
ETH lover. @KaitoAI Yapper. TG : https://nitter.cf/t.co/Ef2XAgfr6L 크립토 트위터리안 이었다가 Web3 실직하고 밥상사진올림
Joined August 2010
- Tweets25.5K
- Following3K
- Followers5.3K
- Likes24.6K
I created a project graveyard.
Feel free to visit the project’s tombstone to curse at it or say goodbye.
RIP.
rip.mystar777.xyz/
1
75
I made graveyard metaverse.
rip.mystar777.xyz/
900 protocols with less than $1,000 left in them
every one had a team, a docs site, a discord, a points program
all dead now..
46
성북구 살인사건 진짜 뭐지 ㄷㄷㄷㄷ
막장드라마 저리가라네 ...
youtube.com/shorts/paJwYLF6h…
죽은 피해자의 명복을 빕니다 ㅠㅠ
1
174
OpenAI Devday Seoul 후기
처음 참가해보는 순수 AI섹터 밋업이라 긴장을 많이 했는데, 뭔가 첫 느낌은 웹3 밋업처럼 생각보다 엄청 젊은 느낌이었어요.
결론부터 말하면 특별히 비공개된 정보라던가 하는 서프라이즈라고 할만한 것들은 없었고, OpenAI의 주력 프로덕트에 대한 소개였는데 그래도 어떤 분야, 어떤 방향으로 집중하고자 하는가에 대해서는 느낄 수 있었습니다.
Cluade와 프론티어 모델 경쟁 자체는 계속 해나가면서도 GPT Live 1.1, Plugin, Dots, Agent 이 4가지 주력 프로덕트를 중심으로 '올인원 AI 플랫폼'을 구축하는 것처럼 보였어요. 물론, 현재 멀티모달 AI로 1인자는 Gemini로 평가받고 있지만, 강력한 프론티어 모델과 코덱스 하네스, 구글 클라우드, API 등 코딩 에이전트를 중심으로 (오늘 소개되진 않았지만) 생성형 이미지/영상과 플러그인, 빌드, 배포 등 모든걸 할 수 있는 ChatGPT 앱 하나로 승부보겠다는 인상이 강했습니다.
그 외엔..
• 한국에서의 ChatGPT 사용율이 글로벌 3위권이라고 하고 프로 구독자도 굉장히 많다고 하던데, 카쫀쿠의 영향으로 인한 허수 아닐까 하는 생각이 들긴 했음.
• 한국 앰배서더에 대한 소개도 아주아주 잠깐 나왔는데, 음... 누구시지 싶었음.
• 세션에서 OpenAI 직원분이 플러그인 시연할떄, 5만불치 API 토큰 쓴 기록보고 부럽다 생각함.
• 밋업 참가중에 생각보다 코딩 에이전트를 사용하는 사람이 적다 싶었음.(아직 기회가 정말 많이 열려있다)
• GPT Pro 100 에어드랍 개꿀 / 티셔츠 같은 굿즈가 없어서 아쉬움.
• 영상은 클로드 딸깍으로
@KOO_YH
이번 PHP 보안 사태는
FBI 에서도 언급해버림 ㄷㄷㄷ
Two critical vulnerabilities have been identified in PHP, a widely used programming language that powers websites and web applications. These vulnerabilities (CVE-2026-109618 and CVE-2026-109619) could allow malicious cyber actors to remotely execute code in PHP core, potentially compromising sensitive data and networks.
The FBI urges organizations to take the following steps now:
➡️ If an immediate update is not feasible it is recommended that organizations take the system offline until it can be fully mitigated.
➡️ Immediately update affected PHP installations following the guidance on php.net. Inventory where PHP runs in your environment, prioritizing internet-facing systems and vendor products that bundle PHP.
➡️ Monitor web servers for suspicious activity, including PHP processes unexpectedly launching command shells or downloading files. Ensure appropriate process-monitoring capabilities are in place to help identify potential exploitation.
➡️ If you find signs of compromise, isolate affected systems, preserve your web server and PHP logs, and report it to your local FBI field office or ic3.gov. Those reports help us identify the actors involved and warn other organizations before they become victims.
For the latest information, follow PHP’s announcement on php.net, CERT-EU Security Advisory 2026-018, and CISA’s Known Exploited Vulnerabilities catalog.
