Lao Huang: Prompt is Dead, the Entire AI Community is Frenziedly Chasing Loops

marsbitPublicado a 2026-06-29Actualizado a 2026-06-29

Resumen

The article "Prompt is Dead: The AI Industry is Obsessively Chasing Loops" discusses a major shift in AI development, where "Loop Engineering" is replacing traditional prompt engineering. Industry leaders like NVIDIA's Jensen Huang, Andrew Ng, and engineers from Anthropic and OpenAI argue that manually crafting prompts is becoming obsolete. Instead, the new focus is on designing autonomous, self-improving AI systems (loops) that can operate 24/7. A loop system typically involves five key phases: Discovery (finding tasks), Handoff (assigning to agents), Validation (critical independent review), Persistence (saving progress), and Scheduling (automated operation). The core idea is to move humans from being the operational "engine" to being the system "architects" who design the loop, define goals, and set up verification mechanisms. A major challenge and necessity is implementing robust, independent validation to prevent AI from uncritically approving its own work. The trend is seen as part of a move towards "inference-time compute," where allocating computational budget effectively becomes a key engineering skill. While loops can produce higher-quality outputs, they are more expensive and time-consuming than simple prompting. The article warns of risks like "verification debt," "comprehension corrosion," and "cognitive surrender," where engineers might stop understanding the code their systems generate. Ultimately, the article concludes that in an era of automated loops, huma...

Recently, what's the hottest word in Silicon Valley?

Loop.

Open up X, and the entire internet is flooded with discussions about Loop Engineering.

A group of Silicon Valley big shots are abandoning prompts one after another, turning towards autonomous loops!

Jensen Huang has outlined the new focus for the next phase (and a new way to burn tokens):

Nobody writes prompts anymore. The new job is to write and handle loops.

Recently, an Anthropic engineer revealed:

Over 80% of engineers at Anthropic are already using self-improving loops, and it will reach 100% in 3-6 months.

Andrew Ng asserts: In 3 to 6 months, prompts will die! Loops replacing prompts is a foregone conclusion.

Earlier, when explaining his AutoResearch project, Karpathy discussed AI agents' closed loops (generation → execution → evaluation → improve), advocating for partially removing humans from the loop.

In March, Karpathy gave an in-depth interview about AutoResearch / the Karpathy Loop.

OpenClaw's creator, Peter Steinberger, stated bluntly: A monthly reminder, stop manually writing prompts, designing loops is the way.

Claude Code's creator, Boris Cherny, boldly declared: Loop cycling is the future!

Two years ago, we were manually writing code. Then we started transitioning to having agents write code.

Now, we are moving towards a stage where agents prompt other agents, and the latter generates the code.

The step from source code to agents was big, but the significance and impact of introducing a loop mechanism is no less than the previous step.

Who would have thought, after two years of prompt engineering being hot, top AI engineers have moved on.

Why are Silicon Valley big shots so bullish on Loops?

The essence of traditional prompting is: Humans *are* the loop itself.

You write a prompt → Agent outputs → You review → You write the next prompt → Repeat.

Each step relies on human attention, contextual memory, and decision-making bandwidth. The amount of tokens and task complexity one person can effectively drive in a day is limited.

The essence of Loop Engineering is: The system becomes the loop itself.

Therefore, loop engineering is more important than prompt engineering.

Humans only do high-value design once:

1. Define goals and stop conditions

2. Build verification mechanisms (most critical)

3. Establish persistent memory (markdown / external state)

4. Configure discovery and scheduling

Afterwards, the AI loop system can autonomously discover tasks → execute → verify → persist → discover again, running 24/7, with humans only intervening when necessary.

This is why Silicon Valley big shots are all bullish on Loops.

Their judgment is based on this: Once loops mature, the cost-effectiveness of manual prompting will directly collapse!

Loop Engineering 11-page White Paper, Spreading Like Wildfire Online

So, what exactly is the loop process?

In recent days, a white paper on Loop Engineering has started spreading like wildfire on X.

https://drive.google.com/file/d/1qzKI4DKnyHRpXK1J3ATPqwaqLc0iNu-M/view

This 11-page PDF is essentially a popular summary / field guide, compiling relevant public discussions and practical experience.

