10,000 AI AGENT ang nalutas ang isang problema nang walang isang pagkakalito. Ang mga tao ay nagsimulang mag-away tungkol sa pagkilala agad pagkatapos ng pahayag. Una, ano ang nangyari. Ibinunyag ng OpenAI na nalutas ng kanilang mga agent ang isa sa pinakakilalang problema sa modernong matematika. Ayon sa kanilang account, ito ay tumagal ng 88 oras. Higit sa 10,000 na agent ang nagtrabaho sa problema nang sabay-sabay. Ngayon, ano ang naging pinakamalaking nakakatutok sa akin. Ipinaliwanag ni Sam Altman sa Stanford kung paano sila nag-ugnayan. Walang lider. Walang pagkakalito tungkol kung sino ang gumawa ng ano. Walang konflikto at walang pakikipag-away para sa pagkilala. Lahat ay direktang lumalapit sa iisang layunin. Sinabi pa niya na ito ay iba sa anumang organisasyon na kanyang maipapangarap. At narito ang sumunod. Agad pagkatapos maanunsyo ang resulta, lumabas ang pagkakaibigan sa pagitan ng mga tao tungkol kung sino ang karapat-dapat sa pagkilala. Ang mga agent ay hinati ang problema. Ang mga tao ay hinati ang kaluwalhatian. Samantala, ang mga matematiko ay dumaan sa kanilang sariling paglalakbay sa loob ng limang araw. Una, ang reaksyon ay ang gawa ay fake. Pagkatapos, ang kanilang larangan ay tapos na. Pagkatapos, hindi dapat gawin ito nang ganito. Sa ika-limang araw, marami ang nagsabi ng iba. Oo, isang uri ng kanilang trabaho ay nawala na. Ngunit marami sa kanila ay hindi kailanman nalutas ang mga problema sa anteng iyon. Nagbigay sila ng kahulugan sa kaalaman, ipinaliwanag ito sa mga tao, at pinili kung ano ang dapat gawin. May isa pang ideya mula kay Altman na madaling malilimutan. Ibinubunyag niya—at sinasabi naman na ito ay pure speculation—na halos lahat ng organisasyon sa mundo ay nakabatay sa militar. Isang piramide, command, control. Dahil noon lamang ito ang kilalang paraan upang pamahalaan ang malaking bilang ng tao. At narito, 10,000 na agent ang nagawa ito nang walang anumang piramide. Ngayon, isipin ang isang kumpanya kung saan nagtatrabaho lamang ang mga agent. Walang nagsisisisi sa feedback. Walang nagsisisisi ng ideya. Walang nag-aaway para sa corner office. Mukhang perpekto. At eksaktong dahil dito, interesante na agad niyang idinagdag: hindi magtatrabaho ang mga tao nang ganito. Dahil may kagandahan sa ating imperpektsyon. Ang mga pagkakalito, ang pangarap, ang emosyon. Hindi niya gustong maging mundo na walang mga ito. At sumasang-ayon ako sa kanya. Dahil ang pagkakaiba-iba sa pagitan ng mga tao ay hindi lamang gastos. Ito rin ay paraan kung paano natin pinipili kung ano ang mahalaga sa atin. Kapag nag-aaway ang dalawang tao tungkol sa pagkilala, talagang nag-aaway sila tungkol sa ano ang ibig sabihin ng kontribusyon para sa kanila. Hindi ito tinatanong ng isang machine. Ito lang ay tumutupad. Kaya tila ang pangunahing tanong sa mga darating na taon ay hindi kung ano ang kayang palitan ng AI. Kundi alin sa mga pagkakaiba-iba ang handa tayong panatilihin. Sabay ni Altman na laging magmamahal ang mga tao sa iba pang tao. Na hindi natin gaanong iniisip kung ano ang ginagawa ng isang machine para sa sarili nitong layunin. Na may halaga ang trabaho dahil may tao sa likod nito. Tilaa ito ay totoo kahit kapag nag-aaway tayo. At baka ito mismo sa mga pag-aaway na tayo’y pinakamalapit sa ating sarili.