1
2
210
✅ @PlayJadebound THE UNBOUND NFT WL EVENT
THE UNBOUND 컬렉션은 JADE CITY의 핵심적인 부분이고, JADEBOUND의 미래를 결정하는 중요한 결정에 대해 투표할 권리를 가지는 NFT 입니다.
✅ 컬렉션 정보
🟢 총 발행량: 2,222
🟢 가격 : TBA
🟢 체인 : Robinhood Chain
✅참여 방법
🟢퀘스트 완료 jadebound.fun/?ref=RA2JX4T7
🟢구글폼 제출 forms.gle/QnBGK3vwY6r1rf1Z9
✅이벤트 상품
🟢 2 GTD
🟢 5 FCFS
🟢 기간 : 10월 20일 18:00 까지
일단 안하더라도 화리는 따놓고...
1
2
98
star777.eth retweeted
THE UNBOUND NFT
2,222 unique NFTs
2,222 unique Packs
The mysterious weapons of JADE CITY
로봇 회사 입장에서 데이터가 많다는 말만으로는 뭔가 부족할 것 같다.
더 궁금한 것은
우리 로봇이 해야 하는 작업과 관련이 있는가?
어떤 동작을 배울 수 있는가?
물체나 배치가 달라지는 상황도 충분히 들어 있는가?
대충 이런 사항들이지 않을까?
@axisrobotics 의 사업 설명에서 눈에 들어오는 단위가 Task Package다.
그냥 행동 기록을 한 폴더에 담아 넘기는 것이 아니라, 작업 환경과 필요한 기본 동작, 조건의 다양성, 사용할 수 있는 데이터 양을 묶어 구성하는 방식이다.
예를 들어 같은 집어서 옮기기라도 물건이 놓인 위치, 크기, 재질이 달라지면 학습 데이터의 구성이 달라진다.
집기와 놓기만 필요한 작업인지, 중간에 회전이나 정렬까지 필요한 작업인지도 구분해야 한다.
이 관점으로 보면 데이터의 양은 여전히 중요하지만, 그것만으로 상품의 가치가 결정되지는 않는다.
얼마나 많이 쌓았는가에 더해, 고객이 해결하려는 작업에 얼마나 잘 맞춰져 있는가가 중요해진다.
나는 Axis를 볼 때 이 부분이 사업적으로 참 흥미롭다.
참여자가 만든 행동 기록을, 기업이 필요한 로봇 능력을 학습시키는 단위로 정리하는 것.
커뮤니티의 참여와 기업의 데이터 수요 사이에 이 연결이 있어야, 데이터 플랫폼이라는 설명도 실제 사업의 모습에 가까워진다.
실제 사업이 있어야 결국 프로젝트가 성공할 수 있겠지?
원론적인 이야기로 돌아가보자.
로봇 학습에 왜 블록체인이 필요한가?
@axisrobotics 를 이해하려면, 로봇을 학습시키는 과정과 누가 데이터를 만들었는지 기록하는 과정을 나눠보는 게 좋다.
Axis의 핵심 플랫폼에서는 기여 기록을 Base에 남긴다.
어떤 데이터인지 식별하는 Data ID, 기여자의 지갑 주소, 작업 ID, 시간과 품질 점수 같은 정보가 연결된다.
반대로 전체 동작 기록이나 학습용 샘플을 전부 블록체인에 올리는 것은 아니다. 용량이 큰 실제 데이터는 오프체인에 두고, 온체인 기록은 확인 가능한 기여 이력의 역할을 한다.
이 구분이 중요하다.
블록체인에 기록했다고 로봇의 성능이 자동으로 좋아지는 것은 아니다. 누가 만들었는지 확인하는 문제와, 그 데이터가 학습에 도움이 되는지 검증하는 문제는 별개다.
대신 여러 사람이 참여하는 환경에서는 기여자와 데이터의 관계를 추적하고, 파트너가 관련 정보를 확인할 수 있는 기반이 된다.
기여 기록이 있다는 사실이 토큰이나 수익을 보장한다는 뜻도 아니다. Axis의 공식 문서 역시 이 부분을 구분한다.
나는 AI와 Web3가 만나는 프로젝트에서 이런 역할 분담을 보고 싶다.
AI는 실제 학습 문제를 풀고,
블록체인은 그 과정에 참여한 사람들의 기록을 확인할 수 있게 하는 것.
Axis에서 관심을 두는 접점도 여기에 있다.