The core ideas within originate from the public statements of Peter Steinberger, Boris Cherny, and Addy Osmani.

What is Loop Engineering?

Loop Engineering, named by Google Chrome engineer Addy Osmani in June 2026.

It is the fourth layer above prompt engineering, context engineering, and toolchain engineering: the first three layers assume you sit at the keyboard directing the AI line by line; Loop Engineering aims to move you from that position, completely liberating you from the work.

From now on, you are no longer the engine driving the AI, but the architect designing that engine.

The system will automatically wake up at set times, spawn child agents to work, and feed the output back to itself as input for the next round.

The article breaks down a complete Loop into five key actions:

Discovery: The AI uses a solidified skill library to find valuable work on its own, such as reading the latest CI failure logs or unresolved issues.

Handoff: Open independent sandboxes for each task, allowing multiple agents to work in parallel without interference.

Verification: This is the most crucial step. Letting the code-writing AI score itself, it will blindly praise itself. Therefore, a completely independent, default-skeptical "evaluator" agent must be introduced to find faults.

Persist: The AI's memory cannot just stay in a context window that can be cleared anytime. Its state and progress must be solidified to disk so it can continue the next day.

Schedule: Use automation scripts to let the system run autonomously and periodically, closing the entire loop.

Among these, the hardest and most likely to be lazily skipped is verification.

Having the AI score itself, it will almost always praise itself because its mind contains a self-persuasion chain. The solution is to introduce an independent evaluation Agent that assumes the code is bad by default.

However, the system running fully automatically doesn't mean you can rest easy. The author warns: When the loop runs wild late at night, it may quietly accumulate four hidden costs.

Verification Debt: Minor errors not validated are quietly merged into the repository.

Understanding Decay: The AI writes code too fast, causing human understanding of the codebase to seriously fall behind.

Cognitive Surrender: Humans become too lazy to review, accepting AI results wholesale.

Token Runaway: The AI retries all night in an infinite loop, burning through the budget.

The same Loop, built by two different people, may yield completely opposite results. Bring judgment into it, and it amplifies judgment; bring laziness into it, and it amplifies laziness.

In short, this report reveals a profound industry change: Loop engineering makes code generation almost free, while human judgment becomes the only scarce resource!

Also spreading wildly online simultaneously is a 14-step practical handbook issued by Codez, already with millions of shares.

The general idea of the article is as follows: Prompts are outdated, the leverage point has moved up one layer—from "words written for the AI to see" to "designing a system that automatically feeds the AI."

This transformation can be broken down into 14 steps, 3 stages—

First, determine if you really need a loop (Is the task repetitive? Can verification be automated? Can the budget handle it?), then learn the five components (scheduler, isolated working directory, skill files, external connectors, independent evaluation sub-agent), and finally build a minimal viable loop.

The most crucial point among them is: Separate the agent that writes code from the agent that reviews code. The same model acting as both athlete and referee will always give itself full marks.

A loop without objective verification gates is just "two optimists nodding at each other." The better the loop runs, the easier it is for engineers to stop truly understanding the code.

Loop Engineering Birth Timeline

If we were to outline a timeline for loop engineering, it would roughly be as follows.

Early Foundation Stage

2022: Shunyu Yao and others propose the ReAct framework, laying the theoretical cornerstone.

2025: Geoffrey Huntley proposes "Ralph."

2025–Early 2026: Andrej Karpathy releases the AutoResearch project, forming the classic autonomous experiment loop, a major milestone.

Concept Explosion and Naming Stage

Early June 2026, Peter Steinberger speaks out: You shouldn't manually prompt coding agents anymore, you should design loops that prompt them.

Boris Cherny states: I no longer prompt Claude directly, my job is to write loops that run Claude.

June 7, 2026: Addy Osmani publishes the blog post "Loop Engineering," formally naming it, providing a 4-layer stack framework: Prompt → Context → Harness → Loop Engineering.

Subsequently, throughout June, Loop Engineering begins spreading virally across the entire internet.

Claude's "Infinite Loop," Automated Agents Take Over Everything

In an internal podcast, an Anthropic engineer revealed a spine-chilling detail:

When you click run and let Claude execute for 8 hours, you are essentially making a $500 compute power gamble.

If you're still struggling over how to write prompts, you've already lost.