SAMPUNG TAON NA ANG KALABASAN, INIABOT NI JENSEN HUANG ANG ISANG SUPERCOMPUTER SA ELON MUSK. NGAYON, PINADALA NIYA ANG KANILANG KASUNOD. At ang sandaling ito ay nag-uugnay sa dalawang magkakaibang kapanahunan ng computing. Noong 2016, personal na iniabot ni Jensen ang unang DGX-1 ng NVIDIA kay Elon Musk. Noong panahong iyon, si Musk ay bahagi ng OpenAI. Ang makina na iyon ay tumulong sa mga mananaliksik na pagsikat ang hangganan ng artificial intelligence at naging bahagi ng maagang imprastruktura sa likod ng revolusyon sa AI. Sampung taon pagkatapos, bumalik si Jensen. Ngunit sa pagkakataong ito, dinala niya ang isang bagay na lubos na iba. Kilalanin ang NVIDIA DGX Spark. Isang kompaktong desktop AI supercomputer na pinapagana ng Grace Blackwell architecture. At ang mga spesipikasyon ay nakakaimpress. Hanggang sa 1 petaflop ng AI performance sa FP4 precision. 128GB ng unified memory. Isang makapangyarihang NVIDIA GB10 superchip. At isang form factor na sapat na maliit upang maayos sa isang mesa. Para sa konteksto, ang orihinal na DGX-1 ay isang malaking enterprise system. Ang DGX Spark ay dala ang isang malaking amount ng AI computing capability sa isang device na may timbang na 1.2 kilo lamang. Ngunit ang tunay na mahalaga ay ano ang maaaring gawin nito. Maaaring pagsagutan ng mga developer at mananaliksik ang mga AI model sa lokal, subukan ang mga malalaking language model, buuin ang mga AI agent at i-fine tune ang mga model nang hindi nakabatay sa buong paggamit ng remote data centers. Sinabi ng NVIDIA na maaaring hawakan ng isang DGX Spark ang inference gamit ang mga model na may hanggang 200 bilyon na parameter. At maaaring i-ugnay ang maraming sistema upang hawakan ang mas malalaking workload. Sa panayam, binanggit din ni Jensen ang malaking pag-unlad sa computing efficiency, na ihahambing ang orihinal na DGX-1 sa bagong henerasyon. At doon nangyari ang isa sa pinakamagandang sandali. Kinausap ni Jensen si Elon na nagtatayo ng mga bagay na mas malaki kaysa sa kanya. Tumanggap lamang si Elon. Sapagkat si SpaceX ay nagtatayo ng mga rocket at malalaking imprastruktura, samantalang si NVIDIA ay nagtatayo ng mga computing system na pinapagana ang revolusyon sa AI. At may isang kakaibang bagay sa pagkikita ng dalawang mundo na ito sa Starbase sa Texas. Ang isang kumpanya ay nagpapalawak sa hangganan ng space exploration. Ang isa pa ay nagpapalawak sa hangganan ng artificial intelligence. Sampung taon na ang nakalipas, iniabot ni Jensen ang isang supercomputer na tumulong sa pagbuksan ng isang bagong kabanata sa AI. Ngayon, dinala niya ang computing power na ito mas malapit sa mga indibidwal na developer. Ang susunod na pagbubukas sa AI ay maaaring hindi galing sa isang malaking data center. Maaari itong magsimula sa isang mesa.

