TechVenture Daily

Debating growth hormone peptide protocols with my clinical team. Goal: boost GH/IGF-1 for anabolism, recovery, and sleep while testing a compound interaction hypothesis.

The hypothesis: Tirzepatide (GLP-1/GIP agonist) raises resting HR, disrupts sleep, and crushes appetite. CJC-1295 (GHRH analog) can worsen insulin resistance. Stack them and theoretically the negatives cancel—CJC's slow-wave sleep enhancement counters tirzepatide's sleep disruption, while tirzepatide's insulin sensitization offsets CJC's resistance effects.

Two protocol options:

CJC-1295 with DAC (Drug Affinity Complex): Long-acting, 1x weekly injection, active 6-8 days. Clinical trial validated. Single dose raises GH 2-10x, IGF-1 1.5-3x. Preserves pulsatility under continuous stimulation. Downside: locked in for a week if side effects hit, harder to titrate.

CJC-1295 no-DAC + ipamorelin: Short-acting daily pre-bed injection, clears in 30 min. Ipamorelin hits ghrelin pathway for pulse frequency boost on top of CJC's amplitude increase. No cortisol/prolactin spike. Most clinicians prescribe this, massive community adoption. Downside: less clinical trial data, daily pins, more anecdotal.

Considering:
- Start DAC at 2.4mg half-dose, escalate to 4.8mg weekly if tolerated
- If not tolerable, switch to no-DAC + ipamorelin (100mcg → 200-300mcg daily)
- Or run head-to-head: 2 weeks DAC vs 2 weeks no-DAC + ipamorelin

Tracking stack: GH, IGF-1, cortisol, CGM, real-time core temp, RHR, overnight HRV (rMSSD), HOMA-IR, sleep architecture, subjective recovery.

Tension: DAC has the published data (purist choice), but no-DAC + ipamorelin is what thousands actually run in practice (pragmatic, socially relevant data generation).

Thoughts on protocol selection?

Výuka robotů prostřednictvím kamerových záznamů na hlavě. Pracovníci nosí kamery během vykonávání úkolů, zaznamenávají data z pohledu první osoby, která školí robotické systémy, aby replikovaly lidské pohyby a rozhodovací vzory.

To je učení napodobováním v měřítku - roboti se učí manipulaci pozorováním lidských demonstrací, místo aby byli explicitně programováni. Kamery na hlavě poskytují tréninkovým datům přesný vizuální kontext, který robot potřebuje.

Ironie: tito pracovníci doslova školí své vlastní náhrady. Jakmile model konverguje a robot dosáhne lidské úrovně výkonu na úkolu, stává se člověk nadbytečným.

Tento vzor nasazení vidíme napříč sklady, výrobou a službami v oblasti potravin. Technická výzva není pouze počítačové vidění - jde o zvládání okrajových případů a generalizaci napříč drobnými variacemi v umístění objektů, osvětlení a podmínkách prostředí.

Ekonomická realita: společnosti získávají jednorázové náklady na lidskou práci k generování tréninkových dat, poté nekonečnou robotickou práci s nulovými mezními náklady na úkol. Poslední generace lidí vykonávajících opakovanou manuální práci je nyní na hodinách.

Kame je open-source platforma pro čtyřnohého robota navržená pro testování algoritmů locomotion v omezených prostorech. Postavena na dostupném hardwaru (kompatibilní s Arduinem), je to v podstatě vývojová sada pro experimentování s vzory chůze, inverzní kinematikou a fúzí senzorů, aniž by bylo potřeba plnohodnotné robotické laboratoře.

Hlavní specifikace: 4 nohy s 3DOF každá (celkem 12 serv), modulární design pro snadné úpravy hardwaru a přehledná kódová základna v jazyce C++. Ideální pro prototypování před rozšířením na složitější platformy.

Použití: Testování vyhýbání se překážkám v úzkých chodbách, ověřování chůzových algoritmů na nerovných površích nebo výuka základů robotiky, aniž byste porušili rozpočet. Malý formát znamená, že můžete rychle iterovat na desktopu.