원론적인 이야기로 돌아가보자.
로봇 학습에 왜 블록체인이 필요한가?
@axisrobotics 를 이해하려면, 로봇을 학습시키는 과정과 누가 데이터를 만들었는지 기록하는 과정을 나눠보는 게 좋다.
Axis의 핵심 플랫폼에서는 기여 기록을 Base에 남긴다.
어떤 데이터인지 식별하는 Data ID, 기여자의 지갑 주소, 작업 ID, 시간과 품질 점수 같은 정보가 연결된다.
반대로 전체 동작 기록이나 학습용 샘플을 전부 블록체인에 올리는 것은 아니다. 용량이 큰 실제 데이터는 오프체인에 두고, 온체인 기록은 확인 가능한 기여 이력의 역할을 한다.
이 구분이 중요하다.
블록체인에 기록했다고 로봇의 성능이 자동으로 좋아지는 것은 아니다. 누가 만들었는지 확인하는 문제와, 그 데이터가 학습에 도움이 되는지 검증하는 문제는 별개다.
대신 여러 사람이 참여하는 환경에서는 기여자와 데이터의 관계를 추적하고, 파트너가 관련 정보를 확인할 수 있는 기반이 된다.
기여 기록이 있다는 사실이 토큰이나 수익을 보장한다는 뜻도 아니다. Axis의 공식 문서 역시 이 부분을 구분한다.
나는 AI와 Web3가 만나는 프로젝트에서 이런 역할 분담을 보고 싶다.
AI는 실제 학습 문제를 풀고,
블록체인은 그 과정에 참여한 사람들의 기록을 확인할 수 있게 하는 것.
Axis에서 관심을 두는 접점도 여기에 있다.
Axis에 참여한다면, 쉬운 작업 하나를 계속 반복하면 되겠지..
하는 생각은 뜯어 고쳐야 한다.
@axisrobotics 의 공식 안내를 보면, 포인트는 작업 횟수 하나로 결정되지 않는다고 되어 있다.
유효한 작업량, 난이도, 제출 품질, 다루는 환경과 기술의 다양성, 초대한 참여자의 실제 기여까지 함께 반영한다.
특히 같은 작업을 반복할 때는 최고 점수만 남기는 방식이 아니다. 해당 작업에서 제출한 기록들의 평균 점수가 반영된다.
이미 잘 끝낸 작업을 대충 여러 번 반복하면, 오히려 그 작업의 평균을 떨어뜨릴 수 있다는 뜻이다.
참여 방향도 여기서 드러난다.
한 가지 상황을 기계적으로 반복하기보다, 동작을 더 정확하게 수행하고 다른 환경과 기술에도 도전하도록 유도하는 설계다.
실무적으로 하나 더 알아둘 점은 서명이다.
작업을 완료하는 것과 포인트 집계에 들어가는 것은 같지 않다. 공식 안내상 온체인 서명을 마친 제출만 집계되므로 Portfolio의 History에서 상태를 확인해야 한다.
그리고 포인트는 토큰 자체가 아니다.
양도하거나 현금으로 바꿀 수 있는 자산이 아니며, 에어드롭 자격이나 배분을 확정해주는 것도 아니다.
보상을 기대하는 것과 현재 규칙을 정확히 이해하는 것은 별개다.
Axis에 시간을 쓴다면, 반복 횟수를 늘리는 데만 집중하기보다 어떤 기여를 요구하는 플랫폼인지 먼저 이해하는 편이 낫다고 본다.
Axis에 참여한다면, 쉬운 작업 하나를 계속 반복하면 되겠지..
하는 생각은 뜯어 고쳐야 한다.
@axisrobotics 의 공식 안내를 보면, 포인트는 작업 횟수 하나로 결정되지 않는다고 되어 있다.
유효한 작업량, 난이도, 제출 품질, 다루는 환경과 기술의 다양성, 초대한 참여자의 실제 기여까지 함께 반영한다.
특히 같은 작업을 반복할 때는 최고 점수만 남기는 방식이 아니다. 해당 작업에서 제출한 기록들의 평균 점수가 반영된다.
이미 잘 끝낸 작업을 대충 여러 번 반복하면, 오히려 그 작업의 평균을 떨어뜨릴 수 있다는 뜻이다.
참여 방향도 여기서 드러난다.
