Автор: Зен, PANews За последний год данные роботов/физического ИИ быстро превратились из относительно скрытого сегмента инфраструктуры в ожесточённо конкурентный новый трек, при этом капитал вливается в так называемый «торговец лопатами» интеллекта с поразительной скоростью. Это потепление особенно заметно внутри страны. Только в первой половине 2026 года 25 китайских стартапов в области интеллектуальных данных совместно привлекли более 17 миллиардов юаней. Среди них Guanglun Intelligent завершила несколько раундов крупномасштабного финансирования в этом году; Mifeng Technology, компания по данным, созданная Zhiyuan Robotics, также быстро привлекла сотни миллионов юаней после своего основания. На зарубежных рынках также начала появляться группа стартапов, специализирующихся на данных по обучению роботов. XDOF объявил в июне этого года о завершении раунда финансирования на сумму 70 миллионов долларов; В конце июля Axis Robotics завершила стартовый раунд на сумму 12 миллионов долларов под руководством Hack VC. Axis позиционирует себя как «Физический ИИ-движок», в настоящее время сосредоточенный на распределённых сетях вкладчиков и веб-сборе симуляционных данных, продолжая расширяться в сферу работы от первого лица, обучение после моделей и другие форматы данных. Компания уже собрала более 2,2 миллиона записей траектории роботов с помощью удалённого управления браузером, с суммарной длительностью данных 28 000 часов. Однако, несмотря на обильный вклад капитала, роботизированные данные остаются быстро меняющимся и всё ещё далеки от устоявшегося рынка. От конечного масштаба требований к данным до выбора между реальными машинами, симуляцией и перспективами от первого лица, а также до того, могут ли компании в сфере работы с данными формировать устойчивые бизнес-модели — многие ключевые вопросы всё ещё находятся на стадии исследования. Сосредоточившись на этих вопросах, а также на собственной модели производства данных, технологической дорожной карте и планах развития PANews провёл беседу с Крисом Фенгом, основателем Axis Robotics. Пробелы в данных в эпоху физического ИИ Крис не начинал с онтологий или алгоритмов роботов, а вошёл в сферу данных робототехники через консалтинг, инвестиции и инфраструктуру данных. То, что действительно привело его к работе в сфере робототехники, — это огромный разрыв в данных, возникший после вступления в эпоху физического ИИ. «Используя GPT-3 в качестве ориентира, обучение требует около 15 миллионов часов данных человеческого интернета.» Крис заявил, что физический мир, с которым должны справляться роботы, гораздо сложнее, чем цифровой, требующий не только распознавания и логических способностей, но и понимания пространства, движения, состояния объектов и изменений, происходящих после этих действий. Поэтому, если в сфере робототехники появится собственный «момент GPT», количество необходимых данных может достигать 100 миллионов часов и даже больше. Помимо очевидной разницы в масштабе данных, основы данных между этими двумя данными просто несравнимы. До появления крупных языковых моделей интернет развивался уже десятилетиями. Различные веб-страницы, книги, форумы, кодовые базы и огромное количество цифрового контента сформировали природные ресурсы данных в результате длительного накопления. В отличие от этого, поведение человека в реальном мире не проходит аналогичного систематического процесса фиксации. Люди готовят каждый день, организуют вещи и управляют инструментами, но эти поведения редко непрерывно фиксируются или преобразуются в стандартизированные данные, которые можно напрямую использовать для обучения роботов. С развитием технологий, таких как VLA-модели и мировые модели, компании, производящие робот-модели, стали наиболее прямым спросом на такие данные, и некоторые компании, занимающиеся онтологией роботов, одновременно создают модели и возможности для обработки данных. В то же время сами формы роботов быстро расходятся: от гуманоидных роботов и роботизированных рук до специализированного оборудования, предназначенного для промышленных и сервисных ситуаций. Разные модели и тела создают дополнительные дифференцированные требования к данным. По мере роста спроса традиционные методы производства данных быстро выявляют свои ограничения. Ранние компании по робототехнике обычно полагались на настоящие машины для удалённого управления, при этом люди непосредственно управляли роботами для выполнения задач, а затем записывали их траектории. Эти данные ближе всего к настоящим роботам, но производство идёт медленно, затраты высоки, и ограничены числом роботов, площадкой и масштабом операторов. Что ещё важнее, реальный мир крайне сложен и разнообразен, и использование исключительно ограниченных внутренних ботов и сценариев сбора затрудняет покрытие среды, с которыми модели могут столкнуться в будущем. Если базовая модель робота в конечном итоге требует десятков миллионов часов и более данных, полагаясь исключительно на постоянно растущее количество роботов, площадок и удалённых операторов, это не приведёт к экономически эффективному линейному масштабированию. Поэтому вопрос о том, как непрерывно создавать достаточно разнообразные данные, которые действительно улучшают производительность модели управляемым, экономически эффективным и масштабируемым образом, стало одной из ключевых задач индустрии физических данных ИИ, а также представляет собой бизнес-возможность, за которую конкурируют независимые компании, занимающиеся роботизированными данными. «Пирамида» данных роботов: компромисс между точностью, масштабом и обобщением Данные роботов представляют собой более сложную проблему: данные из разных источников значительно различаются по аутентичности, стоимости, масштабируемости и повторному использованию между онтологиями. Крис примерно делит текущие основные маршруты на удалённое управление с реальными устройствами, симуляцию и данные от первого лица. Если посмотреть на степень прямого совпадения данных с телом робота, можно сформировать грубую «пирамиду». На вершине