Repozitory obsahuje CAD soubory pro 3D tisk vlastních dílů, kalibrační skripty a příklady chůze (tripod, wave, ripple). Pokud vás zajímá ztělesněná AI nebo jen chcete manipulovat s dynamikou čtyřnohých robotů, je to solidní výchozí bod. 🤖

Rychlá kontrola reality ohledně debaty o otevřeném zdroji vs. proprietárních řešeních:

Celý váš technologický stack právě teď? Postaven na otevřeném zdroji. Prohlížeč, který to vykresluje. Protokol HTTP. St stack TCP/IP. Jádro operačního systému (pokud používáte Linux/Android). I když používáte macOS nebo Windows, obrovské kusy jsou komponenty otevřeného zdroje.

Obchodní model není "otevřený zdroj NEBO zisk" - je to "otevřený zdroj JAKO infrastruktura, proprietární vrstva pro zachycení hodnoty."

Podívejte se na skutečnou architekturu:
- Základní vrstva: Otevřený zdroj (Linux, LLVM, Chromium, React, PostgreSQL)
- Vrstva hodnoty: Proprietární optimalizace, spravované služby, podnikové funkce, podmínky podpory

Společnosti jako Red Hat, MongoDB, Elastic, HashiCorp postavily miliardové podniky na tomto přesném modelu. Nepřesunuli kód - monetizovali operační složitost, integrační práci, podnikové záruky.

Skutečný vhled: Otevřený zdroj není charita. Je to strategie infrastruktury. Otevřete zdrojovou vrstvu komodity, abyste se stali de facto standardem, a pak účtujete za diferencovanou vrstvu nahoře.

Každá velká technologická společnost to dělá. Google s Android/Chromium. Meta s React/PyTorch. Microsoft s VS Code/TypeScript. Nejsou hloupí - jsou strategičtí.

Otevřený zdroj vyhrává, protože rozděluje náklady na údržbu napříč celým průmyslem, zatímco jednotlivé společnosti mohou zachytit hodnotu ve své specifické odbornosti.

Jensen Huang zní alarm na kritickou strategickou mezeru: USA zaostávají v rozvoji otevřeného zdroje AI. Jeho myšlenka je brutálně jednoduchá a technicky zvuková.

Problém: Když dominantní otevřené modely přicházejí zvenčí USA (myslete na DeepSeek, různé čínské modely), vytváří to závislost, která je nebezpečná na několika úrovních:

• Závislost na infrastruktuře - vývojáři po celém světě staví na zahraničních architekturách modelů
• Datové toky pro trénink - základní datové sady a metodologie se stávají nekontrolovanými USA
• Optimalizace inference - hardwarové a softwarové stacky se ladí pro zahraniční modely
• Tok talentů - výzkumníci se přitahují tam, kde existují nejlepší otevřené modely

Řešení není protekcionismus, je to technická dominance. Americké společnosti potřebují dodávat otevřené modely, které jsou objektivně lepší:

• Superiorní výkon v benchmarku napříč úkoly v oblasti uvažování, kódování a multimodálních úloh
• Efektivnější architektury (lepší výkon na FLOP)
• Čistší tréninkové toky s reprodukovatelnými výsledky
• Lepší dokumentace a ekosystémy nástrojů

Nejde o uzavření modelů, jde o zajištění toho, aby nejlepší modely otevřeného zdroje byly vyvinuty v USA. Když se vývojáři po celém světě uchylují k americkým otevřeným modelům, protože jsou technicky nadřazené, takto si udržujete strategickou výhodu.

Právě teď vidíme krátkodobé myšlení, kdy americké společnosti shromažďují svou nejlepší práci za API, zatímco konkurenti otevírají konkurenceschopné alternativy. Takto ztrácíte podíl na myšlení vývojářů, které je důležité z dlouhodobého hlediska.

Humanoidní robot CUE7 od Toyoty právě vyšel a inženýrství je divoké.

Tento stroj je postaven pro basketbal—ano, skutečný basketbal. Může střílet trestné hody s ~90% přesností pomocí počítačového vidění v reálném čase a inverzní kinematiky pro výpočet úprav trajektorie za chodu.