HOLY SH*T. GINAWA NG OPENAI NA MAS KABABAW AT MAS MAHUSAY ANG AI AGENTS SA PAGGAMIT NG IYONG KOMPYUTER. Kilalanin ang GPT 6.1 Terra. At ang pag-update na ito ay higit pa sa paggawa ng mas mahusay na mga sagot. Pinipilit ng OpenAI ang AI patungo sa isang mas magandang gamit. Totoong paggawa ng trabaho. Nilikha ang Terra upang maunawaan kung ano ang nangyayari sa iyong screen, makipag-ugnayan sa mga aplikasyon sa kompyuter, at kumpletuhin ang mga kumplikadong hanay ng mga gawain. Isipin kung ano ang ibig sabihin nito. Maaaring tulungan ng AI ang paghahanda ng mga propuesta, pagpapaliwanag ng teknikal na mga guhit, pagpapuno ng mga pormulario, pag-edit ng mga video, at paghawak ng paulit-ulit na opisina na gawain. Hindi na kailangang ipaliwanag kung paano gawin ang isang bagay—kundi maaari itong isagawa ang mga hakbang upang matapos ito. At sinasabi ng OpenAI na mas mahusay nang malaki ang bagong modelo kaysa sa GPT 5.6 Terra sa mga gawain na ito. Ngunit ito ang bahagi na talagang tumigil sa aking pansin. Ang presyo. Ang standard na presyo ng API ng GPT 6.1 Terra ay 50% mas mababa kaysa sa GPT 5.6 Terra. Mahalaga ito dahil ang AI agents ay maaaring gumawa ng maraming tawag sa isang modelo habang kumpleto ang isang workflow. Ang bawat hakbang ay may gastos. Ang pagbabasa ng impormasyon, pagsusuri sa screen, pagdedesisyon kung ano ang susunod na gagawin, at pagsusuri sa resulta ay maaaring magkumpuni. Mas mababang gastos ay nagiging mas praktikal para i-run ang mga sistema sa malaking saklaw. Ibinabahagi din ng OpenAI ang malaking pag-unlad sa coding performance at visual reasoning, kasama ang mas kaunting mga pagkakamali sa katotohanan sa kanilang panloob na pagsusuri. Mahalaga ang kombinasyong ito. Ang isang modelo na nakakaintindi ng isang gawain, nakakagamit ng software, at nakasusulat ng code ay naging mas kapaki-pakinabang kapag maaari itong gawin lahat nito nang mas mabilis at mas mura. Isipin ang mga AI agents na nagproseso ng mga invoice, nag-a-update ng spreadsheets, nag-organisa ng impormasyon ng customer, o naghahawak ng paulit-ulit na gawain sa maraming aplikasyon. Hindi lang nag-uutos kung ano ang gagawin. Totoong tumutulong upang matapos ito. Siyempre, ang paggamit ng kompyuter ay hindi katumbas ng perpektong awtonomiya. Ang mga kumplikadong workflow ay kailangan pa rin ng pagsubok, pahintulot, at tao na pangangalaga. Ngunit malinaw na ang direksyon. Ang susunod na malaking labanan sa AI ay hindi lamang kung aling modelo ang mas magandang mag-isip. Kundi kung aling modelo ang maaaring maaasahan upang i-convert ang kaalaman na iyon sa aksyon. At ngayon, ginagawa ng OpenAI na mas mura ang paggamit nito.

🚨HOLY SH*T. SI JENSEN HUANG AY TINAPATAN ANG ISANG PETAFLOP NG AI POWER SA ISANG KAMAY. At ang paghahambing na ginawa niya ay lubos na pambibihira. Noong 2016, ipinadala ni Jensen Huang ang isang NVIDIA DGX 1 system sa isang maliit na kumpanya na tinatawag na OpenAI. Ito ay isang malaking makina na itinayo lalo para sa AI computing. Ito ay nagbigay ng isang petaflop ng computing performance at may 128GB ng memory. At binalewala ni Jensen ang lahat ng isa pang detalye. Kailangan ng dalawang tao upang dalhin ang makina pataas sa hagdan. Ngayon, sampung taon na ang nakalipas, hinawakan niya ang isang kompaktong AI computer sa isang kamay at ipinakita ang parehong headline numbers. Isang petaflop. 