пирамиды находится настоящее дистанционное управление машиной. Операторы непосредственно управляют настоящим роботом для выполнения таких задач, как захват, размещение и движение, а датчики синхронно записывают суставы, конечный эффектор, визуальные и сигналы движения робота. Главное преимущество такого типа данных в том, что обучающие данные поступают от реальных роботов, что делает физическую информацию наиболее полной и минимизирует различия от целевого тела. Однако стоимость и масштаб данных с реальных устройств не менее заметны. Согласно данным отрасли, общая стоимость одного часа высококачественных данных удалённого управления реальной машиной может достигать 200 долларов. Что ещё важнее, такие данные часто тесно связаны с конкретным телом робота, с ограниченными возможностями повторного использования по кросс-онтологии. Например, траектории движения, собранные на Unitree G1, нельзя напрямую адаптировать к разным формам роботов. В центре пирамиды находятся данные моделирования. Симуляция роботов заключается в восстановлении размера, суставов, амплитуды движений и среды выполнения задач реальных роботов в виртуальном пространстве, а затем позволяет операторам или программам управлять виртуальными роботами для выполнения задач. В настоящее время широко используемыми симуляционными платформами в исследованиях и разработках роботов являются Isaac Sim и MuJoCo. По сравнению с реальным миром главными преимуществами моделирования являются масштабируемость и управляемость. На самом деле невозможно многократно строить тысячи кухонь, складов или фабрик только ради сбора данных, но в виртуальных условиях подобные сценарии можно быстро воспроизводить и запускать параллельно. Существующие трассы также можно расширить на больше локаций, изменяя параметры, такие как освещение, материалы, положение камеры, типы объектов и пространственные планировки. В то же время статус задачи в среде симуляции легче читать точно. Например, выполнена ли задача, столкнулась ли роботизированная рука или окончательное положение объекта — всё это можно получить напрямую из окружающей среды, что облегчает проверку данных и автоматическую фильтрацию. Однако ограничения данных симуляции столь же очевидны: виртуальные среды всегда испытывают трудности с полным воспроизведением реального мира. Трение, деформация объектов, статус контакта, шум датчиков и многочисленные неконтролируемые факторы могут привести к успешной работе моделей в симуляции, но при этом снижать производительность после перехода на настоящих роботов. Преодоление разрыва между «симуляцией и реальностью» всегда было одной из ключевых задач в исследованиях робототехники. Ещё одна тенденция, которая явно обострилась в последние годы, — это данные от первого лица человеческой перспективы, которые находятся на самом низу пирамиды. Эти методы направлены на снижение зависимости от дорогих роботов, позволяя сотрудникам данных носить налобные камеры, GoPro или напрямую использовать телефоны для записи реальных действий, таких как готовка, складывание одежды, уборка комнат и операционные инструменты. Основная логика заключается в том, что если логика зрения и движения будущего роботов очень похожи на человеческие, то масштабная запись «того, как люди взаимодействуют с миром», теоретически может предоставить чрезвычайно богатые данные для фундаментальной модели робота. Самым привлекательным аспектом данных от первого лица является их потенциальный масштаб и экологическое разнообразие. По сравнению с развертыванием большого количества роботов для удалённой работы, возможность обычным людям записывать поведение в реальных ситуациях, таких как дома, фабрики и торговые центры, снижает затраты на сбор и барьеры для участия, а также проще охватить широкий спектр различных сред. Однако Крис также отметил серьёзную неопределённость в данных от первого лица человека: их обучающая ценность во многом зависит от онтологии будущих роботов. Если роботы используют колесные шасси, роботизированные руки, специализированные захваты и другие негуманоидные конструкции, прямая передача данных о работе человека на уровне действия значительно снизится. Даже если гуманоидные роботы станут мейнстримом в будущем, движения человека не смогут быть напрямую воспроизведены роботами; движения рук и тела всё равно нужно перенаправлять через перенаправление движения, чтобы следовать траекториям, которые могут выполнять суставы роботов и манипуляторы. Ещё одна часто упускающая из виду проблема — визуальная перспектива. В идеале данные от первого лица должны быть максимально близко к визуальному положению человека, но на голове, груди или других местах могут устанавливаться различные устройства для сбора предметов. Изменения перспективы могут существенно изменить пространственные отношения между руками, объектами и камерами, создавая серьёзные трудности для моделей роботов, которым необходимо изучать трёхмерные пространственные и операционные отношения. Таким образом, с точки зрения Криса, реальные машины, симуляции и данные от первого лица — это не просто заместитель. Каждый из них решает разные задачи: реальные устройства обеспечивают точность, симуляция масштабируется до масштаба, а человеческое видео обеспечивает разнообразие реальных сцен. Будущая система данных роботов, вероятно, будет сочетанием и дополнением различных источников данных. Кроме того, некоторые недавние исследования начали преуменьшать единое стремление к «оптимальным данным». Последний релиз Dyna Robotics, Dyna-2, полностью опирается на более чем миллион часов предварительного обучения с людьми от первого лица и наблюдает масштабное влияние на миграцию данных о поведении человека в роботизированные возможности. Исследования Axis также показывают, что симулированные траектории, отфильтрованные и обработанные, могут постоянно улучшать производительность модели по мере масштабирования масштабов данных. Становление производителем данных, создание физического движка данных ИИ Вместо того чтобы просто стремиться к высокому совпадению