Kaistellar

Imperfection is addicting because it's real
Reality is an irony maximizer. The most ironic, entertaining outcome is the most likely.

[Emily Chang @emilychangtv]

In her first wide-ranging interview since leaving OpenAI, @miramurati shared more than ever before about what she’s building at her AGI startup, @thinkymachines lab.

The former OpenAI CTO laid out her vision for a future where humans and AI work together more closely -- “like a tandem bike” -- and where people aren’t pushed out of the loop as machines become more capable.

via @BloombergLive

[Kaistellar @HalemShady]

@chaao_vn @Tony_Buoi_Sang Đây có phải nick thật của tác giả Tony không vậy bạn?

[Yun-Ta Tsai @yunta_tsai]

Attempted to write a Steam Engine hype at the era of Industrial Revolution as if it was the age of AI —

The steam engine breakthrough is insane right now.

Watt’s separate condenser + new GRPO optimization just dropped the 405 hp-class engine. We went from 7 hp → 70 hp → 405 hp+ in basically three years. One machine now does the work of 50+ men or water wheels — nonstop, rain or shine, anywhere.

Textile mills, ironworks, everything scaling 5-10x overnight. Productivity exploding.

This isn’t incremental. It’s automating physical labor at massive scale. Jobs shifting forever. Society about to look unrecognizable.

The Industrial Revolution isn’t coming. It’s here and accelerating faster than anyone predicted.

Terrified. Excited. Both.
What a time to be alive. 🚂💨

[Neuralink @neuralink]

After a car accident left her paralyzed from the neck down, Audrey didn’t think she would be able to draw or paint again.

20 years later, she became the first female participant in our clinical trials. Now, she uses her brain-computer interface to create art with her mind.

[Elon Musk @elonmusk]

@SawyerMerritt xAI will be dissolved as a separate company, so it will just be SpaceXAI, the AI products from SpaceX

[Hak Research @HakResearch]

DÒNG TIỀN KHỦNG CHUẨN BỊ ĐỔ VÀO TT CRYPTO!

Dòng tiền đang liên tục chảy vào thị trường thông qua các VCs, đặc biệt như:

1⃣ @a16zcrypto đã kêu gọi thành công 2.2 tỷ đô cho Crypto Fund 5 của mình từ đó nâng tổng số tiền kêu gọi thành công lên gần 10 tỷ đô qua 5 lần tạo quỹ.

Thông tin tốt là vậy nhưng nếu nhìn vào Crypto Fund 4 của A16Z diễn ra vào năm 2022 (cũng trong mùa đông Crypto) thì con số này lên tới 4.5 tỷ đô, rõ ràng đã có sự suy giảm.

2⃣ @HaunVentures với sự dẫn dắt của @katie_haun đã huy động thành công 1 tỷ đô cho Fund 2. Tương tự như A16Z nếu so sánh với Fund 1 huy động được 1.5 tỷ đô thì Fund 2 cũng đang có sự sụt giảm.

Fund 2 của Haun Ventures được dự kiến triển khai trong vòng 2 - 3 năm, trong khi Crypto Fund 5 của A16Z thì thời gian lên tới 10 năm.

3⃣ @dragonfly_xyz cũng đã huy động thành công 650 triệu đô cho Fund 4 của họ. Về hiệu suất thì Dragonfly vẫn giữ được con số tương tự với Fund 3 diễn ra vào năm 2022 với 650 triệu đô.

Một điểm chung từ cả 3 thông tin trên chính là các quỹ của VCs đồng loạt được triển khai vào 2022 là giai đoạn mùa đông Crypto, tới 2026 thì lại triển khai tiếp.

-> 2026 chính là mùa đông Crypto & chúng ta có quyền hi vọng một năm 2027 tươi sáng hơn khi dòng tiền quay đầu trở lại thị trường.

Không chỉ 3 quỹ đầu tư trên mà có rất nhiều quỹ đang tìm cách kêu gọi vốn từ thị trường như:

1⃣ @ElectricCapital đang cố gắng kêu gọi 300 triệu đô cho Venture Fund III của họ.

2⃣ Paradgim cũng đang xoay sở tìm kiếm 1.5 tỷ đô để mở rộng sang AI + Robotics & nhiều ngành tiềm năng khác nữa.

Tiếp theo, điều quan trọng mà chúng ta cần theo dõi là các quỹ đầu tư này sẽ tập trung đầu tư vào những mảng gì từ đó chúng ta có kế hoạch đón sóng từ sớm.

1⃣ @a16zcrypto sẽ tập trung vào các dự án có tính ứng dụng thực tế bao gồm:

- Stablecoin & Thanh toán

- DeFi

- Cơ sở hạ tầng

- RWA

- Ứng dụng hướng tới người dùng cuối sử dụng hàng ngày.