한 가지 상황을 기계적으로 반복하기보다, 동작을 더 정확하게 수행하고 다른 환경과 기술에도 도전하도록 유도하는 설계다.
실무적으로 하나 더 알아둘 점은 서명이다.
작업을 완료하는 것과 포인트 집계에 들어가는 것은 같지 않다. 공식 안내상 온체인 서명을 마친 제출만 집계되므로 Portfolio의 History에서 상태를 확인해야 한다.
그리고 포인트는 토큰 자체가 아니다.
양도하거나 현금으로 바꿀 수 있는 자산이 아니며, 에어드롭 자격이나 배분을 확정해주는 것도 아니다.
보상을 기대하는 것과 현재 규칙을 정확히 이해하는 것은 별개다.
Axis에 시간을 쓴다면, 반복 횟수를 늘리는 데만 집중하기보다 어떤 기여를 요구하는 플랫폼인지 먼저 이해하는 편이 낫다고 본다.
로봇을 가르칠 때, 사람의 행동을 전부 따라 하게 만드는 게 정답일까?
@axisrobotics 가 8월 공개한 실험은 조금 다른 이야기를 한다.
과제는 로봇이 두부 블록을 접시에 올려놓는 일이었다. 로봇이 실패할 때 사람이 개입해 고친 기록 660개를 모았지만, 최종 학습에 들어간 것은 검증된 교정 구간 161개였다.
이 실험에서 선별한 교정 구간 하나의 길이는 약 0.8초.
전체 작업을 처음부터 끝까지 흉내 내게 하는 대신, 실패를 회복으로 바꾸는 짧은 행동을 찾은 것이다.
왜 이렇게까지 걸러낼까?
사람이 개입했다고 꼭 도움이 된 것은 아니기 때문이다. 로봇이 혼자 성공할 수 있었는데 불필요하게 건드렸을 수도 있고, 사람의 조작에 망설임이나 의미 없는 움직임이 섞여 있을 수도 있다.
그래서 단순히 사람이 결국 성공했는가 하는 데이터만 보지 않는다.
원래 로봇이 실패하는 상황이었는지, 짧은 교정 뒤에 제어권을 돌려줬을 때 로봇이 스스로 작업을 마칠 수 있는지까지 확인한다.
팀은 이 방식으로 선별한 교정 데이터를 학습시켰을 때, 해당 과제의 성공 횟수가 늘었다고 보고했다.
특정 작업에 대한 실험이지만, 데이터의 가치를 판단하는 기준은 인상적이다.
사람이 얼마나 오래 조작했는가보다, 어떤 순간의 개입이 로봇에게 부족했던 능력을 보완했는가.
많이 가르치는 것과 필요한 것을 가르치는 것의 차이다.
로봇을 가르칠 때, 사람의 행동을 전부 따라 하게 만드는 게 정답일까?
@axisrobotics 가 8월 공개한 실험은 조금 다른 이야기를 한다.
과제는 로봇이 두부 블록을 접시에 올려놓는 일이었다. 로봇이 실패할 때 사람이 개입해 고친 기록 660개를 모았지만, 최종 학습에 들어간 것은 검증된 교정 구간 161개였다.
이 실험에서 선별한 교정 구간 하나의 길이는 약 0.8초.
전체 작업을 처음부터 끝까지 흉내 내게 하는 대신, 실패를 회복으로 바꾸는 짧은 행동을 찾은 것이다.
왜 이렇게까지 걸러낼까?
사람이 개입했다고 꼭 도움이 된 것은 아니기 때문이다. 로봇이 혼자 성공할 수 있었는데 불필요하게 건드렸을 수도 있고, 사람의 조작에 망설임이나 의미 없는 움직임이 섞여 있을 수도 있다.
그래서 단순히 사람이 결국 성공했는가 하는 데이터만 보지 않는다.
원래 로봇이 실패하는 상황이었는지, 짧은 교정 뒤에 제어권을 돌려줬을 때 로봇이 스스로 작업을 마칠 수 있는지까지 확인한다.
팀은 이 방식으로 선별한 교정 데이터를 학습시켰을 때, 해당 과제의 성공 횟수가 늘었다고 보고했다.
특정 작업에 대한 실험이지만, 데이터의 가치를 판단하는 기준은 인상적이다.
사람이 얼마나 오래 조작했는가보다, 어떤 순간의 개입이 로봇에게 부족했던 능력을 보완했는가.
