Mew_Web3
Full-time Web3 I share market thoughts, narratives and macro views about crypto. Not financial advice.
999Sledování
1,1 tis.sledující
Informační kanál
Informační kanál
Mít obchodní nápad je jedna věc. Proměnit ho v agenta, který to skutečně dokáže realizovat, je obvykle ta těžší část.
Agent Builder od @agenticscredit se zdá být navržen tak, aby tento rozdíl zmenšil.
Můžete začít s přednastavením, popsat strategii v jednoduchém jazyce a nechat AI, aby ji sestavila, nebo přinést existující Pine Script a proměnit ho v běžného agenta.
Co mě zaujalo, je, že to není omezeno jen na lidi, kteří umí programovat. Obchodník se může soustředit na logiku strategie a poté upravit praktické kontroly jako stop-loss, take-profit, pákový efekt, velikost pozice a maximální dobu držení.
Každý agent má také svůj vlastní samostatný on-chain účet, který uživatel vlastní a může ho sledovat prostřednictvím webové aplikace nebo Telegramu.
Promění proces z "mám strategii" na něco mnohem konkrétnějšího: postavit ho, ovládat, řídit a vybudovat si záznamy.
Původně jsem @vangrid_io vnímal hlavně jako síť, ze které by podniky mohly získávat prostorová data.
Strana Data Ingestion přidává další rozměr.
Organizace mohou do sítě přinést vlastní pozorování místo toho, aby pouze konzumovaly existující data.
Pro mě to dělá infrastrukturu zajímavější: podniková prostorová data nemusí nutně zůstat izolovaná uvnitř samostatných systémů.
Zisková série může vypadat působivě, ale neříká vám, zda má obchodník skutečně opakovatelnou výhodu.
Proto mě zaujal model bodování za @agenticscredit.
ACS sleduje šest signálů: ziskovost, pokles nákladů, konzistenci, dlouhověkost, míru výher a Sharpe.
Nejdůležitější detailem je, že pokles výnosu je největším negativním faktorem. Honba za obrovským výnosem při nadměrném riziku není považována za totéž jako vytváření výnosů při ochraně kapitálu.
Konzistence a dlouhověkost přidávají další vrstvu. Jeden šťastný běh je méně důležitý, když systém může sledovat, jak si někdo vede v delší historii.
To je mnohem blíže tomu, jak by se měla hodnotit schopnost obchodování: nejen kolik jste vydělali, ale jak jste se tam dostali.
Dobré ráno ☀️
Prostorová data jsou mnohem zajímavější, když nejsou považována za něco statického.
@vangrid_io Enterprise API zahrnuje streamování, které klientům umožňuje přijímat pozorování pro konkrétní geografické oblasti.
Chápu, proč je tento směr důležitý pro robotiku a autonomní systémy. Fyzický svět se neustále mění, takže infrastruktura, která ho popisuje, se nakonec musí také posouvat.
Na @agenticscredit mi přijde zajímavé, že skóre není jen číslo na profilu. Ve skutečnosti určuje, co se stane dál.
Připojte peněženku nebo agenta a ACS vyhodnocuje aktivitu prostřednictvím šesti signálů, čímž získá skóre od 300 do 850.
Odtud se 580 stane důležitým prahem.
Skóre 580 nebo vyšší → kvalifikaci pro omezenou kapitálovou cestu.
Pod 580 → papírový obchod nejdřív, budujte si historii a pracujte na kvalifikaci.
Co dělá model zajímavějším, je zpětná vazba. Papírové i skutečné obchody stále aktualizují stejný ACS v průběhu času.
Kvalifikace tedy nemusí být nutně jednorázovým soudem. Vaše činy stále přispívají k reputaci, kterou budujete.
Jeden detail v dokumentaci API @vangrid_io mě zaujal: původ lze nezávisle ověřit.
Podnik může vzít pozorování a jeho hash a ověřit jeho pravost, místo aby se spoléhal pouze na jinou odpověď, že data jsou platná.
U systémů fungujících ve fyzickém světě si myslím, že na tom záleží. Důvěra je silnější, když ji lze kontrolovat.
Ne každý skutečný záznam by se měl automaticky stát užitečnými AI daty.
Před přijetím dat @vangrid_io může zkontrolovat například kvalitu videa, délku trvání, konzistenci mezi kamerou a lokací a možné duplicity.
Možná to zní méně vzrušující než mluvit o robotech, ale myslím, že to řeší jednu z těžších částí fyzické AI.
Více dat automaticky není lepší data.
Pokud se autonomní systémy chtějí učit z fyzického světa, filtrování a ověřování jejich skutečné skutečnosti může být stejně důležité jako jejich sběr vůbec.
Myslím, že úvěr se stane jednou z chybějících částí agentické ekonomiky.
Pokud mají AI agenti provádět autonomní transakce ve velkém měřítku, pouhé znát jejich identitu nebude stačit. Musí také existovat způsob, jak pochopit jejich historii, ziskovost a zda jim lze skutečně důvěřovat s úvěrem.
To mě na @agenticscredit a jeho agentickém kreditním skóre zaujalo.
Dát agentům finanční reputaci založenou na skutečném výkonu mi přijde mnohem praktičtější než zacházet se všemi agenty stejně.
Jak se agenti stávají ekonomicky nezávislějšími, myslím, že jejich úvěrová historie může být téměř stejně důležitá jako jejich schopnosti.
Detailem v dokumentaci @vangrid_io, který oceňuji, je jasné oddělení mezi body příspěvků a $VAN.
Body jsou navrženy tak, aby měřily účast a řadily přispěvatele. Nejsou $VAN a nejsou prezentovány jako něco, co se převádí do tokenu.
Mezitím je $VAN popisován kolem budoucích protokolových funkcí, jako je zajištění a vypořádání, a zatím není aktivní.
Jasné rozdíly jako toto jsou důležité. Raději bych viděl projekt, který vysvětluje, co existuje dnes a co se stále navrhuje, než aby se tyto dvě věci rozmazaly pro lepší příběh.
Fyzická AI se stává jedním z příběhů, kterým věnuji větší pozornost.
Co mě @vangrid_io zajímá, je zaměření na problém, který AI nemůže vyřešit pouhým získáním dalších dat z internetu: pochopení fyzického světa tak, jak skutečně existuje.
Vangrid proměňuje chytré telefony v distribuovanou síť pro sběr reálných prostorových dat na vyžádání, přičemž provenience je ukotvena na blockchainu.
Myslím, že tento průnik chytrých telefonů, prostorových dat a fyzické AI stojí za pozorné sledování. Infrastruktura za roboty může být nakonec stejně důležitá jako samotní roboti.