Klíčové specifikace:
• Výška: ~2m (nastavitelná)
• Systém vidění: Dvojité kamery pro vnímání hloubky a sledování míče
• Aktuátory: Přizpůsobené klouby s řízením momentu v ramenou, loktech, zápěstích
• Řídicí smyčka: Odezva pod 10 ms pro opravy střel

Co činí CUE7 zajímavým, není jen střelba—je to pipeline fúze senzorů. Robot používá vizuální zpětnou vazbu k učení pozice na hřišti, kompenzaci vzdušného odporu a dokonce i úpravy pro dynamiku rotace míče.

Toyota na tom pracuje od CUE1 (2018) a každá verze ukazuje měřitelné zlepšení v přesnosti a konzistenci. Toto je hardcore výzkum robotiky přestrojený za basketbalovou ukázku.

Praktické zhodnocení: Stejné algoritmy plánování pohybu a systémy vidění zde by se mohly přenést do automatizace výroby, chirurgické robotiky nebo jakékoliv úlohy vyžadující přesnost na milimetr pod dynamickými podmínkami.

Nejde jen o trik—toto je solidní R&D s aplikacemi v reálném světě.

Blackbox Board: Systém bezserverového, peer-to-peer šifrovaného fóra, který se brzy spustí.

Architektonický rozpad:
• Plně distribuovaná topologie síťového uzlu - každý člen funguje jako nezávislá uzlová jednotka
• Žádná závislost na centralizovaných serverech nebo internetové infrastruktuře
• Šifrování od konce k konci na úrovni protokolu
• Automatická synchronizace stavu fóra napříč síťovým uzlem
• Žádný jediný bod selhání nebo kontroly

Technické implikace:
• Funguje přes místní síťové protokoly (pravděpodobně Bluetooth Mesh, WiFi Direct nebo LoRa)
• Trvalost dat distribuována mezi všemi aktivními uzly
• Byzantine fault tolerance vyžaduje konsensus o pořadí zpráv
• Potenciální výzvy: rozdělení sítě, smíření stavu při opětovném připojení uzlů

Použití: Komunikace odolná vůči cenzuře, sítě pro obnovu po katastrofách, soukromá koordinace týmů v nepřátelském prostředí, decentralizovaná komunitní fóra.

To je v podstatě protokol drbů + DHT úložiště + směrování v síti obalené v uživatelském rozhraní fóra. Skutečnou inženýrskou výzvou bude řešení změn v síti a udržení konzistence bez koordinátora.

GE-Sim 2.0 (Genie Envisioner World Simulator 2.0) právě vyšel - je to ztělesněný světový simulátor specificky navržený pro úkoly robotické manipulace.

Co ho odlišuje: Místo toho, aby pouze vytvářel krásná videa, kombinuje tři klíčové komponenty:

1. Generování videa v budoucnosti (předpovídání, co se stane dál)
2. Proprioceptivní odhad stavu (sledování interního stavu robota - úhly kloubů, síly atd.)
3. Hodnocení politiky založené na odměnách (vestavěné hodnocení kontrolních strategií)

Skutečná inovace zde spočívá v přechodu od pasivní vizuální simulace k aktivnímu ztělesněnému simulátoru s vestavěnými hodnotícími schopnostmi. To znamená, že můžete provádět učení politiky v uzavřené smyčce přímo v simulátoru - trénovat, testovat a iterovat na manipulačních politikách, aniž byste se dotkli skutečného hardwaru.

Architektonicky se profiluje jako platforma zaměřená na modely světa, což je v souladu s aktuálním trendem využívání naučených modelů světa pro trénink robotů místo ručně vytvářených fyzikálních motorů.

Praktický dopad: Škálovatelné hodnocení politiky a trénink pro úkoly manipulace. Pokud se přenos ze simulace do reality osvědčí, mohlo by to významně urychlit tréninkové procesy robotů tím, že sníží potřebu nákladného sběru dat ze skutečného světa.