많이 가르치는 것과 필요한 것을 가르치는 것의 차이다.
로봇이 잘하게 될수록, 수집해야 할 데이터도 달라져야 한다.
이미 할 줄 아는 동작을 계속 보여주는 것과, 아직 못 하는 상황을 해결해주는 것은 같은 가치가 아닐 것이다.
@axisrobotics 가 9월에 공개한 데이터 접근법에서 흥미로운 부분이 바로 이 지점이다.
데이터를 먼저 대량으로 모으고 모델에 넣는 것으로 끝내지 않는다. 모델을 실행해 어디서 실패하는지 확인하고, 그 결과를 다음 데이터 수집에 반영하는 방향이다.
이미 충분히 배운 행동이라면 수집 비중을 줄이고, 특정 물체나 배치에서 계속 실패한다면 그 조건의 데이터를 더 만든다.
시뮬레이션으로 부족한 부분은 실제 환경의 데이터로 보완하는 것이다.
이렇게 보면 좋은 데이터라는 것이 영구적으로 부여되는 등급이 아닌 것 같다.
초기 모델에게 꼭 필요했던 시범이 나중에는 반복 학습에 불과할 수 있고, 반대로 평범해 보이는 행동 하나가 현재 모델의 약점을 정확히 메워줄 수도 있다.
이미 가진 데이터 중 지금도 필요한 것은 무엇인가?
아직 없는 데이터 중 다음에 만들어야 할 것은 무엇인가?
결국 중요한 것은 이 두가지가 아닐까?
나는 이 질문이 데이터 플랫폼의 역할을 꽤 크게 바꾼다고 본다.
단순히 파일을 공급하는 곳에서, 모델이 무엇을 더 배워야 하는지에 맞춰 생산 방향을 바꾸는 곳으로.
Axis가 말하는 데이터 엔진은 이 관점으로 보면 이해하기 쉽다.
#AxisRobotics #PhysicalAI
로봇이 잘하게 될수록, 수집해야 할 데이터도 달라져야 한다.
이미 할 줄 아는 동작을 계속 보여주는 것과, 아직 못 하는 상황을 해결해주는 것은 같은 가치가 아닐 것이다.
@axisrobotics 가 9월에 공개한 데이터 접근법에서 흥미로운 부분이 바로 이 지점이다.
데이터를 먼저 대량으로 모으고 모델에 넣는 것으로 끝내지 않는다. 모델을 실행해 어디서 실패하는지 확인하고, 그 결과를 다음 데이터 수집에 반영하는 방향이다.
이미 충분히 배운 행동이라면 수집 비중을 줄이고, 특정 물체나 배치에서 계속 실패한다면 그 조건의 데이터를 더 만든다.
시뮬레이션으로 부족한 부분은 실제 환경의 데이터로 보완하는 것이다.
이렇게 보면 좋은 데이터라는 것이 영구적으로 부여되는 등급이 아닌 것 같다.
초기 모델에게 꼭 필요했던 시범이 나중에는 반복 학습에 불과할 수 있고, 반대로 평범해 보이는 행동 하나가 현재 모델의 약점을 정확히 메워줄 수도 있다.
이미 가진 데이터 중 지금도 필요한 것은 무엇인가?
아직 없는 데이터 중 다음에 만들어야 할 것은 무엇인가?
결국 중요한 것은 이 두가지가 아닐까?
나는 이 질문이 데이터 플랫폼의 역할을 꽤 크게 바꾼다고 본다.
단순히 파일을 공급하는 곳에서, 모델이 무엇을 더 배워야 하는지에 맞춰 생산 방향을 바꾸는 곳으로.
Axis가 말하는 데이터 엔진은 이 관점으로 보면 이해하기 쉽다.
#AxisRobotics #PhysicalAI
로봇을 가르치는 일에 참여하려면, 로봇부터 사야 할까?
@axisrobotics 는 이 질문에 꽤 다른 답을 내놓는다.
실물 로봇이나 별도의 GPU 장비 없이, PC 브라우저에서 가상 로봇을 조작하며 학습용 데이터를 만드는 방식이다.
화면에서 물건을 집고, 옮기고, 정리한다.
겉으로 보면 작은 시뮬레이션 게임처럼 느껴질 수 있지만, 여기서 남는 결과물은 다르다.