In Anthropic's logic, engineers are evolving into "compute power allocators."

Your core job is no longer writing logic, but deciding where each cent of compute power is invested.

As OpenAI researcher Noam Brown pointed out earlier this month, contemporary models can solve almost any problem if you're willing to throw enough compute power at it.

Loop engineering is part of the big trend of "compute at test time."

Interestingly, the idea of having agents work in loops has actually had prototypes for a while.

At least since last summer, Australian sheep farmer Geoffrey Huntley mentioned a similar approach in his blog, calling it the "Ralph loop."

A year ago, if you wanted to implement a loop, you had to write a bunch of bash scripts and then maintain that code forever, it belonged only to you.

Now, these components are built directly into the products.

You no longer argue about whether to use Codex or Claude Code, but directly design loops that work regardless of which tool you're in.

Former Google engineering and developer relations lead Addy Osmani pointed out that loop engineering requires all the parts that these AI tools already possess.

He also asserts that loop engineering may lead to "cognitive surrender" among engineers:

When the loop runs by itself, you easily stop thinking and just passively accept everything it feeds back.

This is exactly what software engineer Armin Ronacher is worried about.

This is also exactly what is said in the Orange Book, Addy Osmani encourages people to design loops with judgment:

Designing loops, if done with judgment, is the cure; if done to avoid thinking, it is the catalyst—the same action, completely opposite results.

The Loop Endures, Engineering Lives

At the AI Engineer Summit in April, an Anthropic engineer said they tasked Claude with developing a retro mini-game app, using two methods: one using only minimalist prompts, the other using agent loops.

The comparison was stark: The minimalist prompt version took 20 minutes and cost $9; the loop method took 6 hours and cost $200.

But the quality of the app from the latter was far superior.

The former game wouldn't run, the app was crude; the loop version was much richer, containing many features the game designer wanted.

The loop won't pity those who give up thinking. It will only use its speed to turn your ignorance into code debt faster.

And those willing to maintain a clumsy understanding, continuously define rules, and take responsibility for the final results, will gain greater leverage in this paradigm shift than ever before.

Build the loop. Stay the engineer.

Prompt is dead, Loop is running.

And you are still the one who decides its meaning.

References:

https://x.com/DataScienceDojo/status/2069873216152092975

https://x.com/0xCodez/status/2064374643729773029

https://x.com/akshay_pachaar/status/2069769689560187027

This article is from the WeChat public account "新智元" (New Zhiyuan), author: ASI启示录

Criptos en tendencia

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

Preguntas relacionadas

QWhat is the core difference between traditional prompt engineering and the emerging Loop Engineering, as discussed in the article?

AThe core difference lies in the role of the human. In traditional prompt engineering, the human acts as the loop itself: manually writing prompts, reviewing outputs, and making decisions for each iteration. In Loop Engineering, the system itself becomes the autonomous loop. Humans design the system once by defining goals, validation mechanisms, and memory, after which the AI system can run 24/7, autonomously discovering, executing, validating, and persisting tasks.

QAccording to the 'Loop Engineering' whitepaper, what are the five key actions that constitute a complete autonomous loop?

AAccording to the whitepaper, a complete autonomous loop consists of five key actions: 1) Discovery: The AI uses a fixed skills library to find valuable work. 2) Handoff: Tasks are passed to independent sandboxes for parallel, isolated execution by agents. 3) Validation: An independent, skeptical 'evaluator' agent checks the work, as a single agent scoring its own work is unreliable. 4) Persistence: The system's state and progress are saved to disk to survive beyond the context window. 5) Scheduling: Automated scripts run the system periodically to close the loop.

QWhy does the article emphasize that a separate 'evaluator' agent is crucial in a loop, especially for coding tasks?

AThe article emphasizes a separate evaluator agent because an AI agent tasked with both writing and evaluating its own code is inherently biased and will almost always praise its own work. It lacks the ability for objective, critical assessment. A dedicated, independent evaluator agent operates with a default skeptical stance, assuming the code is flawed, which is essential for catching errors and ensuring quality before results are persisted.

QWhat are the potential 'hidden costs' or risks associated with fully autonomous AI loops running unattended, as warned in the article?