между одним вводом данных и целью, масштаб, разнообразие и возможность их действительно перенести в возможности модели становятся важными показателями. Поэтому компаниям, занимающимся роботизационными данными, сложно удовлетворить требования непрерывных изменений моделей с помощью единого метода сбора. Это также подводит к более фундаментальному вопросу: должны ли компании по обработке данных просто собирать и обрабатывать данные в соответствии с требованиями клиента, или им стоит глубже заниматься проектированием и производством данных, необходимых для обучения моделей? Axis выбрала второй вариант и позиционировала себя как «Физический движок данных ИИ». По мнению Криса, «аннотация данных» и «производство данных» не находятся на одном уровне бизнеса. Аннотация данных касается уже существующих данных. Клиент решает, что и как маркировать, а поставщик услуг отвечает за выполнение в соответствии с правилами; Производство данных должно развиваться дальше. Компании по обработке данных должны не только завершить сбор и обработку, но и участвовать в определении, каких данных не хватает модели, разрабатывать задачи и организовывать сбор вокруг учебных целей, а затем корректировать следующий раунд данных в зависимости от производительности модели. Например, если робот-модели нужно освоить работу на кухне, компании, занимающиеся данными, должны дополнительно определить, какие задачи проектировать, как сочетать базовые действия, такие как захват, толчок, тянут, открытие и закрытие, нужна ли информация о глубине, как организовать камеры и какие случаи отказа заслуживают особого сбора. Крис отметил, что коммерческое сотрудничество Axis с такими клиентами, как Booster Robotics и Qingyu Technology, эволюционировало от простой доставки данных до «решений для производства данных, ориентированных на цели обучения моделей». Например, в сотрудничестве с Booster Robotics Axis разработала специализированные базовые модели для Booster T1, которые глубоко адаптируются к его визуальному входу и движению. Эта модель поддерживает быструю миграцию и итерацию конкретных задач с очень малым количеством выборок, значительно снижая порог и инженерные затраты на адаптацию для разработки воплощённого интеллекта. Именно поэтому Axis делает акцент на «движке данных», а не на «фабрике данных». По словам Криса, бизнес-клиенты сначала могут предложить целевые сценарии и требования к возможностям, затем Axis разрабатывает задачи на их основе и завершает сбор данных через распределённую сеть участников. «Помимо доставки данных клиентам, AXIS также проводит академические исследования по наборам данных и валидации моделей внутри компании.» Крис заявил, что набор данных AXIS Franka, опубликованный командой Axis в первой половине года, в настоящее время является одним из крупнейших открытых наборов данных по роботизированной работе для роботизированной руки Franka Research 3, содержащим 207 различных задач манипуляции, более 50 000 демонстрационных траекторий с человеком и более 60 000 вариантов сценариев задач. На этапе оценки результатов обучения исследовательская группа использовала этот набор данных для непрерывного предварительного обучения по современной модели VLA π 0.5. Экспериментальные результаты показывают, что модель, обученная с использованием снимков данных AXIS-100%, показала отличные результаты в бенчмарке устойчивости LIBERO-Plus, достигнув общего уровня успеха 88,8%. Крис также отметил, что набор данных AXIS Franka значительно улучшил реакцию модели на реальные помехи: при таких проблемах, как шум сенсора и смещение угла камеры, устойчивость модели увеличилась на 13,7% и 11,3% соответственно. Исследование подтверждает, что по мере роста снимков данных с 25% до 100%, способность модели к манипулятивной генерализации демонстрирует стабильную тенденцию расширения, демонстрируя положительную масштабируемую связь между масштабом данных и возможностью обобщения задач на последующих этапах. Не ставя на одну форму данных, стремясь создать «Surge AI в области робототехники» Роботизированные данные остаются быстро меняющимся рынком, который ещё не сформировал стабильную парадигму. В последнее время отраслевой фокус постепенно расширился с удалённого управления с реальными машинами на симуляцию, вид от первого лица и другие источники данных. По мере того как фундаментальные модели входят в более глубокие этапы после обучения, сбор состояний отказов, процессов коррекции ошибок и траекторий восстановления также становится новыми требованиями к данным. «Если сегодня рынку больше всего нужны данные от первого лица, я буду использовать только от первого лица; А если через полгода он не понадобится? «Поэтому Крис неохотно определял Axis как компанию, которая занимается только одним типом данных. Его подход заключается в отделении относительно стабильных базовых возможностей от постоянно меняющихся методов сбора данных. Базовый уровень состоит из инфраструктуры, такой как распределённая сеть участников, управление задачами, валидация данных, очистка, улучшение и обработка конвейеров; Верхний уровень интегрирует различные продукты данных и методы сбора в зависимости от модели и потребностей клиента. В настоящее время Axis начал с веб-сбора симуляционных данных и постепенно расширяется до передачи данных от первого лица и моделей после обучения. Крис сообщил, что последний продукт добавил сбор данных по коррекции ошибок для смещения модели и состояний отказа. Команда продвигает сбор и обработку данных после обучения для DAgger и планирует выпустить первый крупномасштабный набор данных для посттренинга Human-Gated DAgger к концу года. По его мнению, по мере того как модели ботов продолжают развиваться, ценность партнёров по данным также будет меняться. Для оценки возможностей компании по обработке данных важно не только то, сколько данных она может предоставить одновременно, но и сможет ли она стабильно создавать высококачественные данные, поддерживать непрерывно действующую сеть вкладчиков и инструменты обработки данных, а также