- AI

2⃣ @HaunVentures thì sẽ tập trung vào các mảng như:

- Cơ sở hạ tầng cho nền tài chính mới như Custoddy, Payments, Banking, Capital Markets,...

- Các dự án hướng tới những dòng tài sản mới như Tokenization, RWA, Prediction Markets,...

- Cơ sở hạ tầng cho AI

3⃣ @Dragonfly cũng có nhiều điểm tương đồng như:

- Blockchain infrastructure

- DeFi

- Stablecoin & Payments

- RWA

- Prediction Markets

- Đầu tư vào những mô hình đã tồn tại rất bền vững qua nhiều năm & đã chứng minh được hiệu quả của mình.

Nhìn qua cả quỹ đầu tư này đều có những điểm chung như RWA, Stablecoin, Payment,... Vậy nên hãy tập trung vào các mảng này tìm kiếm các dự án tiềm năng để có được vị thế tốt nhất bao gồm:

- Đầu tư trực tiếp vào dự án

- Làm Airdrop/Retroactive

- Cống hiến cho dự án 😆

[Kaistellar @HalemShady]

@integra_layer Good job!

[Kaistellar @HalemShady]

@integra_layer Best idea!

[Elon Musk @elonmusk]

Scam Altman and Greg Stockman stole a charity. Full stop.

Greg got tens of billions of stock for himself and Scam got dozens of OpenAI side deals with a piece of the action for himself, Y Combinator style. After this lawsuit, Scam will also be awarded tens of billions in stock directly.

The fundamental question is simply this:

Do you want to set legal precedent in the United States that it is ok to loot a charity? If so, you undermine all charitable giving in the United States forever.

I could have started OpenAI as a for-profit corporation. Instead, I started it, funded it, recruited critical talent and taught them everything I know about how to make a startup successful FOR THE PUBLIC GOOD.

Then they stole the charity.

[Kaistellar @HalemShady]

@TradingWAnn

[Elon Musk @elonmusk]

@glennbeck @rebeccaperrotto No

Yes

Yes

Your Name

Yes, a several times. Kyoto. teamLab.

Yes

Yes

Ok 😀

[Kaistellar @HalemShady]

@elonmusk @glennbeck @rebeccaperrotto ❤️

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[Min Choi @minchoi]

We are not ready for this.

China's humanoid robots are getting crazy good 🤯

AI is leaving the screen and entering your home.

[Chrys Bader @chrysb]

folks who are calling @openclaw pure hype are telling on themselves

openclaw is like the early internet, it's raw, unrefined, and takes a little doing to get things to work, but when you figure it out, it's transformative.

here are some real use cases that are having material impact on our $2.5M ARR business:

1. ad creative pipeline. our head of growth @ArjunShukl95550 built an end-to-end creative pipeline to go from ideation to publish adds to meta, greatly increasing our creative iteration speed. it's producing winning creatives. it lives in slack, and anyone on the team can share their ideas and have them enter the pipeline.

2. data analytics agent. another bot lives in our slack that connects to bigquery and lets our team ask any questions of the data, it produces charts and answers questions in real time. no one needs to write SQL anymore.

3. recruiting. i told my agent about a role we're hiring for, and it scoured linkedin and the web, found 30 candidates, portfolio, email addresses, and stack ranked them based on fit with our criteria

this is just in the past week. i have twenty more success stories for you i can share another time.

you have to understand, this is the shittiest it will ever be. everyone is going to have one or more personal self-improving agents that they use every day, and openclaw is what revealed this future to us.

if you can't see this, i encourage you to look harder

there will be many competitors (and already are), and the large labs will start to converge on this (they already are) too.

openclaw may not win, but it opened pandora's box and uncorked the agentic future.

[Vinh Vương @vinvin_100]

Điên rồ!

Ukraine Drone hạ gục k52 Alligator!

UAV của Ukraine đã thực sự làm thay đổi thế giới quan của chiến tranh hiện đại!

Đoạn video điên rồ bên dưới là cảnh một Drone của Ukraine trị giá 15k $USD đã hạ gục trực thăng tấn công hiện đại nhất của Nga trị giá 16 triệu $USD!

[Heavy Pulp @heavypulp]

The Internet Is Gonna End Us (Again!)

(and it's still okay!)

[Heavy Pulp @heavypulp]

Everything is Computer, but Computer isn't Everything!

[Elon Musk @elonmusk]

𝕏 Money early public access will launch next month

[Claude @claudeai]

Introducing Code Review, a new feature for Claude Code.

When a PR opens, Claude dispatches a team of agents to hunt for bugs.