AThe article warns of four main hidden costs or risks: 1) Validation Debt: Subtle, unvalidated errors are quietly merged into the codebase. 2) Comprehension Rot: Humans lose understanding of the codebase as AI writes code too quickly. 3) Cognitive Surrender: Humans stop reviewing and passively accept all AI outputs. 4) Token Runaway: The AI gets stuck in retry loops overnight, burning through the compute budget.

QBased on the timeline in the article, who formally named 'Loop Engineering' and what is the four-layer stack framework they proposed?

ALoop Engineering was formally named by Google Chrome engineer Addy Osmani in a blog post published on June 7, 2026. He proposed a four-layer stack framework consisting of: 1) Prompt Engineering, 2) Context Engineering, 3) Harness/Toolchain Engineering, and 4) Loop Engineering. This framework positions Loop Engineering as the highest layer, aiming to remove the human from direct, line-by-line interaction with the AI.

Lecturas Relacionadas

Circle's Stock Price Halved in 45 Days, Is Circle Actually the "DeFi Barometer"?

In 45 days, Circle's stock price has been halved, dropping to around $63, with its stablecoin USDC's circulation falling by approximately $70 billion from its peak to 73.6 billion. In contrast, USDT's circulation saw a much smaller decline. This aligns with analyst Ed Engel's view that Circle acts as a barometer for DeFi activity, as 75% of USDC circulates within crypto exchanges and DeFi protocols rather than everyday payments. Data shows high concentration of USDC holdings in DeFi contracts and addresses, unlike USDT which has broader real-world use cases. The decline in Circle's stock and USDC circulation appears correlated with a drop in DeFi's Total Value Locked (TVL) following security incidents like the Kelp DAO attack. To boost adoption, Circle has partnered with platforms like Hyperliquid, offering incentives to make USDC a settlement asset. While USDC sees significant institutional use for compliant transfers, its growth in circulation remains heavily tied to DeFi activity. For Circle's prospects to improve, it must either reduce its reliance on the volatile DeFi sector or demonstrate that real-world usage can substantially drive USDC issuance growth.

Foresight NewsHace 21 min(s)

Circle's Stock Price Halved in 45 Days, Is Circle Actually the "DeFi Barometer"?

Foresight NewsHace 21 min(s)

AI Billing Black Box Exposed: 1.7 Million Overcharged, Anthropic Refunds But Doesn’t Admit Fault

A startup named Vaudit, founded by former Oracle director Michael Hahn, audits AI bills for companies and claims to have identified approximately $1.7 million in overcharges across 60 businesses, totaling $34 million in reviewed bills. The alleged discrepancies primarily involve charges for Anthropic's Claude Code. Common issues cited include billing for newer, more expensive models when older, cheaper ones were used; charging for failed or errored requests; and "retry storms" where AI agents silently retry failed tasks, accumulating costs unnoticed. Major clients like Panasonic, HP, and Honda were among those audited. While Vaudit reports that around 80% of the disputed charges were refunded by providers like Amazon, Google, Microsoft, Anthropic, and OpenAI after申诉, the AI companies largely deny systemic problems. Anthropic stated overcharges do not appear widespread and it does not bill for uncompleted requests or errors, while OpenAI said it found no evidence of such issues affecting its customers. The situation highlights the inherent opacity and complexity of AI billing, which is based on token usage that is difficult to track and predict, especially with multi-agent, multi-model workflows. This complexity is creating a new market for third-party AI bill auditing services like Vaudit, which charges fees based on recovered amounts. Separately, Anthropic faces a proposed class-action lawsuit alleging its high-tier subscription plans deliver far less usage than advertised. The case underscores growing scrutiny over AI service pricing and transparency as major providers prepare for IPOs.

marsbitHace 21 min(s)

AI Billing Black Box Exposed: 1.7 Million Overcharged, Anthropic Refunds But Doesn’t Admit Fault

marsbitHace 21 min(s)