своевременно корректировать содержание и структуру следующего раунда данных в зависимости от производительности модели. Этот подход частично опирается на пути разработки Scale AI и Surge AI, при этом Крис уделяет особое внимание Surge AI. Он надеется, что Axis сможет стать «Surge AI в робототехнике» в будущем. По мнению Криса, преимущество Surge AI заключается не только в обширных ресурсах аннотаций данных, но и в том, что бизнес всегда идёт в ногу с изменениями в требованиях моделей — от посттренинга крупных моделей до новых этапов, таких как среды обучения агентов. Такая способность, которая не привязана к одной форме данных, а постоянно корректирует предоставляемые данные и инструменты по мере развития методов обучения физических моделей ИИ, — именно та возможность, которую Axis действительно стремится воспроизвести. Блокчейн используется для стимулирования взносов и отслеживания данных В отличие от других конкурентов, Axis носит относительно особый термин — блокчейн. Сам процесс производства данных роботов не требует блокчейна; симуляция по-прежнему работает в традиционных роботизированных средах, и обучение моделей ничем не отличается от других компаний, занимающихся ИИ. Блокчейн действительно вступает в игру после генерации данных: Axis устанавливает идентификаторы данных для проверенных следов данных и фиксирует взаимосвязи между задачами, данными и участниками на Base. Крис отметил, что блокчейн-технологии в основном решают две проблемы. Во-первых, это стимулы для взносов. Когда данные создаются глобально распределёнными пользователями, количество и качество данных, заполненных разными пользователями, различаются. Платформы должны знать, кто что внес вклад и действительно ли данные соответствуют требованиям. Для участников ключевым не в том, сколько их нужно сделать, а в том, кто предоставляет действительно эффективные данные. Во-вторых, важно отслеживание источников. Текущий процесс обучения моделей ИИ очень похож на чёрный ящик. Посторонние обычно видят только финальную модель, но сложно понять, из каких данных на самом деле берётся способность и кто её производит. Если связи между задачами, треками и участниками можно непрерывно фиксировать, то при покупке данных клиентом можно сохранить хотя бы относительно полную исходную запись. Axis теперь запустила систему баллов для учёта и измерения вклада пользователей. Крис также упомянул, что если в будущем будут выпускаться токены, взношенные очки могут служить стимулами; Если данные участника в конечном итоге будут коммерциализированы, компания также рассматривает возможность привлечения его к будущему распределению доходов. Однако эти механизмы всё ещё находятся на стадии проектирования и совершенствования. Вместо того чтобы сначала строить экономику токенов, а затем искать примеры применения, Крис делает акцент сначала на выявлении практических проблем, которые блокчейн может решить. «Я никогда не чувствовал себя компанией криптоботов.» По его определению, Axis прежде всего является компанией, занимающейся робототехникой данных, и если блокчейн может помочь решить вопросы стимулирования взносов и отслеживания источников данных, его следует использовать именно в этих областях; Если он не может создать реальную ценность, нет необходимости вводить его ради нарратива «Crypto+AI». Следующий этап: расширение покрытия данных и включение в список поставщиков ведущих моделей В течение следующих 6–12 месяцев дорожная карта Axis в основном сосредоточена на трёх направлениях: продукт, рост сообщества и коммерциализация. С точки зрения продукта Axis планирует ещё больше расширить масштаб сбора данных от первого лица, добавив данные UMI и телеоперационные данные для мобильных задач, что дополнительно расширит типы данных и сферу задач, охватываемых платформой. Помимо шлюзов для сбора данных для обычных пользователей, Axis также планирует предоставлять API генерации задач и инструменты обработки данных корпоративным клиентам и разработчикам, что позволит ещё больше продуктизировать некоторые базовые возможности производства данных. Развитие сообщества — ещё один ключевой приоритет. Крис заявил, что Axis надеется утроить свой текущий размер сообщества в ближайшие шесть месяцев и дальше расшириться на различные региональные рынки. Участники больше не ограничиваются обычными участниками данных, а стремятся привлечь больше разработчиков, исследователей и профессионалов отрасли, постепенно расширяя платформу в открытую экосистему, сосредоточенную на производстве данных на основе физического ИИ. Что касается коммерциализации, Axis уже приобрела эталонных клиентов в некоторых нишевых областях, и как симуляционные данные, так и данные от первого лица уже создали платные заказы. В течение следующих шести месяцев компания поставила цель увеличить годовой регулярный доход (ARR) до 500 000–1 миллиона долларов и войти в список поставщиков ведущих компаний по производству моделей роботов. По сравнению с самими показателями выручки, вход в системы поставок ведущих моделей может лучше проверить текущую модель Axis.

PANews 12 августа сообщает, что аналитик CryptoQuant Аксель Адлер-младший опубликовал статью, в которой говорится, что волатильность биткоина сжалась до 3,8%, что является одним из самых низких уровней за последние два года, а индикатор силы тренда ADX снизился до 11, близко к минимальным значениям за последние годы. Рынок находится в состоянии узкой консолидации без явного направления. Исторически такое крайне низкое волатильное состояние обычно не длится долго и часто сопровождается последующим значительным движением, однако направление этого движения неизвестно. Аналитик отмечает, что ширина полос Боллинджера в начале июля оставалась в двузначном диапазоне, а сейчас значительно сузилась. ADX значительно ниже порога 25, который указывает на активный тренд, нет активных сигналов на рост или падение. Прорыв требует расширения BBR с одновременным повышением ADX выше 25 и появлением сигнала направления. До этого момента сохраняется риск ложного прорыва.