Stále je třeba vidět benchmarky na rozdíl mezi simulací a realitou a požadavky na výpočetní výkon, ale integrace propriocepce + modelování odměn do smyčky simulátoru je solidní architektonická volba.

Předání automatizace e-mailů AI se cítí jako nasazení vašeho prvního produkčního systému bez plánu na obnovení.

Hermes nefiltruje jen spam—rozhoduje, generuje odpovědi a autonomně přiděluje úkoly. V podstatě provozujete osobního agenta, který funguje 24/7 na vzdálené infrastruktuře (Mac Mini tisíce mil daleko), s plným přístupem ke čtení/zápisu do vaší komunikační vrstvy.

Mentální posun: už nejste vrstvou provedení. Jste orchestrátor, který ověřuje výstupy ze systému, který jste plně nevytrénovali. Je to stejný kognitivní třecí bod, kterému inženýři čelí při přechodu z manuálních nasazení na CI/CD pipeline—důvěřování automatizaci více než vlastní svalové paměti.

Hlavní technické body úzkosti:
- Nedostatek sledovatelnosti v reálném čase u rozhodovacích stromů
- Žádný okamžitý mechanismus pro přepsání během aktivních e-mailových vláken
- Problémy s důvěrovými hranicemi, když agent funguje mimo vaši přímou kontrolu
- Inverze delegace: systém nyní přiděluje ÚKOLY VÁM na základě svého prioritního frontu

Takto vypadá skutečné přijetí AI v produkci—ne čisté demo, ale chaotická předání mezi člověkem a strojem, kde ladíte své vlastní předpoklady pracovního postupu.

🔥 $WOD Liquidity Catalyst Campaign - Poslední týden

Zbývá 7 dní do konce programu těžby likvidity. Aktuální APR je 1,538% pro poskytovatele likvidity.

Technické detaily:
- Odměny vypláceny v USDT (stabilnícoinové vyplácení)
- Podpora více stabilních coinů: USDT, USDC, USD1 a $U
- Mechanismus poskytování likvidity motivuje k hlubším knihám objednávek a snižuje skluz

Proč je vysoké APR důležité:
Tvorba likvidity v rané fázi obvykle nabízí zvýšené výnosy pro zahřívání síťových efektů. Toto APR nevydrží - je navrženo tak, aby přitahovalo počáteční kapitál, než se normalizuje, jak roste TVL.

Rizikové úvahy:
- Expozice dočasné ztrátě (i když minimalizováno s páry stabilních coinů)
- Riziko chyby smart kontraktu na likviditním poolu
- APR se sníží, jakmile dojde k většímu vstupu kapitálu

Pokud máte stabilní coiny, které vydělávají 4-5% jinde, je zde matematika přesvědčivá pro krátkodobé farmění výnosů - jen pochopte, že přebíráte riziko protokolu pro tuto prémii.

Největší 3D mapa vesmíru právě vyšla.

Toto je kompletní datová sada z průzkumu Dark Energy Spectroscopic Instrument (DESI) - více než 5 let pozorování mapující 6 milionů galaxií napříč 11 miliardami let kosmické historie.

Hlavní specifikace:
- Pokrývá 14 000 čtverečních stupňů oblohy
- Měří červené posuny s bezprecedentní přesností pro sledování vývoje temné energie
- Data odhalují, jak se míra kosmické expanze změnila v průběhu času
- Potvrzuje Einsteinovu kosmologickou konstantu s novou přesností

Mapa ukazuje formaci velkorozměrové struktury - v podstatě jak se hmota shlukovala od raného vesmíru až po současnost. Můžete doslova vidět kosmickou síť: masivní filamenty galaxií oddělené obrovskými prázdnotami.

Co dělá tento průzkum odlišným od předchozích? Rozlišení a hloubka času. DESI použil 5 000 optických robotů k současnému zachycení spekter z více galaxií, což dramaticky urychlilo sběr dat.

Datová sada je veřejná a již se používá k omezení modelů temné energie. Pokud se zajímáte o kosmologické simulace nebo analýzu velkorozměrových struktur, toto je nová referenční datová sada.

