒絕。 玩長期遊戲，不要走捷徑，這會在你業務的每個領域反映出來，聰明的交易者能夠從遠處嗅到這一點。 KOL活動已經死了，99.9%的市場營銷機構都是浪費金錢，對你的業務將是負面的。 進入這個市場的唯一方法是擁有願意親自參與的加密原生團隊成員。

OpenAI 今天剛剛確認了我對 AI 的北極星論點，發布了他們的操作員代理。 這不僅是我對 $CODEC 的指導論點，也是我在 AI 瘋狂期間年初所做的每一項 AI 投資的基礎。 關於 Codec 與機器人技術的討論很多，雖然這個領域很快會有自己的敘事，但我從第一天起對 Codec 的看好，根本原因在於它的架構如何支持操作員代理。 人們仍然低估了通過構建自動運行的軟件來獲得的市場份額，這些軟件能夠超越人類工作者，而不需要不斷的提示或監督。 我看到很多人將其與 $NUIT 進行比較。首先，我想說我非常喜歡 Nuit 的建設，並祝願他們成功。如果你在我的 Telegram 中輸入 "nuit"，你會看到我在四月時說過，如果我必須持有一種幣幾個月，那將是 Nuit，因為我的操作員論點。 Nuit 在紙面上是最有前途的操作項目，但經過深入研究，我發現他們的架構缺乏必要的深度，無法證明進行重大投資或將我的聲譽放在其背後的合理性。 考慮到這一點，我已經意識到現有操作員代理團隊中的架構缺口，並積極尋找能夠解決這些問題的項目。不久之後 Codec 出現了（多虧了 @0xdetweiler 堅持讓我更深入了解他們），這就是兩者之間的區別： $CODEC 與 $NUIT Codec 的架構分為三層；機器、系統和智能，分開基礎設施、環境介面和 AI 邏輯。Codec 中的每個操作員代理都在自己的隔離 VM 或容器中運行，實現接近本地的性能和故障隔離。這種分層設計意味著組件可以獨立擴展或演變，而不會破壞系統。 Nuit 的架構則採取不同的路徑，更加單一化。他們的堆棧圍繞一個專門的網頁瀏覽器代理，結合了解析、AI 推理和行動。這意味著他們深入解析網頁，將其轉換為 AI 可消耗的結構化數據，並依賴雲端處理來執行重型 AI 任務。 Codec 將輕量級的視覺-語言-行動 (VLA) 模型嵌入每個代理中，意味著它可以完全本地運行。這不需要不斷地回到雲端獲取指令，減少了延遲，避免了對正常運行時間和帶寬的依賴。 Nuit 的代理通過首先將網頁轉換為語義格式，然後使用 LLM 大腦來決定該做什麼，這一過程隨著強化學習而不斷改進。雖然這對於網頁自動化是有效的，但這一流程依賴於重型雲端 AI 處理和預定義的頁面結構。Codec 的本地設備智能意味著決策更接近數據，減少了開銷，使系統對意外變化更穩定（沒有脆弱的腳本或 DOM 假設）。 Codec 的操作員遵循一個持續的感知–思考–行動循環。機器層通過系統層的優化通道將環境（例如實時應用或機器人反饋）流式傳輸到智能層，為 AI 提供“眼睛”來觀察當前狀態。代理的 VLA 模型然後將視覺和指令一起解釋，以決定行動，系統層通過鍵盤/鼠標事件或機器人控制來執行。這個集成循環意味著它能夠適應實時事件，即使 UI 發生變化，你也不會打斷流程。 用一個更簡單的比喻來說，將 Codec 的操作員想像成一個能夠適應工作中驚喜的自給自足的員工。Nuit 的代理則像是一個需要暫停、向主管通過電話描述情況並等待指示的員工。 不深入技術細節，這應該能讓你對我為什麼選擇 Codec 作為我對操作員的主要押注有一個高層次的了解。 是的，Nuit 得到了 YC 的支持，擁有一支強大的團隊和 S 級的 GitHub。儘管 Codec 的架構是以水平擴展為考量，這意味著你可以並行部署數千個代理，而不會在代理之間共享內存或執行上下文。Codec 的團隊也不是普通的開發者。 他們的 VLA 架構開啟了許多以前的代理模型無法實現的用例，因為它能夠透過像素而不是截圖進行觀察。 我可以繼續說下去，但我會將這些留到未來的帖子中。