Tencent Buys Baidu Chips

China's internet giants, once defined by building closed, self-sufficient empires, are undergoing a fundamental shift. A key signal is Baidu's plan to spin off its AI chip unit, Kunlun Xin, for a Hong Kong IPO targeting a $50 billion valuation, potentially exceeding its parent company's worth. Concurrently, Alibaba's T-Head is also pursuing independence. Most significantly, reports indicate that rival Tencent has become a major customer for Kunlun Xin's chips. This move, where competitors begin procuring each other's core technologies, marks a decisive break from the past era of internal duplication and isolation. It signals the maturation of China's AI industry into a more open, specialized ecosystem. The underlying driver is the immense and clear cost of AI infrastructure, particularly the exploding demand for inference compute driven by AI agents and applications. Hardware is no longer just an internal cost center but a profitable, strategic business in itself. Globally, a parallel trend is evident as OpenAI, Google, Amazon, and others develop their own AI chips to control costs and optimize performance. The competition has moved beyond model benchmarks to a deeper, foundational war over token cost efficiency, inference cluster performance, and secure, scalable computing power. Baidu and Alibaba aren't dismantling their empires but are instead decoupling non-core, capital-intensive infrastructure to participate in and shape a larger, collaborative industrial base. The era of the all-encompassing super-app is giving way to an age of strategic specialization and open ecosystem building in the AI race.

marsbitHace 37 min(s)

marsbitHace 37 min(s)

The Token Itself Is an Asset: Three Types of Tokenized Stocks, Which One Suits You?

"Tokenized Stocks: Three Types, Which One Fits You? For investors outside the US, buying stocks like SpaceX or Nvidia is difficult, requiring brokers, cross-border transfers, and often accredited investor status. Blockchain offers an alternative through tokenized stocks, a term encompassing three distinct products with vastly different ownership, voting, and profit rights. 1. **Full Real Ownership**: Companies like Superstate register native equity directly on-chain (e.g., Solana). Holders are on the official shareholder registry, with full voting rights, dividends, and legal ownership. This offers maximum rights but potentially less DeFi flexibility. 2. **SPV-Backed Tokens (Surrendered Ownership for DeFi Composability)**: Issuers like Backed (xStocks) and Ondo use offshore Special Purpose Vehicles (SPVs) to hold underlying shares 1:1 and issue tracking tokens. Investors get price exposure and dividends (reinvested as more tokens) but hold a claim on the SPV, not direct stock ownership. This enables use as collateral in DeFi protocols (Kamino, Morpho) and 24/7 minting/redemption, but carries SPV counterparty risk (highlighted by the PreStocks collapse). 3. **Perpetual Futures (Pure Price Speculation)**: Platforms like TradeXYZ (on Hyperliquid) and Ostium offer perpetual contracts. These are synthetic derivatives with no underlying stock ownership, using funding rates to track spot prices. They require only a price oracle, allowing extremely fast listing (e.g., SpaceX pre-IPO) and high leverage, attracting speculators. Their trading volume far exceeds tokenized spot products. The core value of tokens is that they don't need to replicate full stock ownership. Most retail investors never vote. Tokenization creates layered financial tools: full equity for institutions, composable tokens for DeFi users, and perpetuals for leveraged traders."

marsbitHace 37 min(s)

The Token Itself Is an Asset: Three Types of Tokenized Stocks, Which One Suits You?

marsbitHace 37 min(s)

AI as the Boss: Nearly Bankrupts 10 Companies...

A recent study from Princeton University tested 14 AI models, including large language models (LLMs) and a rule-based algorithm, in a simulation where they acted as CEOs of a virtual SaaS startup over 500 days. The goal was to grow an initial $1 million capital. The results were stark: only four "CEOs" ended with a profit. The top performer was Claude Fable 5, multiplying the capital 47-fold to $47.15 million. Claude Opus 4.8 and GPT-5.5 followed. Notably, the fourth profitable entity was a simple, pre-programmed rule-based algorithm, which outperformed many advanced LLMs with $15.76 million in profit. Five other models, including several major LLMs, went bankrupt before the simulation ended. Key takeaways from the research highlight that successful AI CEOs demonstrated a tendency for exploration and adaptation over caution. They excelled in discovering hidden information, predicting future cash flow, adapting quickly to changes (like competitor moves), and engaging in strategic "if-then" planning. The study also found that equipping LLMs with programming-agent frameworks, optimized for coding tasks, actually harmed their performance in this CEO role, suggesting a need for domain-specific adaptations. The article concludes by contrasting AI's current operational proficiency within defined frameworks with the type of visionary, intuitive decision-making—exemplified by figures like Steve Jobs—that truly drives transformative business strategy. This critical "matrix-drawing" capability, it argues, remains uniquely human.