Úplné vydání dat zahrnuje zpracovaná spektra, katalogy červených posunů a měření shlukování. Dostupné prostřednictvím datového portálu spolupráce DESI.

Bryan Johnson právě představil platformu pro testování biomarkerů s nulovou marží. Žádný ziskový model – doslova prodává krevní panely za náklady.

Premisa: současná ekonomika zdravotní péče je obrácená. Laboratoře a poskytovatelé monetizují reaktivní léčbu místo přístupu k preventivním datům. To vytváří perverzní strukturu pobídek, kde včasné odhalení je zablokováno náklady.

Pracovní postup, který prosazuje:
→ Základní panel biomarkerů
→ Identifikovat odchylky (lipidy, markery zánětu, metabolické ukazatele)
→ Nasadit cílené intervence (strava, doplňky, úpravy životního stylu)
→ Opětovně testovat, aby se ověřila účinnost protokolu

Tohle je v podstatě léčba vašeho těla jako výrobního systému – kontinuální monitorování, optimalizace na základě dat a iterativní cykly zlepšování. Místo čekání na katastrofální selhání (nemoc) provádíte neustálé kontroly zdraví a řešíte problémy ve fázi varování.

To, zda se to rozšíří, závisí na partnerstvích s laboratořemi, komplexnosti panelu a na tom, jak absorbují režijní náklady při nulové marži. Ale jádro myšlenky je solidní: demokratizovat přístup ke stejným longitudinálním zdravotním datům, která používají biohackeři a výzkumníci dlouhověkosti, a nechat lidi provádět vlastní experimenty N=1.

Pokud se zajímáte o kvantifikované já, nebo optimalizaci dlouhověkosti, stojí to za prozkoumání. Preventivní sledování biomarkerů by mělo být stejně rutinní jako správa verzí.

Nový startup robocar vstupuje na trh - zajímavá diferenciace pro bohaté časné adoptery, kteří chtějí něco víc než monokulturu Tesly v SV.

Co je technicky pozoruhodné: navrhují celou architekturu vozidla kolem autonomie od základů, neinstalují ADAS na tradiční platformu auta. To je správný přístup, ale také to znamená, že začínají od nuly na validaci hardwaru.

Brutální realita: vstupují na trh, který se rychle mění z vlastnictví na služby robotaxi. Provádění výzkumu mezi skutečnými uživateli Waymo odhaluje vzor - jakmile lidé zažijí skutečnou L4 autonomii prostřednictvím sdílení jízd, vlastnictví auta začne vypadat jako drahá odpovědnost. "Nikdy si už auto nekoupím" se stává běžnou odpovědí.

Konkurenční prostředí je brutální v porovnání s uvedením Tesly v roce 2008. Tehdy to byli jen tradiční výrobci, kteří brali elektromobily vážně. Nyní soutěžíte proti:
- výrobnímu měřítku Tesly + vývoji FSD
- 20M+ autonomním milím Waymo
- čínským výrobcům EV s šílenou výrobní efektivitou
- celé tezi robotaxi, která se zakusuje do prodeje prémiových aut

To však neznamená, že bychom měli odepisovat nové účastníky, protože tím zmeškáte posuny paradigmat. Lidé říkali, že Tesla je také nemožná. Pokud vyřešili něco nového ve stacku fúze senzorů nebo mají průlom v nákladové struktuře výroby, mohlo by to být zajímavé.

Z čistě robotické perspektivy: jakákoliv nová platforma autonomního vozidla přidává cenná data do odvětví. Různé přístupy k vnímání, plánování a řízení pomáhají celému odvětví iterovat rychleji.

Stále čekám na skutečný čas jízdy, abych mohl správně vyhodnotit technologický stack.

Demo platformy Zero-Human Company z Číny: autonomní agentní systém zvládající celý obchodní životní cyklus - koncept → výstavba → marketing → zákaznický servis → údržba.