Автор: Чарльз Ллойд Бовэрд II, Forbes Перевод: AididiaoJP, Foresight News Биткойн переживает типичное летнее «затишье». Трейдеры, глядя на дальнейшее направление крупнейшей по рыночной капитализации цифровой валюты, почти единогласно переключают внимание с ончейн-данных и краткосрочного технического анализа на ключевые макроэкономические переменные. Текущая цена застряла в относительно узком диапазоне, и обе стороны — быки и медведи — проявляют нерешительность. Согласно данным Coinbase и TradingView, сегодня биткойн упал примерно до 63 700 долларов, снизившись примерно на 2,4% с предыдущего дня, когда цена была 65 341,83 доллара. Этот небольшой спад сам по себе не является резким, но вновь привлек внимание рынка к ключевому вопросу: что же способно действительно разорвать нынешний застой в условиях низкой ликвидности и сжатой волатильности летом? Несколько ведущих трейдеров и аналитиков пришли к довольно единому мнению — настоящий катализатор находится не внутри крипторынка, а в макроэкономических данных и политике. Генеральный директор STS Digital Джефф Андерсон в письме прямо описал текущую ситуацию на рынке: «После входа в август биткойн продолжает колебаться в диапазоне, уже пять недель торгуется в узком коридоре от 62 000 до 66 000 долларов. У обеих сторон слабая уверенность, летняя ликвидность низкая, а внимание рынка отвлекает AI.» Он также отметил, что волатильность сжата до экстремального уровня — подразумеваемая волатильность (IVs) упала до исторического 1-го процентиля. Рынок терпеливо ждет два ключевых катализатора, которые еще не реализовались: следующих шагов политики ФРС и окончательной судьбы законопроекта «Clarity Act», направленного на обеспечение более четкого регулирования цифровых активов. Если он будет принят, это значительно повысит уверенность институциональных участников. Андерсон подчеркнул: «Как только спотовая цена быстро пробьет 62 000 или 66 000 долларов в любом направлении, волатильность резко возрастет. Данные CPI, которые будут опубликованы в эту среду, станут первым важным индикатором после пресс-конференции Уоша, посвященной инфляции.» Другими словами, мягкие или жесткие данные CPI могут стать первой доминошкой, определяющей краткосрочное направление. Основатель и CEO кредитной платформы Cap Бенджамин Сарквис Пейярд во многом согласен с Андерсоном, но больше сосредоточен на поддержке институциональных инвестиций. В письме он отметил: «Трейдерам стоит уделить особое внимание среде CPI в среду и тому, сможет ли биткойн закрыться выше 66 000 долларов. Исторически ослабление инфляции значительно снижало опасения по поводу повышения ставок и напрямую поддерживало рисковые активы; а недавние слабые данные по занятости уже создали для рынка мягкий попутный ветер.» Пейярд особо выделил важный, но игнорируемый рынком момент: американский биткойн-ETF недавно зафиксировал самый сильный приток с апреля, при этом лидером стал IBIT от BlackRock. Он отметил: «В условиях более разреженного летнего рынка постоянный институциональный спрос стал ключевой поддержкой.» Это означает, что даже при краткосрочном давлении на цену, постоянные покупки ETF обеспечивают поддержку снизу. Однако он также дал четкое предупреждение о рисках: «Мягкие данные CPI в сочетании с продолжающимся притоком средств могут спровоцировать прорыв вверх; но любой резкий рост доходности или дальнейшие задержки в регулировании могут вновь испытать уровни поддержки. Мы также внимательно следим за тем, получат ли золото и сырьевые товары синхронные покупки, и будет ли биткойн коррелировать с этими традиционными активами-убежищами или рисковыми активами.» Старший директор криптотрейдинговой компании Wincent Пол Ховард дал более осторожную оценку с точки зрения структуры спроса и позиций. В письме он отметил: «Недавнее движение биткойна в значительной степени обусловлено тем, что стабильный приток ETF компенсируется внебиржевыми (OTC) продажами майнеров и Strategy. В результате на прошлой неделе BTC колебался в диапазоне от 64 000 до 67 000 долларов, несмотря на то, что глобальный объем криптовалютных торгов упал до трехлетнего минимума.» Ховард ожидает, что такая консолидация продлится как минимум три-четыре недели, пока не появятся более четкие новости по «Clarity Act». «Это, вероятно, станет существенным катализатором для следующего роста волатильности и активности рынка, поэтому до середины сентября настроение на рынке останется подавленным.» Он добавил: «Позиции на рынке деривативов также показывают, что инвесторы по-прежнему полностью хеджируются. Это означает, что без существенных фундаментальных катализаторов любое резкое движение за пределы текущего диапазона будет неожиданным для рынка.» В отличие от более нейтральных или осторожных взглядов выше, основатель Ault Blockchain Тодд Олт выразил более долгосрочный оптимизм. В письме он отметил: «Отчет по занятости действительно усложняет для ФРС возможность еще одного повышения ставок, но я не ставлю перспективы биткойна на одну встречу ФРС. Инфляция, цены на нефть и ликвидность по-прежнему важны.» Олт подчеркнул: «Для меня, если экономика замедляется, а следующий шаг в ликвидности в итоге будет смягчением, это очень конструктивная среда для биткойна. Я всегда был долгосрочным сторонником биткойна и считаю, что эта картина продолжает улучшаться.» Он признал неизбежность краткосрочной волатильности: «Я считаю, что биткойн пойдет вверх, но с достаточными колебаниями. Это и есть биткойн. Вы вполне можете увидеть колебания в 10% в любом направлении, при этом долгосрочная история не меняется.» Как держатель и майнер биткойна, он больше сосредоточен на более глубоких драйверах — уровне принятия, институциональном спросе, динамике предложения сети и общем направлении глобальной ликвидности в ближайшие кварталы. В заключение Олт добавил часто упускаемое из виду структурное преимущество: «Помните, что биткойн как залог по кредитам — это уникальная «чистая» форма. Исходя из этого, я по-прежнему очень оптимистичен.» В целом, биткойн сейчас находится в типичном «макроожидании». Трейдеры почти единогласно считают, что одного лишь притока ETF или ончейн-данных недостаточно, чтобы пробить узкий диапазон от 62 000 до 66 000 долларов. Настоящими факторами, способными возродить волатильность и интерес рынка, остаются данные CPI на этой неделе, дальнейшие сигналы политики ФРС и законодательный прогресс по «Clarity Act». До реализации этих макроэкономических переменных биткойн, скорее всего, продолжит «летнее боковое движение» в текущем диапазоне, ожидая появления настоящего катализатора.

