Angry Guy | SynF🌙 | Arcium☂️

Incognito mode for your money. Public TestFlight is live for iOS. Go private ↓

introducing the Future House Campus Network 🇰🇷 a new initiative bringing together blockchain communities from KAIST, POSTECH, Yonsei, and 7 other Korean universities under one institutional program featured in Han Kyung (Korea's WSJ) ↓

there is no hugging face for robotics data. no standardized pipeline for collecting, labeling, versioning, training on real-world robot data at scale. no tooling that handles contact dynamics and material deformation well enough for industrial manipulation. no teleoperation infrastructure where human supervisor intervention automatically becomes training data. no vertical-specific manipulation datasets for any specific industrial task. the actual bottleneck in physical AI is the data and the infrastructure to generate it. and this is a structural problem. for language AI, training data was the internet. abundant, cheap, already labeled by human intent. for robotics, the gap between where foundation models are and where they need to be cannot be closed by deploying more robots. three bets are being made right now: simulation-first works brilliantly for locomotion. domain randomization has essentially solved quadruped walking in unstructured terrain. but it breaks down completely for manipulation. simulated cameras have no noise, blur, or friction error. real cameras and grippers have all of it. cable insertion, fabric folding, dexterous assembly are exactly where simulation fails. teleoperation as data collection is the second move. deploy semi-autonomous robots, capture human-guided trajectories, iterate. theoretically sound. but the capital math is brutal and the execution evidence isn't there yet. human video as proxy is the third. if robots could learn from watching humans, you tap unlimited data. the problem: human hand geometry and force feedback don't map onto robot actuators. you're learning the shape of motion without the physics that make it work. what's actually working today is locomotion. narrow manipulation in structured environments. inspection and sensing. quadrupeds doing thermal inspection. no general-purpose manipulation required. the hardware race is loud, capital-intensive, winner-take-few. but the data infrastructure race is quiet, undercapitalized, wide open.

[Starknet의 정체성과 Layer-2로 설계한 방향성, 이유] 기존의 L2 코인에는 명확한 목적이 있었습니다. - 더 빠르게 - 더 싸게 - 더 많은 트랜잭션을 처리 이 3가지, 즉 "확장" 자체를 목적으로 두었었습니다. 하지만 지금의 스타크넷을 설명하기에는 조금 부족합니다. 스타크넷의 방향성에는 트랜잭션을 더 많이 처리하는 것으로 끝내는게 아닌, 온체인에서 가능한 것의 범위를 확장하는 쪽에 가깝습니다. ――― 예를 들어, Starknet은 단순한 처리량 증가를 넘어서 대규모 연산을 온체인에서 가능하게 하고자 하고 있습니다. - 온체인 게임 - 고도화된 Defi - 검증 가능한 AI 등등, 기존에는 비용과 구조 때문에 어려웠던 것들이 현재는 이 영역 안으로 들어오고 있습니다. ――― 여기에 더해 사용자 경험(UX)도 바뀌고 있습니다. - 지갑 생성 없는 로그인 - 가스비 부담 X (Zero fee) - 매번 서명하지 않는 인터렉션 기존 Web3의 불편함을 줄이고 Web2의 편하고 자연스러운 구조를 만들어내고 있습니다. 스타크넷은 '더 빠른 체인' 을 보면서 만드는 것이 아닌, 실제로 사용 가능한 온체인 환경을 만드는데 집중합니다. 이는 환경 자체를 바꾸는 시도이고, 시장을 새로 정의하는 방향성을 추구한다고 생각합니다. ――― [마무리, 내 생각] 아직은 많은 사람들이 스타크넷을 여러 L2 중 하나로 보고 있지만, 이 구조가 계속 발전한다면 인식은 점점 바뀔 것이라고 생각합니다. 저번 주에도 다루었던 최근 등장한 STRK20을 보면 스타크넷은 성능 개선 뿐 아닌, 온체인에서 가능한 범위 자체를 바꾸려는 방향이라는 점이 보이기도 합니다. 스타크넷이 실제로 사용 가능한 온체인 환경을 제대로 구축해 나가길 응원하겠습니다! - - - 다음 편은 Starknet의 설계 철학에 대해서 알아보겠습니다. 감사합니다. * 스타크넷 앰버서더 활동입니다.