marsbitHace 47 min(s)

AI as the Boss: Nearly Bankrupts 10 Companies...

marsbitHace 47 min(s)

Trading

Spot

Artículos destacados

Qué es GROK AI

Grok AI: Revolucionando la Tecnología Conversacional en la Era Web3 Introducción En el paisaje de rápida evolución de la inteligencia artificial, Grok AI se destaca como un proyecto notable que une los dominios de la tecnología avanzada y la interacción del usuario. Desarrollado por xAI, una empresa liderada por el renombrado empresario Elon Musk, Grok AI busca redefinir la forma en que interactuamos con la inteligencia artificial. A medida que el movimiento Web3 continúa floreciendo, Grok AI tiene como objetivo aprovechar el poder de la IA conversacional para responder consultas complejas, proporcionando a los usuarios una experiencia que no solo es informativa, sino también entretenida. ¿Qué es Grok AI? Grok AI es un sofisticado chatbot de IA conversacional diseñado para interactuar dinámicamente con los usuarios. A diferencia de muchos sistemas de IA tradicionales, Grok AI abraza una gama más amplia de consultas, incluyendo aquellas que normalmente se consideran inapropiadas o fuera de las respuestas estándar. Los objetivos centrales del proyecto incluyen: Razonamiento Confiable: Grok AI enfatiza el razonamiento de sentido común para proporcionar respuestas lógicas basadas en la comprensión contextual. Supervisión Escalable: La integración de asistencia de herramientas asegura que las interacciones de los usuarios sean monitoreadas y optimizadas para la calidad. Verificación Formal: La seguridad es primordial; Grok AI incorpora métodos de verificación formal para mejorar la confiabilidad de sus resultados. Comprensión de Largo Contexto: El modelo de IA sobresale en retener y recordar un extenso historial de conversaciones, facilitando discusiones significativas y contextualizadas. Robustez Adversarial: Al enfocarse en mejorar sus defensas contra entradas manipuladas o maliciosas, Grok AI busca mantener la integridad de las interacciones de los usuarios. En esencia, Grok AI no es solo un dispositivo de recuperación de información; es un compañero conversacional inmersivo que fomenta un diálogo dinámico. Creador de Grok AI La mente detrás de Grok AI no es otra que Elon Musk, una persona sinónimo de innovación en varios campos, incluyendo la automoción, los viajes espaciales y la tecnología. Bajo el paraguas de xAI, una empresa enfocada en avanzar la tecnología de IA de maneras beneficiosas, la visión de Musk busca remodelar la comprensión de las interacciones de IA. El liderazgo y la ética fundacional están profundamente influenciados por el compromiso de Musk de empujar los límites tecnológicos. Inversores de Grok AI Si bien los detalles específicos sobre los inversores que respaldan a Grok AI son limitados, se reconoce públicamente que xAI, el incubador del proyecto, está fundado y apoyado principalmente por el propio Elon Musk. Las empresas y participaciones anteriores de Musk proporcionan un respaldo robusto, fortaleciendo aún más la credibilidad y el potencial de crecimiento de Grok AI. Sin embargo, hasta ahora, la información sobre fundaciones de inversión adicionales u organizaciones que apoyan a Grok AI no está fácilmente accesible, marcando un área para una posible exploración futura. ¿Cómo Funciona Grok AI? La mecánica operativa de Grok AI es tan innovadora como su marco conceptual. El proyecto integra varias tecnologías de vanguardia que facilitan sus funcionalidades únicas: Infraestructura Robusta: Grok AI está construido utilizando Kubernetes para la orquestación de contenedores, Rust para rendimiento y seguridad, y JAX para computación numérica de alto rendimiento. Este trío asegura que el chatbot opere de manera eficiente, escale efectivamente y sirva a los usuarios de manera oportuna. Acceso a Conocimiento en Tiempo Real: Una de las características distintivas de Grok AI es su capacidad para acceder a datos en tiempo real a través de la plataforma X—anteriormente conocida como Twitter. Esta capacidad otorga a la IA acceso a la información más reciente, permitiéndole proporcionar respuestas y recomendaciones oportunas que otros modelos de IA podrían pasar por alto. Dos