事實是，如果你真的想在這個領域成功，周圍的人都會認為你有問題。 要真正成為0.001%，生活在戰壕之外幾乎是不存在的。 沒有女孩，沒有愛好，沒有社交活動，沒有Netflix或任何讓你遠離工作的事情。 這是一種心態，對於專業運動員來說也極其難以理解，因為你沒有理由不能24/7在線。 我們被困在自己的自由悖論中。 每個人都想擁有點擊按鈕賺錢的魔法能力，直到是時候拒絕95%的享樂。 朋友和家人會不斷暗示你有某種心理疾病，並且永遠不會真正理解這個願景。 當成功的片段出現時，嫉妒會上升，如果你仔細觀察人們，他們總是會透露出他們的真實意圖，即使他們並不想這樣。 最微小的暗示會暴露他們，通常來自當下自發的情感反應，你只需要聽到幾句話滑出來，大多數時候這就是所需的一切。 隨著你變得更加成功，學會保持安靜。沒有必要提及你的進展，儘管與每個人分享並享受你勞動的果實是多麼美好，但這只會吸引他人的貪婪。 大多數人失敗於此，因為他們把“加密貨幣專家”或“投資者”當作他們的整個人格。即使你每天在線16小時，你仍然需要在這個行業之外擁有興趣和抱負。 朋友應該因為你存在的質量和你帶來的情緒差異而想和你一起出去，而不是因為你在螢幕上賺了多少數字。 過著私密、隱蔽的生活，與一小圈優質個體相處，是獲得內心平靜的最佳生活技巧。 如果你的存在不讓人感受到什麼，而不談論金錢，那你已經失敗了。