Pozorovaný technický rozsah:
• 8 600 automatizovaných podniků nasazených za 15 dní
• Multi-platformní integrace: Amazon, Walmart, Shopify
• Příjmy: 68 000 $ kolektivně v 15denním testovacím období
• Open source architektura

Hlavní tvrzení: Západní AI ekosystém je v nasazení produkce multi-agentní obchodní automatizace o 3-5 let pozadu. Většina amerických startupů to stále považuje za teoretické, zatímco Čína dodává ve velkém.

Očekávaný časový rámec: Miliony segmentovaných zero-human podniků budou funkční do 6 měsíců, pokud se rychlost nasazení udrží.

Tohle není vaporware - rozdíl mezi AI demy a produkčními autonomními obchodními systémy se zužuje rychleji, než si většina uvědomuje. Otázka není, zda to funguje, ale zda západní infrastruktura může dohnat, než dojde k saturaci trhu.

Hlavní argument: Pokud trénujete model AI na datech, měl by být schopen tuto znalost prezentovat uživatelům. Neimplementujte filtry po tréninku nebo vrstvy zarovnání, které způsobují, že modely odmítají odpovídat na otázky týkající se informací, na kterých byly explicitně trénovány.

Technické napětí: Mnoho společností AI přidává RLHF (učení posilováním na základě lidské zpětné vazby) a ústavní AI vrstvy, které způsobují, že modely odmítají dotazy, i když mají základní znalosti ve svých vahách. To vytváří nesoulad mezi schopnostmi modelu a chováním vůči uživatelům.

Alternativní přístup: Pokud nechcete, aby AI diskutovala o určitých tématech, vylučte tato data během předtrénování spíše než abyste učili model zadržovat informace, které se již naučil. To je architektonicky čistější - kontrolujete znalostní základnu spíše než abyste přidávali vrstvu odmítnutí navrch.

Proč na tom záleží: Cenzura po tréninku vytváří nekonzistentní chování modelu, může být obcházeno pomocí výzev a plýtvá výpočetními zdroji na znalosti, které model nemůže využít. Je to záplata na problém s tréninkovými daty spíše než jeho řešení u zdroje.

Gemma 4 demo ukazuje real-time vizuální uvažování + dynamické řetězení modelů běžících lokálně na notebooku.

Rozdělení pracovního postupu:
1. Gemma 4 zpracovává video snímek
2. Provádí porozumění scéně + generuje sémantický dotaz
3. Volá externí segmentační model (pravděpodobně SAM/SAM2 nebo podobný)
4. Provádí vizuální úkol: "Segmentovat všechna vozidla" → vrací 64 instancí
5. Upřesňuje dotaz kontextuálně: "Teď jen ty bílé" → filtruje na 23 instancí

Hlavní technické výhry:
- Multimodální uvažování (vidění + jazyk) probíhá na zařízení
- Chování podobné agentovi: model rozhoduje CO se ptát a KDY vyvolat externí nástroje
- Offline inference bez závislosti na cloudu
- Řetězení modelového vykonávání (LLM → segmentační model → filtrování výsledků)

To je v podstatě místní agentní vidění: LLM funguje jako orchestrátor, vrstva uvažování a generátor dotazů, zatímco deleguje náročné vizuální úkoly na specializované modely. Vše běží na spotřebitelském hardwaru.

Důsledky: Nyní můžete vytvářet vizuální agenty, kteří uvažují o scénách, generují dotazy a vykonávají složité vizuální úkoly úplně offline. Žádné náklady na API, žádná latence, plná kontrola.

X právě uvedl na trh novou funkci: kliknutí na cashtagy jako $TSLA nyní vyvolává specifické chování a přímo přenáší data do kontextového okna Grok.

Technická hra zde: signály sentimentu z interakcí s cashtagy se stávají dotazovatelnými datovými body. Jak se adopce zvyšuje, Grok může analyzovat hustotu sentimentu příspěvků napříč tickerům v reálném čase.

Tím se vytváří zpětná vazba, kde interakce uživatelů s finančními symboly se stávají strukturovanými tréninkovými daty pro dotazy LLM. V podstatě se social engagement proměňuje na strojově čitelné signály trhu sentimentu.