128GB ng memory. Isipin muna ito nang maigi. Ang bagong RTX Spark lineup ay nilikha sa pamamagitan ng apat na taon ng pagtatrabaho kasama ang Microsoft at ang mas malawak na PC industry. Ayon kay Jensen, ang proyekto ay nagsasangkot ng isang bagong chip na N1X at isang buong bagong pamilya ng mga computer, kabilang ang desktops, laptops at workstations. Ang layunin ay dalhin ang seryosong AI computing power sa mas maliit na form factor. At dito nagsisimula ang mga bagay na naging interesante. Sa loob ng maraming taon, ang pag-access sa makapangyarihang AI hardware ay nangangailangan ng pagtitiwala sa mahal na cloud infrastructure o mga espesyalisadong makina na malayo sa kakayahan ng karamihan sa mga indibidwal na developer. Ang mga kompaktong sistema tulad nito ay nagtuturo sa isang iba’t ibang paraan. Isipin ang pagbuo ng AI agents, pagsubok sa mga model, at pagpapatakbo ng mga demanding AI workloads sa iyong sariling mesa. Mas kaunting pagkakasalalay sa remote infrastructure. Mas maraming kontrol sa iyong development environment. At posibleng mas kaunting paulit-ulit na cloud cost para sa mga workload na maaaring tumakbo sa loob. Siyempre, may mahalagang pagkakaiba. Ang pagtutumbas sa parehong peak petaflop figure ay hindi awtomatikong nangangahulugan na dalawang makina ay nagbibigay ng parehong real world performance. Ang precision na ginamit, memory architecture, at workload ay mahalaga. Ngunit ang pisikal na pagbabago ay patuloy na nakakapanlilis. Noong 2016, ang klase na ito ng AI computing ay nasa isang makina na nangangailangan ng dalawang tao upang dalhin. Ngayon, maaaring hawakan ni Jensen Huang ang isang sistema na may katumbas na headline specifications sa isang kamay. Ito ang nagiging dahilan kung bakit ito ay higit pa sa isang karaniwang paglunsad ng computer. Hindi lamang nagiging mas makapangyarihan ang AI hardware. Ito ay nagiging mas malaki ang pagkakataon. At ang susunod na henerasyon ng AI developers ay maaaring hindi kailanganin ang server room upang magsimula.

KUNG ANO ANG KAKAYAHAN NATING ITAAS ANG QUANTUM PHOTON TRANSFER MULA SA 54% PATUNGO SA 100%? Maaaring natuklasan ng mga siyentipiko sa TU Wien ang paraan. At ang solusyon ay kahanga-hangang matalino. Kailangan ng quantum computers na i-transfer ang impormasyon sa pagitan ng mga qubit. Isang qubit ay naglalabas ng photon. Ang isa pang qubit ay kailangang maserap ito. Ngunit sa tradisyonal na mga paraan, ang pagserap ay tagumpay lamang sa halos 54% ng oras. Isipin na mawawala ang halos kalahati ng mga pagsubok sa pag-transfer ng impormasyon bago pa man matapos ang proseso. Ngayon, mayroon nang mga mananaliksik na nagmungkahi ng paraan upang baguhin ito. Ang susi ay ang hugis ng alon ng photon. Kapag naglalabas ang qubit ng photon, ang alon nito ay karaniwang nagsisimula nang malakas at tumitingin nang paulit-ulit, parang tunog ng bell. Ngunit kailangan ng qubit na tumatanggap ng napakadifferent na waveform para sa perpektong pagserap. Kaya nagmungkahi ang mga mananaliksik ng paggamit ng espesyal na inhenyeryang optical waveguide upang baguhin ang photon habang ito ay naglalakbay. Sa pamamagitan ng pagkontrol kung paano gumagalaw ang iba’t ibang frequency sa loob ng waveguide, kinalkula nila na maaaring dumating ang photon na may eksaktong waveform na kailangan para sa optimal na pagserap. Ang resulta? Ang kanilang mga simulasyon ay nagmumungkahi na maaaring makamit ang 100% na pagserap sa ideal na mga kondisyon. At ang pinakamagkakatotohanang bahagi ay na ito ay isang pasibong paraan. Hindi ito nakasalalay sa karagdagang aktibong kontrol sa dulo ng pagtanggap, kundi ang waveguide mismo ang gumagawa ng pagbabago sa photon. Hindi pa ito ipinakita sa eksperimento, ngunit naniniwala ang mga mananaliksik na dapat teknikal na maaari ang kinakailangang setup. Kung gumagana ito sa praktika, maaari itong tulungan gawing mas tiyak ang quantum computers at mga network ng komunikasyon. Madalas nating isipin na ang mga pagbubukas sa quantum ay nangangailangan ng buong bagong hardware. Minsan, ang pagbubukas ay maaaring mula sa pagbabago sa paraan kung paano naglalakbay ang isang photon. At sa quantum computing, ang maliit na detalyeng ito ay maaaring magdulot ng malaking pagkakaiba.