這個應用程式上的人們看到我們行業中最大的收入產生應用在12分鐘內籌集了10億美元，市值達到15億美元，然後說「讓我做空它」

在CT上，一小群人進行圖表交易，識別出唯一一個為未來五年最強敘事之一建立基礎設施的項目。

什麼是$CODEC 機器人、操作員、遊戲？ 以上所有以及更多。 Codec 的視覺-語言-動作 （VLA） 是一種與框架無關的模型，與 LLM 相比，由於其獨特的可視化錯誤能力，因此允許數十種用例。 在過去的 12 個月里，我們看到 LLM 主要作為迴圈機制發揮作用，由預定義的數據和回應模式驅動。 由於 LLM 建立在語音和文本之上，因此超越其訓練的語言上下文視窗的能力有限。他們無法解釋感官輸入，例如面部表情或即時情緒線索，因為他們的推理與語言而不是感知有關。 如今，大多數代理將基於 Transformer 的 LLM 與視覺編碼器相結合。他們通過螢幕截圖“看到”介面，解釋螢幕上的內容，並生成一系列作、點擊、擊鍵、滾動以遵循說明並完成任務。 這就是為什麼人工智慧還沒有取代大類工作的原因：法學碩士看到的是屏幕截圖，而不是圖元。他們不瞭解環境的動態視覺語義，只了解通過靜態幀可讀的內容。 他們的典型工作流程是重複的：捕獲螢幕截圖，推理下一個作，執行它，然後捕獲另一幀並重複。這種感知-思考迴圈一直持續到任務完成或代理失敗為止。 要真正概括，人工智慧必須感知其環境，推理其狀態，並採取適當的行動來實現目標，而不僅僅是解釋快照。 我們已經有了巨集、RPA 機器人和自動化腳本，但它們很弱且不穩定。輕微的圖元偏移或佈局更改會中斷流程，需要手動修補。當工作流程中發生某些變化時，他們無法適應。這就是瓶頸。 視覺-語言-行動 （VLA） 編解碼器的 VLA 代理在一個直觀但強大的迴圈上運行：感知、思考、行動。這些代理不像大多數 LLM 那樣只是吐出文本，而是查看其環境，決定要做什麼，然後執行。所有這些都打包到一個統一的管道中，您可以將其可視化為三個核心層： 視覺 智慧體首先通過視覺感知其環境。對於桌面操作員代理，這意味著捕獲當前狀態的螢幕截圖或視覺輸入（例如應用程式視窗或文本框）。VLA 模型的視覺元件解釋此輸入，讀取螢幕上的文字並識別介面元素或物件。又名特工的眼睛。 語言 然後是思考。給定視覺上下文（以及任何指令或目標），模型會分析需要採取哪些行動。從本質上講，人工智慧會像人一樣“思考”適當的反應。VLA 架構在內部融合了視覺和語言，因此代理可以理解彈出對話方塊正在詢問是/否問題。然後，它將根據目標或提示決定正確的作（例如按兩下“確定”）。作為代理的大腦，將感知到的輸入映射到動作。 行動 最後，代理通過向環境輸出控制命令來執行作。VLA 模型生成直接與系統交互的作（例如滑鼠按兩下、擊鍵或 API 呼叫），而不是文本。在對話框示例中，代理將執行按兩下確定按鈕。這就閉環了：行動後，智慧體可以目視檢查結果並繼續感知-思考-行動迴圈。作是將它們從聊天框轉變為實際操作員的關鍵分隔符。 使用案例 正如我所提到的，由於架構的原因，編解碼器與敘事無關。正如 LLM 不受其可以生成的文字輸出的限制一樣，VLA 也不受其可以完成的任務的限制。 機器人 VLA 代理不依賴舊的腳本或不完美的自動化，而是接收視覺輸入（攝像頭饋送或感測器），將其傳遞給語言模型進行規劃，然後輸出實際控制命令以移動世界或與世界交互。 基本上，機器人可以看到它面前的東西，處理諸如“將百事可樂罐移到橙色旁邊”之類的指令，弄清楚所有東西在哪裡，如何在不撞倒任何東西的情況下移動，並且無需硬編碼即可完成。 這與Google的 RT-2 或 PaLM-E 是同一類系統。融合視覺和語言以創建現實世界動作的大模型。CogAct 的 VLA 工作就是一個很好的例子，機器人掃描雜亂的桌子，得到一個自然的提示，並運行一個完整的迴圈：物件 ID、路徑規劃、運動執行。 運營商 在桌面和 Web 環境中，VLA 代理基本上像數位工作者一樣發揮作用。他們通過螢幕截圖或即時提要“看到”螢幕，通過基於語言模型構建的推理層運行它來理解 UI 和任務提示，然後像人類一樣使用真實的滑鼠和鍵盤控制執行作。 這個完整的迴圈，感知、思考、行動，不斷運行。因此，代理不僅做出一次反應，而且會主動導航介面，處理多個步驟流，而無需任何硬編碼腳本。該架構混合了用於讀取文本/按鈕/圖示的 OCR 風格視覺、用於決定要做什麼的語義推理以及可以按兩下、滾動、鍵入等的控制層。 這變得真正有趣的地方是錯誤處理。這些代理可以在行動後進行反思，並在事情沒有按預期進行時重新計劃。與 RPA 腳稿不同，如果 UI 略有變化，例如按鈕位置移動或標籤重命名，VLA 代理可以使用視覺提示和語言理解來適應新佈局。使其在介面不斷變化的現實世界自動化中更具彈性。 我個人在通過劇作家等工具編寫自己的研究機器人時遇到了困難。 賭博 遊戲是 VLA 代理可以大放異彩的最明顯用例之一，將它們視為不像機器人，而更像是沉浸式 AI 玩家。整個流程是相同的，代理看到遊戲螢幕（框架、功能表、文本提示）、關於它應該做什麼的原因，然後使用滑鼠、鍵盤或控制器輸入進行遊戲。 它不專注於蠻力，這是人工智慧學習如何像人類一樣玩遊戲。感知+思維+控制，都綁在一起。DeepMind 的 SIMA 專案通過將視覺語言模型與預測層相結合，並將其放入《無人深空》和《我的世界》等遊戲中，解鎖了這一點。只需觀看螢幕並按照說明進行作，代理就可以通過將正確的步驟連結在一起、收集木材、尋找火柴和使用庫存來完成“生篝火”等抽象任務。而且它也不僅限於一場比賽。它在不同的環境之間轉移了這些知識。 VLA 遊戲代理不會被鎖定在一個規則集中。同一個智慧體可以適應完全不同的機制，只是從視覺和語言基礎上。而且由於它建立在 LLM 基礎設施之上，因此它可以解釋它在做什麼，在遊戲中遵循自然語言指令，或者與玩家實時協作。 我們距離擁有適應您的遊戲風格和個人化的 AI 隊友不遠了，這一切都歸功於 Codec。