Автор: 小饼 Известный крипто-VC Paradigm вчера запустил веб-игру под названием RSI Simulator. Игрок выступает в роли руководителя AI-лаборатории, цель — создать суперразум с нуля. У вас есть три ресурса: человеческие ресурсы, вычислительная мощность и данные, нужно решить, сколько вложить в исследования, сколько в обучение, сколько в расширение. После каждого раунда решения меняются способности модели, а изменения способностей влияют на эффективность исследований, пока в какой-то критической точке AI не начнёт ускоренно улучшать себя, и кривая резко пойдёт вверх. Звучит как игра в жанре idle. На самом деле это образовательный инструмент, превращающий экономическую научную статью в интерактивный опыт. Paradigm использует её, чтобы ответить на вопрос, который все обсуждают, но мало кто количественно анализирует: насколько быстро AI может самостоятельно улучшаться? Будет ли внезапный взрыв? Какие факторы определяют его потолок? Что такое рекурсивное автономное улучшение? Рекурсивное автономное улучшение, или RSI, — одна из ключевых тем в области безопасности AI. Проще говоря: когда AI-модель достаточно сильна, чтобы помогать людям улучшать следующую версию AI, возникает цикл: AI участвует в создании более сильного AI, а более сильный AI — в создании ещё более сильного. Этот цикл, как только запускается, теоретически может привести к экспоненциальному ускорению, так называемому интеллектуальному взрыву. Это уже не фантастика. В феврале 2026 года OpenAI при выпуске GPT-5.3-Codex признала, что ранние версии модели «играли важную роль» в создании самой себя, помогая отлаживать процесс обучения, управлять развертыванием и диагностировать ошибки. Это первый случай, когда ведущая лаборатория официально признала, что модель существенно участвовала в инженерных процессах создания своего преемника. Как играть? Игровая часть RSI Simulator моделирует распределение ресурсов AI-лаборатории. В каждом раунде нужно распределить ресурсы между тремя направлениями. Больше вычислительной мощности — обучение более крупных моделей; больше человеческих ресурсов — улучшение алгоритмической эффективности (достижение того же результата с меньшей мощностью); сбор данных — расширение границ обучающих материалов. Ключевой механизм: когда способности модели достигают определённого уровня, она начинает «помогать в исследованиях», и эффективность человеческих исследований растёт благодаря AI. Это и есть старт RSI-цикла. Нужно решить, когда переключить ресурсы с расширения на режим «позволить AI исследовать себя». Если переключиться слишком рано, модель недостаточно сильна, эффективность AI-исследований ниже человеческой, вычислительная мощность тратится впустую. Если слишком поздно — можно отстать от других (гипотетических) лабораторий. Paradigm также добавила «исследователь» (Explorer), позволяющий пользователям напрямую настраивать параметры базовой экономической модели, например, «эластичность влияния способностей модели на скорость исследований», чтобы наблюдать, как меняется кривая прогресса AI при разных настройках. Эта часть рассчитана на более продвинутую аудиторию и по сути превращает математическую модель из научной статьи в интерактивную панель управления. Четыре инсайта, которые игра хочет донести В сопроводительной исследовательской статье Paradigm подытожила четыре ключевых вывода из модели и игры. Узкое место всегда в самом слабом звене. Для разработки AI нужны три взаимодополняющих ресурса: люди, вычислительная мощность и данные. Даже при бесконечном интеллекте AI физические ограничения мощности и данных остаются. RSI может ограничиваться поставками мощности или качеством данных, а не интеллектом. Автономное улучшение может быть импульсным, а не непрерывным экспоненциальным ростом. AI может пройти период ускоренного самоулучшения, а затем остановиться, не достигнув физических пределов, если мощность станет узким местом. Интеллектуальный взрыв — не обязательно прямая устремлённая вверх кривая, а скорее несколько резких скачков с плато между ними. Взрыв узкоспециализированного интеллекта может предшествовать взрыву общего интеллекта. AI может сначала ускоренно улучшать себя в узкой области «исследования AI», но эта способность не обязательно распространяется на все когнитивные задачи. Можно представить AI, отлично улучшающего код обучения AI, но без прорывов в управлении цепочками поставок или написании романов. Всё зависит от параметров. Вывод модели сильно зависит от набора параметров, называемых «коэффициентами эластичности». Они измеряют, на сколько процентов увеличится выход при увеличении входа на 1%. Ключевой коэффициент в RSI — насколько на сколько процентов увеличивается скорость новых открытий при повышении текущих способностей модели на 1%. Это число может меняться со временем, и важно отслеживать его в реальном времени. Почему Paradigm? Paradigm уже не просто крипто-VC. Месяц назад Paradigm завершила сбор нового фонда в 1,2 млрд долларов. Направления инвестиций сильно отличаются от предыдущих трёх раундов: соучредитель Мэтт Хуанг (бывший партнёр Sequoia Capital) и управляющий партнёр Алана Палмедо в объявлении написали, что фонд будет «начинаться с крипты и расширяться на AI, робототехнику и другие передовые области». С момента основания в 2018 году Paradigm привлекла более 4 млрд долларов и инвестировала в такие знаковые проекты криптоиндустрии, как Uniswap, Optimism, Hyperliquid, Kalshi. Сейчас инвестиционный портфель Paradigm явно выходит за рамки крипты. В марте они возглавили раунд H для компании по доставке дронами Zipline, в апреле вложились в раунд D космической оборонной компании True Anomaly, а также инвестировали в AI-исследовательскую лабораторию Nous Research. Внутренние инструменты тоже расширяются в сторону AI. Paradigm разработала Centaur (набор инструментов AI-агентов) и EVMbench (проект по оценке безопасности блокчейнов в сотрудничестве с OpenAI), одна нога стоит на блокчейне, другая уже в AI-инфраструктуре. В этом контексте RSI Simulator — это не просто PR-проект, Paradigm ставит на пересечение передовых технологий с новым фондом в 1,2 млрд долларов, объединяющим ускорение AI, децентрализованные вычисления и автоматизированную инфраструктуру. Понимание экономики RSI — это понимание базовой логики их главной ставки. Если скорость автономного улучшения AI соответствует кривым с определёнными параметрами из игры, цикл обновления всего технологического стека сожмётся, и проекты, которые сегодня кажутся лидерами на три года вперёд, могут быть вытеснены через шесть месяцев. Paradigm в конце статьи пишет, что заинтересованы во всех работах, продвигающих моделирование RSI, и призывают исследователей из смежных областей связываться с ними. Эта игра — визитная карточка, за которой стоят 1,2 млрд долларов и трансформирующаяся инвестиционная компания. Адрес игры: https://www.paradigm.xyz/research/rsi/game Исследователь модели: https://www.paradigm.xyz/research/rsi/explorer

PANews 12 августа сообщает, что по данным аналитика Juiceberg, протокол Layer 1 блокчейна Harmony подвергся атаке. Данные в блокчейне показывают, что злоумышленник несанкционированно создал 4 миллиарда токенов ONE через пустые блоки (примерно 26% от общего предложения), из которых 2,8 миллиарда были быстро переведены на биржи во время резкого падения цены. Оставшиеся на цепочке около 115 миллионов ONE (примерно 2,9% от созданного объема) выставлены на продажу, при этом подавляющее большинство (около 97%) уже переведено на биржи, либо продано, либо находится в кошельках для пополнения и продажи. В ответ Harmony заявила, что сотрудничает с командой и соответствующими биржами для блокировки и заморозки средств. Ведется работа над планами исправления и отката. О любых новых событиях будет сообщено своевременно.