로봇의 관절이 어떤 상태였는지, 물체가 어디에 있었는지, 어떤 조작으로 작업을 끝냈는지가 시간순으로 기록된다. 이 행동 기록이 로봇을 학습시키는 재료가 된다.
물론 아무렇게나 움직였다고 모두 유용한 데이터가 되는 건 아니다. 제출된 기록은 시뮬레이션에서 다시 재생하며 검증하는 과정을 거친다.
내가 흥미롭게 보는 건 이 참여 방식이다.
피지컬 AI라는 말을 들으면 비싼 장비, 연구실, 전문 엔지니어부터 떠올리기 쉽다. 그런데 Axis는 그 과정의 일부를 일반 사용자가 들어갈 수 있는 웹 인터페이스로 바꿔놓았다.
모든 참여자가 로봇 연구자가 될 필요는 없다.
누군가는 물건을 잘 집는 방법을 보여주고, 플랫폼은 그 시범을 학습에 쓸 수 있는 형태로 처리한다.
AI에게 결과물을 요청하는 것과, AI가 배울 경험을 제공하는 것.
Axis는 후자에 참여할 수 있는 입구라는 점에서 관심이 간다.
로봇을 가르치는 일에 참여하려면, 로봇부터 사야 할까?
@axisrobotics 는 이 질문에 꽤 다른 답을 내놓는다.
실물 로봇이나 별도의 GPU 장비 없이, PC 브라우저에서 가상 로봇을 조작하며 학습용 데이터를 만드는 방식이다.
화면에서 물건을 집고, 옮기고, 정리한다.
겉으로 보면 작은 시뮬레이션 게임처럼 느껴질 수 있지만, 여기서 남는 결과물은 다르다.
로봇의 관절이 어떤 상태였는지, 물체가 어디에 있었는지, 어떤 조작으로 작업을 끝냈는지가 시간순으로 기록된다. 이 행동 기록이 로봇을 학습시키는 재료가 된다.
물론 아무렇게나 움직였다고 모두 유용한 데이터가 되는 건 아니다. 제출된 기록은 시뮬레이션에서 다시 재생하며 검증하는 과정을 거친다.
내가 흥미롭게 보는 건 이 참여 방식이다.
피지컬 AI라는 말을 들으면 비싼 장비, 연구실, 전문 엔지니어부터 떠올리기 쉽다. 그런데 Axis는 그 과정의 일부를 일반 사용자가 들어갈 수 있는 웹 인터페이스로 바꿔놓았다.
모든 참여자가 로봇 연구자가 될 필요는 없다.
누군가는 물건을 잘 집는 방법을 보여주고, 플랫폼은 그 시범을 학습에 쓸 수 있는 형태로 처리한다.
AI에게 결과물을 요청하는 것과, AI가 배울 경험을 제공하는 것.
Axis는 후자에 참여할 수 있는 입구라는 점에서 관심이 간다.
로봇이 컵 하나를 집는 것과, 처음 보는 컵을 낯선 환경에서도 집는 건 다른 문제다.
그래서 피지컬 AI를 볼 때는 로봇의 움직임만큼 ‘무엇으로 학습시키는가’도 궁금해진다.
이 지점을 다루는 프로젝트가 @axisrobotics.
Axis Robotics는 사람들이 만든 행동 데이터를 로봇 학습에 연결하는 데이터 인프라다.
참여자는 PC 브라우저에서 가상 로봇팔을 움직여 컵을 옮기거나 물건을 정리한다. 그 과정에서 생기는 동작 기록이 로봇을 학습시키는 데이터의 재료가 된다. 직접 로봇을 가지고 있을 필요도 없다.
여기서 중요한 건 많이 모으기로 끝나지 않는다는 점.
제출된 기록은 시뮬레이션으로 다시 검증하고 품질을 평가한다. 학습한 로봇이 어려워하는 구간에서는 사람이 조작을 넘겨받아 교정한다. 이런 교정 중 실제로 도움이 되는 부분을 골라 다시 학습에 쓰는 방식이다.
사람이 시범을 보이고 → 모델이 학습하고 → 부족한 부분을 찾아 다시 가르치는 순환.
Web3가 붙는 이유도 이 흐름에서 이해가 된다.