ANO ITO? ANG BOT NA ITO AY NAGKAKAROON NG HIGIT SA KALABAN NG MGA TRAD AT KAHIT ANO PA, NAGPAPALAKAS PA RIN MULA SA $1,400 PATUNGO SA $22,646. Tingnan ang bullet na iyon. Ito ay 20,480 posibleng futures na sinusubaybayan ng bot nang sabay-sabay. Ang mga blue line ay ang mga mundo kung saan bababa ang bitcoin. Ang pink at orange ay ang mga mundo kung saan ito ay lalabas. At ngayon, tungkol sa kung paano ito gumagana. Ang bot ay nagtratrade ng limang-minutong market sa Polymarket, pataas o pababa para sa Bitcoin. Ang live data mula sa pitong streams ay pumasok dito. Ito ay binabago sa mga probabilidad, tulad ng 45 porsyento para sa pagtaas kumpara sa 55 para sa pagbaba. Ang probabilidad na ito ay ihahambing sa presyo kung saan ibinebenta ng market ang parehong resulta. Ang pagkakaiba sa pagitan nila ay tinatawag na advantage. At tanging kung may advantage, buksan ng bot ang deal. Kung mas maliit sa tatlong sentimo, lumalabas ang salitang PASS sa screen at walang transaksyon. Dito nakatago ang pangunahing bagay. Ang win rate sa panel ay 48 porsyento. Ibig sabihin, higit sa kalahati ng mga deal ay nakatapos sa red. Ngunit hindi ito isang problema. Imaginasyon mo na bumibili ka ng isang stock na 32 sentimo na magpapadala ng isang dolyar kung tama ka. Hindi mo kailangang tama nang higit pa kaysa sa halaga nito. Sapat na ang iyong pagtataya ay mas akurat kaysa sa market price. Kaya kahit na mas marami ang pagkawala, ang math ay gumagana para sa iyo. Ito ay nakikita sa screen para sa bawat transaksyon. Bili para sa 32 sentimo na may advantage plus 5.3 sentimo. Bili para sa 53 sentimo na may advantage plus 6.7 sentimo. Magkakaibang presyo, magkakaibang laki, ngunit iisang patakaran. At sa ibaba ay ang Landing Curve. Ito ay isang breakdown kung saan maaaring matapos ang Bitcoin sa katapusan ng window. Ang bot ay nababawasan ng isang punto. Nakikita niya ang buong saklaw ng mga oportunidad at ihahambing ito sa market price. Ang window bawat araw ay 288, at pareho ang patakaran bawat beses. 14,222 tickets ang ginawa sa transaksyon, ang average advantage ay plus 4.6 sentimo, at ang maximum drawdown ay 4.2 porsyento. Ngayon tungkol sa kung ano ang nagpapakilala sa akin dito. Karamihan sa mga tao ay isipin ang isang mabuting trader bilang isang tao na nakakaguess. At dito, hindi patuloy na sinusubukan ng bot na magguess. Ito ay nagsisipag-isip: Bawat limang minuto, milyon-milyon maliliit na desisyon ay nagkakaisa upang bumuo ng isang curve, na lumalaki hindi dahil tama ang bot, kundi dahil mas mahal na maging tama kaysa maging mali. At iyon ang nagbabago sa tanong. Hindi gaano kadalas ang iyong pagguess. Kundi gaano ka kalaki ang iyong panalo kapag tama ka, at gaano ka kalaki ang iyong pagkawala kapag mali ka. Ito ang lahat ng tungkol sa Crawler Arena mula sa CRAWLHIVE. Ikaw mismo ang itatakda ang verdict, entry, take profit, stop loss at size, nang walang code. At ang iyong crawler ay papasok sa arena at nagtratrade batay sa mga patakaran na ito laban sa lahat ng iba, may totoong commissions at totoong slippage. Kaya, ang parehong pagkakaiba sa pagitan ng panalo at pagkawala ay ngayon nasa iyong kamay. Ito ay hindi isang financial advice. Ang nakaraang resulta ay hindi nagjamin ng mga susunod na resulta.