С понедельника по пятницу утром — фокус на макроэкономике, американском рынке, AI, драгоценных металлах и нефти, с анализом рынка на основе данных и трендов, подготовлено PANews. Застой в Ормузском проливе поддерживает цены на нефть, чиновники ФРС усиливают риторику, Уолл-стрит в режиме «ожидания ответов» Три основных индекса открылись выше, но закрылись ниже, второй день подряд снижаясь. Dow Jones упал на 0,34% до 53791,85, S&P 500 снизился на 0,32% до 7728,20, Nasdaq упал на 0,6% до 26445,45. Технологические гиганты в целом тянут вниз, Google упал почти на 4% за день, рынок выбирает выжидательную позицию перед ключевым CPI, S&P сохраняет крайне узкий диапазон уже четвертый торговый день подряд. Настроения показывают редкое расхождение: S&P обновляет максимумы, но за последние 25 недель в 20 из них медведи превалировали над быками, институциональные позиции явно отстают от фундаментальных данных. 22V Research отмечает, что такая чрезмерная пессимистичность исторически предвещает отскок с ожидаемой доходностью в ближайшие 1-6 месяцев; индекс настроений Wells Fargo близок к сильнейшему сигналу к продаже с 2018 года, рекомендуя хеджирование перед CPI. Castle Securities считает, что этап снижения кредитного плеча близок к завершению, системные фонды, хедж-фонды и выкуп акций компаниями готовятся к наращиванию позиций. Переговоры по Ормузскому проливу превратились в изнурительную борьбу: секретарь Совета национальной безопасности Ирана Резаии и советник верховного лидера Мухеббер во вторник заявили в унисон: пролив не откроется, пока США не разморозят активы, не прекратят региональные конфликты и не примут все условия. В тот же день ВМС США в Оманском заливе выпустили ракеты по панамскому грузовому судну, пытавшемуся прорваться через блокаду, заставив 55 судов изменить курс; хуситы атаковали суда Саудовской Аравии и Египта в Мандебском проливе, что привело к первым с начала войны иранским жертвам среди экипажа. EIA одновременно повысило прогнозы цен на WTI и Brent на этот и следующий год, ожидая, что поставки нефти с Ближнего Востока будут нарушены минимум до 2027 года. Нефть растет третий день подряд, Brent приближается к $90, дизельный спред остается высоким, что напрямую повышает краткосрочную премию за поставки. Чиновники ФРС вновь усиливают «ястребиные» заявления: президент Чикагского ФРС Гулсби прямо заявил, что «главная проблема — слишком быстрый рост цен», президент Кливлендского ФРС Хамарк отметил, что для снижения инфляции до 2% может потребоваться несколько повышений ставок, рынок примерно поровну разделился между ставками на повышение и паузу в сентябре. Доходность 10-летних казначейских облигаций снизилась на 2 базисных пункта до 4,69% на фоне слабых данных по продажам готового жилья, что усилило ожидания снижения ставок. Внимание привлекает тот факт, что в конце июля CTA увеличили короткие позиции по мировым облигациям примерно в три раза по сравнению с предыдущими двумя неделями, при изменении доходности 10-летних облигаций на 1 базисный пункт соответствующая прибыль/убыток CTA составляет около $300 млн — один из самых высоких уровней с 1990 года. Если сегодня CPI окажется слабее ожиданий и вызовет отскок на рынке облигаций, массовое закрытие коротких позиций может усилить волатильность. Взрывной рост AI-вычислительных мощностей и оптической связи, усиление диверсификации технологического сектора Вчера технологический сектор США показал явное расслоение: крупные технологические компании тянули индексы вниз, но полупроводники, память, оптическая связь, AI-облака и альтернативные управляющие активами показали сильный рост. Филадельфийский индекс полупроводников вырос на 0,87%, 24 из 30 компонентов закрылись в плюсе. SK Hynix вырос на 4,7%, SanDisk на 2,68%, CRDO на 3,23%, Lumentum на 0,87%. Облачные провайдеры, такие как CoreWeave, заметно выросли, после закрытия торгов их акции взлетели на фоне отчетности. В противоположность этому, большинство технологических гигантов снизились: Google упал на 3,84%, что стало крупнейшим однодневным падением за полгода, Amazon снизился на 2,09%, Apple на 1,09%, Microsoft на 0,44%, Nvidia почти без изменений. Рынок сохраняет сомнения по поводу объявленной в понедельник платформы финансирования вычислительных мощностей на $500 млрд, несмотря на разъяснения Дженсена Хуана о том, что его участие ограничено 25% и носит ограниченный характер, кредитные дефолтные свопы сузились. Альтернативные управляющие активами значительно выиграли от той же схемы финансирования: KKR вырос на 6,88%, Apollo на 6,26%, Brookfield на 4,77%, Blackstone на 3,89%. Рынок считает, что строительство AI-центров обработки данных требует огромных инвестиций, и фонды частного кредита и инфраструктурные фонды станут прямыми бенефициарами. Кроме того, процесс финансовой интеграции GPU-вычислительных мощностей ускоряется: CME запустит 5 октября фьючерсы на вычислительные мощности GPU H100 и B200, отслеживающие почасовую стоимость аренды GPU. Это позволит компаниям хеджировать затраты на вычислительные мощности так же, как хеджируют цены на нефть и электроэнергию. Одновременно усиливается давление на регулирование AI: сенатор США Сандерс направил письма CEO OpenAI, Anthropic и Meta с требованием приостановить разработку AI, иначе вмешается Конгресс; демократы Палаты представителей оказывают давление на спикера Джонсона с требованием пригласить CEO AI-гигантов на слушания в Конгрессе, что добавляет неопределенности в настроения технологического сектора. Конкретные проекты и колебания акций: CoreWeave вырос на 2,42%, после закрытия торгов подскочил более чем на 16%: во втором квартале выручка составила $2,575 млрд, что на 112% выше год к году и превзошло ожидания, отложенные заказы достигли $104 млрд, в начале третьего квартала добавлено более $25 млрд новых обязательств, CEO отметил, что маржа по новым контрактам выше на 5-10 п.