我过去一个月与$CODEC团队一起工作的内容： - 从鸟瞰的角度研究整个机器人行业和技术架构，与@unmoyai合作（最新发展、最佳实践等） - 理解Codec的产品在每一个领域中的定位（解决痛点） - 这解锁了哪些具体的用例和叙述 - 工具的最大价值层以及主要资本流向 - 比较web2工具以及导致AI时代成功的因素（Virtuals & ai16z）- 激发开发者活动的核心组件是什么？ - 代币经济飞轮和实用性 团队在技术文章方面做得很好，尽管我仍然认为他们只是触及了工具真正重要性的表面。 我的目标是帮助建立框架和流程，以更简洁地捕捉叙述，同时突出SDK解锁的真正特性。 目前，甚至在web2中也没有提供Codec所追求的同类型抽象。 开源贡献是未来的方向，像Nvidia的Issac Gr00t这样的领先基础模型已经在考虑这一点，因为数据和任务训练仍处于早期阶段。你不能使用AI文本字符串来训练机器人，根本没有“机器人互联网”。 你看到的每一个人形机器人和机器人都是采用全栈单体架构构建的，没有任务训练的延续性或添加新组件（在头部后面增加额外传感器或摄像头）的方法，而不必重写整个代码库。 与其为单一的单体架构构建数据管道和模拟，他们采取了一种模块化的方法，不是为整个系统构建任务，而是将机器人的每个部分分解为核心组件（电机、传感器、执行器、眼睛等）。这意味着它可以轻松插入任何类型的机器人/人形，无论其系统如何，并根据各个部分的要求指示其执行任务。 类似于我们在Eliza和Virtuals中看到的，开发者不需要编写整个框架，而是拥有所有插件（推特、新闻源、dexscreener API等）的GPT模型触手可及。他们所需要的只是Agents输入的个人上下文，然后纯粹是微调的问题。 Codec的目标非常相似，建立一个开发者中心，开发者不需要担心构建自己的“游戏引擎”，SDK工具包就像游戏开发中的Unreal Engine/Unity。 ...