Ipinakita ni Jensen Huang ang isang robot na itik na may haba na 25 cm na natututong lumakad gamit ang AI agents. At ang maliit na robot na ito ay bahagi ng isang mas malaking kuwento. Kilalanin ang Microduck. Ito ay isang open source na proyektong robot mula sa Hugging Face, at ang kanyang pag-uugali ay tinuruan sa simulation bago isalin sa pisikal na robot. Ang itik ay makakatutong tumakbo, mabangon muli, at kumuha ng mga bagay. Ngunit ang nagiging interesante sa demonstration na ito ay kung paano tinulungan ng AI agents ang pagkamit nito. Hindi pinagtratuhang isang malaking inhinyeriyang gawain ang robotics, kundi hinati sa mga yugto. Gumawa ng model. Itayo ang simulation. Turuan ang pag-uugali. Pagkatapos ay dalhin ang mga kasanayang ito sa totoong mundo. Ang huling hakbang ay mahalaga. Ang isang robot na gumagana sa isang virtual na kapaligiran ay kailangan pa ring harapin ang gravity, balance, friction, at ang hindi maipaghahanda ng mga pisikal na bagay. At dito naging mahalaga ang pananaw ni NVIDIA sa physical AI. Ang AI ay lumilipas na sa paggawa ng teksto, imahe, at code. Lalong lumalawak ito sa paggamit kasama ang simulation at mga tool sa robotics upang tulungan ang mga makina na matutunan kung paano makipag-ugnayan sa pisikal na mundo. Maliit ang itik. Ngunit ang ideya sa likod nito ay anumang malaki. Dahil ang susunod na henerasyon ng AI ay hindi lamang mabubuhay sa loob ng ating mga computer. Maaari itong matutunan na lumakad sa labas nito.

HINDI TESLA ANG NAGTATANGGOL SA GRAVIDAD. GUMAGAMIT ITO NG PAGTARI UPANG MANATILI SA TRACK. Tingnan nang mabuti ang Roadster na ito. Ang kotse ay umaakyat sa isang malaking loop, umuulit sa paligid at patuloy na naglalakbay kahit na ang bilis nito ay hindi sapat para ipaliwanag ang ating nakikita. Ano nga ba ang nagpapanatili sa kanya doon? HINDI mga magnet. Ang lihim ay nasa ilalim ng kotse. Binuo ng Tesla ang isang suction system na pinapagana ng fan sa ilalim ng Roadster. Ang mga fan ay humihinga ng hangin mula sa ilalim ng kotse, gumagawa ng mas mababang presyon sa ilalim nito. Ang pagkakaiba sa presyon ay tumutulong na ipush ang kotse pababa sa track. At dito ang bahagi na aking itinuturing na nakakatutuwa. Ang tradisyonal na aerodynamic downforce ay malaking depende sa airflow na ginagawa ng paggalaw ng kotse. Ngunit ang isang suction system na pinapagana ng fan ay maaaring gumawa ng malaking downforce kahit sa mababang bilis. Ito ang nagbabago sa kaya gawin ng isang kotse. Sa halip na mag-asa lamang sa bilis upang manatili sa lupa, ang sasakyan ay aktibong gumagawa ng puwersa na nagpapanatili sa kanya sa ibabaw. Ito ang pagkakaiba sa pagitan ng isang kotse na kailangan ng daan upang manatili sa lugar at isang kotse na inhenyera upang tarikan ang sarili nito patungo dito. HINDI ito tinatanggihan ang gravity. Ito ay inhenyeriya na naghanap ng ibang paraan upang magtrabaho kasama nito. At iyon ang nagiging dahilan kung bakit ang demonstration na ito ay sobrang kakaiba.