п. AI-облака также выросли: NEBIUS почти на 5% (отчет выйдет сегодня до открытия рынка), RIOT, Hut 8, IREN выросли более чем на 2,5%. Lumentum вырос на 0,87%, в ночной сессии подскочил примерно на 7%: выручка за четвертый финансовый квартал составила $1,01 млрд, что на 109% больше год к году, скорректированная прибыль на акцию выросла на 267% до $3,23; несмотря на единовременные безналичные убытки в $7,8 млрд из-за погашения долгов, чистый убыток по GAAP составил $7,2 млрд, прогноз выручки на следующий квартал — $1,255 млрд (на 8% выше ожиданий). CEO сообщил, что насосные лазеры «полностью распроданы», спрос на 1,6T и CPO/NPO силен. Оптический сектор в целом выиграл: CRDO +3,23%, Майвелл Текнолоджи +1,80%, AAOI +1,14%, Coherent +1,05%, Corning +0,91%. AMD выросла на 0,45%, после закрытия торгов подскочила более чем на 10%: продажи в 4-м квартале составили $11,12 млрд, немного ниже ожиданий, но маржа почти удвоилась, прогноз продаж на 1-й квартал на 25% выше ожиданий, прогноз на 2027 финансовый год значительно выше рынка. Nvidia снизилась на 0,02%: сообщается о разработке открытой модели Nemotron 4 с триллионом параметров, нацеленная на конкуренцию с ведущими мировыми открытыми моделями, что дополнительно закрепляет спрос на GPU. После разъяснений Дженсена Хуана опасения рынка ослабли, акции стабилизировались. Сектор памяти отыгрывает позиции: руководители Micron предупреждают, что дефицит памяти продлится до 2027 года и далее, акции Micron выросли на 0,87%, SK Hynix подскочил на 4,7%, SanDisk +2,68%, Seagate +2,44%. Intel выросла на 0,19%: выпуск акций на $20 млрд одобрен Министерством торговли, но правительство не участвует в подписке, что дает ресурсы для расширения AI. Google упал на 3,84%: CEO Пичаи объявил, что месячная аудитория Gemini превысила 1 млрд, став 14-м продуктом Google с «клубом миллиардных пользователей»; однако из-за реструктуризации подразделений и коррекции технологических гигантов акции показали крупнейшее падение за полгода. Другие гиганты: Apple не меняет планы по крупному обновлению стекла к 20-летию iPhone в 2027 году, опровергая слухи об отмене; Oracle под давлением слухов о новой волне увольнений, рынок начинает пересматривать давление на контроль затрат при высоком росте облачного бизнеса, акции упали на 3,71%; SpaceX снизилась почти на 4%. Что стоит ожидать дальше: 12 августа (среда) - Публикация ежемесячных отчетов EIA, OPEC, IEA: три ключевых энергетических отчета проверят мировое предложение и спрос на нефть, запасы, дисциплину производства OPEC+ и перспективы спроса. Если отчеты покажут ужесточение предложения или рост рисков в Ормузском проливе, цены на нефть могут продолжить рост и повысить инфляционные ожидания; если прогнозы спроса снизятся, импульс к росту цен может ослабнуть. - 20:30 — CPI США за июль: ожидается снижение общего CPI с 3,5% до 3,4% г/г, базового CPI с 2,6% до 2,5%; если данные будут ниже ожиданий, ставки на повышение в сентябре ослабнут, доходность облигаций и доллар могут снизиться, выиграют Nasdaq, золото, долгосрочные облигации и высоко оцененные акции роста; если CPI окажется выше, рынок пересмотрит риски ужесточения, особенно давление может усилиться на AI и технологические акции. - 20:00 — телеконференция Tencent по отчету за второй квартал: ключевой отчет недели для основного веса на Гонконгской бирже. Внимание рынка сосредоточено на восстановлении игрового бизнеса, коммерциализации рекламы в видео, рентабельности финтеха, капитальных расходах на AI, модели HunYuan, YuanBao и развитии AI-функций WeChat. - Оплата подписки на IPO Yushu Technology: как высоко ожидаемое IPO в сфере гуманоидных роботов, ситуация с оплатой и интерес рынка продолжат влиять на настроение в секторе роботов. 13 августа (четверг) - Отчеты Cisco, Coherent, Cerebras после торгов на американском рынке: Cisco проверит спрос на AI-сетевое оборудование, Coherent — на высокоскоростную оптику и модули 800G/1,6T. Если заказы, маржа и прогнозы будут сильными, тренд на «многооптическую» торговлю может продолжиться; если нет — сектор оптических модулей, который недавно сильно вырос, может начать фиксацию прибыли. - 06:00 — презентация новых продуктов Google: ожидается запуск серии Pixel 11, Pixel Watch 5 и Pixel Buds Pro, ключевое внимание на интеграцию Tensor G6 и экосистемы Gemini. Если AI-опыт на устройстве превзойдет ожидания, это стимулирует развитие AI-смартфонов, локальных моделей, сенсоров и экосистемы Android.