서명된 기여 내역을 Base에 기록해 어떤 작업에서 누가 만든 데이터인지 추적할 수 있게 한다. 블록체인이 로봇을 똑똑하게 만드는 게 아니라, 여러 사람의 기여를 확인하는 기반이 되는 셈이다.
팀은 2026년 7월 Hack VC가 주도한 1,200만 달러 시드 투자 유치도 발표했다.
다만 내가 더 보고 싶은 건 투자금이나 참여자 수보다, 이렇게 모은 데이터가 실제 로봇 성능을 얼마나 끌어올리는지다.
로봇을 잘 만드는 회사도 필요하지만, 로봇을 잘 가르칠 수 있게 만드는 인프라도 필요하다.
Axis는 그 관점에서 지켜볼 만하다.
Zama 기반 암호화 NFT라고 합니다.
프로젝트는 @FungoLabs 이고 아직 민팅 가격은 미정이긴 한데 공급량이 그렇게 많지 않고 Free Mint 500 개 WL 폼을 열어두고 신청을 받고 있어요
- Free Mint: 500
- Public Sale: 2,500
- Team: 232
- Total Supply : 3,232
신청: fungolabs.org/apply
Encrypted NFTs are redefining what's possible onchain. With funds already deposited in @zama, I'm fully invested in this journey with Fungo Labs together with @eth_apple 😉
I truly support the technology that preserves privacy through Zama's encryption while keeping the ecosystem transparent.
Really looking forward to Fungo Labs' upcoming roadmap—expanding into a launchpad where other collections can issue encrypted NFTs, followed by a game that links with these hidden traits! 🚀
@FungoLabs
5
5
279
star777.eth retweeted
Only about 20% of the whitelist spots have been filled so far. Reviews are ongoing.
Every application is being reviewed, so take your time with your answers.
🟨 Keep an eye on the checker for updates.
로봇이 컵 하나를 집는 것과, 처음 보는 컵을 낯선 환경에서도 집는 건 다른 문제다.
그래서 피지컬 AI를 볼 때는 로봇의 움직임만큼 ‘무엇으로 학습시키는가’도 궁금해진다.
이 지점을 다루는 프로젝트가 @axisrobotics.
Axis Robotics는 사람들이 만든 행동 데이터를 로봇 학습에 연결하는 데이터 인프라다.
참여자는 PC 브라우저에서 가상 로봇팔을 움직여 컵을 옮기거나 물건을 정리한다. 그 과정에서 생기는 동작 기록이 로봇을 학습시키는 데이터의 재료가 된다. 직접 로봇을 가지고 있을 필요도 없다.
여기서 중요한 건 많이 모으기로 끝나지 않는다는 점.
제출된 기록은 시뮬레이션으로 다시 검증하고 품질을 평가한다. 학습한 로봇이 어려워하는 구간에서는 사람이 조작을 넘겨받아 교정한다. 이런 교정 중 실제로 도움이 되는 부분을 골라 다시 학습에 쓰는 방식이다.
사람이 시범을 보이고 → 모델이 학습하고 → 부족한 부분을 찾아 다시 가르치는 순환.
Web3가 붙는 이유도 이 흐름에서 이해가 된다.
서명된 기여 내역을 Base에 기록해 어떤 작업에서 누가 만든 데이터인지 추적할 수 있게 한다. 블록체인이 로봇을 똑똑하게 만드는 게 아니라, 여러 사람의 기여를 확인하는 기반이 되는 셈이다.
팀은 2026년 7월 Hack VC가 주도한 1,200만 달러 시드 투자 유치도 발표했다.
다만 내가 더 보고 싶은 건 투자금이나 참여자 수보다, 이렇게 모은 데이터가 실제 로봇 성능을 얼마나 끌어올리는지다.
로봇을 잘 만드는 회사도 필요하지만, 로봇을 잘 가르칠 수 있게 만드는 인프라도 필요하다.
Axis는 그 관점에서 지켜볼 만하다.
star777.eth retweeted
I think of Jumper like a personal finance app with three tabs:
Swap is the transfer desk — move assets where you need them.
Earn is the opportunity board — discover places to put those assets to work.
Portfolio is the dashboard — see your assets and positions across chains and protocols in one place.
I’d explore Portfolio first. Before moving or deploying anything, I want to know exactly what I already have and where it is.
Source: jumper.xyz/learn/why-we-buil…
This post is part of a Republic campaign where I can earn participation rewards.
