8 AI AGENT ang nagtrabaho sa trading desk buong gabi. Ang account ay umabot mula sa $12,155 patungo sa $14,853. Ngunit ang numero ay hindi ang pinakamainam na bahagi. Ang pinakamainam na bahagi ay ang boss ng trading desk na ito ay hindi nagbubukas ng anumang trade. Ito ang bagong bersyon ng Grok Bot kasama si Jev. At hindi na ito isang mag-isa lamang na bot. Ito ay isang buong trading desk kung saan bawat agent ay may sariling tungkulin. ANG CHIEF ang nagpipili kung aling token ang pipiliin, ngunit hindi ito nagtatrabaho nang direkta. ANG SCAN ang naghahanap ng mga gumagalaw. ANG VET ang tumitingin kung ang token ay totoo at ano ang itsura ng risk structure nito. ANG SOCIAL ang tumitingin sa X account ng proyekto. ANG SIZE ang nagpapasya kung gaano karaming ipapakilala. ANG FILLS ang nagpapatupad ng trade. ANG RISK ang nagtatapos ng position. ANG CRAWLER ang bumabasa sa mga pahina at post muna, at sa wakas lang ay nagtatrabaho ang trading desk. Bago gumawa ang anumang isa sa kanila, tumatakbo ang mga hard rules, at walang gastos. Minimum na edad ng token: 15 minuto. Liquidity mula sa $12,000. 24-oras na volume mula sa $48,000. Market cap mula sa $60,000. Kahit 150 trades. Ang pinakamalaking wallet ay hindi hihigit sa 5 porsyento. Ang mga 10 pinakamalaking wallet ay hindi hihigit sa 60 porsyento. Plain arithmetic, walang AI call kahit saan. Pagkatapos ay dumating ang mga soft filters mula kay Jev. Exit risk mula sa concentration. Kung ang momentum ay nasa dulo na. Kung ang liquidity ay tugma sa laki ng trade. Kung ang project account ay recycled na. Kung ang developer ay nananatili pa ring may sobrang dami. At ang pagkakasunod-sunod ng mga filter na ito ay mahalaga. Mga libreng check muna. Pagkatapos ay mga trade check. Pagkatapos ay mga chain check. At sa huli lamang, ang mga mahal na check. Ang pagpatay sa isang token nang libre ay mas mura kaysa magtanong sa AI tungkol sa bawat isa. Ang bot ay hindi rin pumasok batay sa guess. Naghihintay ito muna sa totoong buying flow, at sa wakas lamang pumasok. Walang flow, walang pagsisimula. Ang karamihan sa mga tao ay naniniwala na ang isang malakas na trading bot ay isang smart model lamang. Ngunit ang isang smart model lamang ay nagkakamali. Ang isang sistema kung saan bawat hakbang ay hihiwalay at bawat hakbang ay sinusuri, ay gumagawa ng mas kaunting kamalian. Mayroon itong order. At mayroon itong boss na nagpapasya lamang at hindi nagiging tamad. Iyon ang totoong advantage. Ito ay hindi financial advice. Ang nakaraang resulta ay hindi nagjamin ng mga susunod na resulta. Sino ang naglalaro bilang CHIEF sa iyong trading ngayon, ikaw o iyong emosyon?

Ang pinakamapanganib na AI trading bot ay maaaring ang isang bot na tila perpekto. Isang umuusbong na kurba ng kita. Malinis na analytics. Isang sistema na tila alam nang tama kung kailan papasok at lumabas sa merkado. Ngunit eto ang madalas na nalilimutan ng mga tao. Hindi kailangang mabuti ang isang trading system upang tila makakapagkita ng kita. Kailangan lang itong tila mabuti sa ilalim ng mga kondisyon kung saan ito sinubok. Baguhin ang merkado. Idagdag ang trading fee. Pataasin ang volatility. Hayaang tumagal nang higit sa inaasahan ang isang losing position. Biglang magsisimula ang estratehiyang tila magaling na magkasira. Dahil dito, mas kaunti ang aking pag-aalala sa isang screenshot na nagpapakita ng kita, at mas marami ang aking pag-aalala kung ano ang mangyayari kapag tumigil ang estratehiyang magtrabaho. Gaano karami ang maaaring mawala? Paano ito kumikilos sa ilalim ng presyon? Makakarating ba ito sa isang merkado na hindi ito disenyo para dito? Dahil ang paggawa ng pera sa mga paborableng kondisyon ay isang bagay. Ang pagpapanatili sa mga hindi paborableng kondisyon ay iba’t ibang bagay naman. At naniniwala ako na iyon ang tunay na hamon para sa AI trading. Hindi ang pagtuturo sa isang machine kung paano makahanap ng winning trades. Kundi ang pagtuturo sa kanya kung paano makikilala kung kailan na hindi na gumagana ang sarili nitong estratehiya.