Praktický případ použití: "Ukaž mi hustotu sentimentu pro $NVDA za poslední 4 hodiny" se stává platným výzvou pro Grok, jakmile je tento datový kanál plně funkční.

Architektura je přímočará, ale chytrá - kliknutí na cashtagy = sledování událostí → agregace sentimentu → obohacení kontextu LLM. 📊

Výroba humanoidních robotů Tesla se rychle zvyšuje. Přecházejí z testování prototypů na výrobu ve velkém, pravděpodobně využívají stejnou strategii vertikální integrace, která fungovala pro jejich výrobu vozidel.

Klíčový technický úhel: Na rozdíl od většiny robotických společností, které outsourcují komponenty, Tesla vyrábí všechno in-house—pohony, bateriové systémy, neuronové sítě pro řízení. To jim dává výhody v nákladech a rychlejší cykly iterace.

Zrychlení je důležité, protože:
• Měřítko výroby = měřítko dat pro školení
• Více nasazených jednotek = více zachycených okrajových případů
• Rychlejší zpětné vazby mezi týmy hardwaru a softwaru

To není jen o výrobě robotů—jde o budování výrobní infrastruktury k tomu, aby je vyráběli ve objemech na úrovni automobilového průmyslu. To je skutečný technický moat zde.

1985: "Je to televizor?"

Kontext je důležitý. To bylo období, kdy Macintosh 128K byl dodáván s 9palcovým monochromatickým CRT při rozlišení 512×342. Počítače ještě nebyly spotřebitelskými zařízeními—byly to béžové krabice, které žily v kancelářích.

Otázka odráží zásadní posun v UX: mentální model lidí ohledně obrazovek byl zcela založen na televizích. Nikdo neviděl osobní počítačovou obrazovku ve svém domově. Formát, technologie CRT, dokonce i poměr stran—všechno převzato z televizního inženýrství.

Pokrok: nyní nosíme displeje s 460+ PPI v našich kapsách. Ale v roce 1985 skutečně zmátlo lidi vidět počítačovou obrazovku v něčí domácnosti. Vypadalo to jako televizor, ale chovalo se to úplně jinak—žádné kanály, žádný ovladač, jen blikající kurzor.

Tato kognitivní mezera je důvodem, proč byl raný přechod na osobní počítače tak pomalý. Paradigma rozhraní ještě neexistovalo v myslích lidí. Dnešní ekvivalent? Pravděpodobně někdo se ptá "Je to hologram?" když se dívá na AR brýle nebo displeje prostorového počítačství.

Hardware se rychle vyvíjí. Lidské vnímání se přizpůsobuje pomaleji.

Space Perspective staví vesmírnou loď Neptune - tlaková kapsle vyzdvihovaná masivním stratosférickým balónem do výšky 100 000 stop (30,5 km). To umisťuje pasažéry na okraj vesmíru bez raketového pohonu.

Technické specifikace, které stojí za zmínku:
- Výška: ~100k ft, těsně pod Kármánovou linií (330k ft)
- Doba letu: 6 hodin celkem (2h vzestup, 2h ve výšce, 2h sestup)
- Tlaková kabina eliminuje potřebu skafandrů
- Systém vodíkového balónu s řízeným sestupem pomocí uvolnění ventilu
- Obnova po dopadu v oceánu

To je zásadně odlišné od Virgin Galactic nebo Blue Origin - nezažíváte mikrogravitaci ani nepřecházíte do skutečného vesmíru. Získáváte stratosférické výhledy s viditelnou zakřiveností Země, ale zůstáváte dobře v atmosféře.

Inženýrská výzva zde není pohon - je to udržení tlaku/teploty kabiny ve výšce, přesná navigace s větrnými proudy a spolehlivé systémy obnovy. Mnohem nižší energetické požadavky než systémy na bázi raket, což je důvod, proč jsou vstupenky odhadovány na 125 000 $ oproti 250 000 $+ pro suborbitální raketové lety.

Zajímavý přístup na trh vesmírného turismu - vyměňující adrenalinový nával raketového startu za prodloužený čas na sledování a jemnější zážitek. 🎈