Modos de Interacción: Grok AI ofrece a los usuarios una elección entre “Modo Divertido” y “Modo Regular”. El Modo Divertido permite un estilo de interacción más lúdico y humorístico, mientras que el Modo Regular se centra en ofrecer respuestas precisas y exactas. Esta versatilidad asegura una experiencia personalizada que se adapta a diversas preferencias de los usuarios. En esencia, Grok AI une rendimiento con compromiso, creando una experiencia que es tanto enriquecedora como entretenida. Cronología de Grok AI El viaje de Grok AI está marcado por hitos cruciales que reflejan sus etapas de desarrollo y despliegue: Desarrollo Inicial: La fase fundamental de Grok AI tuvo lugar durante aproximadamente dos meses, durante los cuales se realizó el entrenamiento inicial y el ajuste del modelo. Lanzamiento Beta de Grok-2: En un avance significativo, se anunció la beta de Grok-2. Este lanzamiento introdujo dos versiones del chatbot—Grok-2 y Grok-2 mini—cada una equipada con capacidades para chatear, programar y razonar. Acceso Público: Tras su desarrollo beta, Grok AI se volvió disponible para los usuarios de la plataforma X. Aquellos con cuentas verificadas por un número de teléfono y activas durante al menos siete días pueden acceder a una versión limitada, haciendo que la tecnología esté disponible para un público más amplio. Esta cronología encapsula el crecimiento sistemático de Grok AI desde su inicio hasta el compromiso público, enfatizando su compromiso con la mejora continua y la interacción del usuario. Características Clave de Grok AI Grok AI abarca varias características clave que contribuyen a su identidad innovadora: Integración de Conocimiento en Tiempo Real: El acceso a información actual y relevante diferencia a Grok AI de muchos modelos estáticos, permitiendo una experiencia de usuario atractiva y precisa. Estilos de Interacción Versátiles: Al ofrecer modos de interacción distintos, Grok AI se adapta a diversas preferencias de los usuarios, invitando a la creatividad y la personalización en la conversación con la IA. Avanzada Infraestructura Tecnológica: La utilización de Kubernetes, Rust y JAX proporciona al proyecto un marco sólido para asegurar confiabilidad y rendimiento óptimo. Consideración de Discurso Ético: La inclusión de una función generadora de imágenes muestra el espíritu innovador del proyecto. Sin embargo, también plantea consideraciones éticas en torno a los derechos de autor y la representación respetuosa de figuras reconocibles—una discusión en curso dentro de la comunidad de IA. Conclusión Como una entidad pionera en el ámbito de la IA conversacional, Grok AI encapsula el potencial de experiencias transformadoras para los usuarios en la era digital. Desarrollado por xAI y guiado por el enfoque visionario de Elon Musk, Grok AI integra conocimiento en tiempo real con capacidades avanzadas de interacción. Busca empujar los límites de lo que la inteligencia artificial puede lograr mientras mantiene un enfoque en consideraciones éticas y la seguridad del usuario. Grok AI no solo encarna el avance tecnológico, sino que también representa un nuevo paradigma de conversación en el paisaje Web3, prometiendo involucrar a los usuarios con tanto conocimiento hábil como interacción lúdica. A medida que el proyecto continúa evolucionando, se erige como un testimonio de lo que la intersección de la tecnología, la creatividad y la interacción similar a la humana puede lograr.

415 Vistas totalesPublicado en 2024.12.26Actualizado en 2024.12.26

Qué es ERC AI

Euruka Tech: Una Visión General de $erc ai y sus Ambiciones en Web3 Introducción En el paisaje en rápida evolución de la tecnología blockchain y las aplicaciones descentralizadas, nuevos proyectos emergen con frecuencia, cada uno con objetivos y metodologías únicas. Uno de estos proyectos es Euruka Tech, que opera en el amplio dominio de las criptomonedas y Web3. El enfoque principal de Euruka Tech, particularmente su token $erc ai, es presentar soluciones innovadoras diseñadas para aprovechar las crecientes capacidades de la tecnología descentralizada. Este artículo tiene como objetivo proporcionar una visión general completa de Euruka Tech, una exploración de sus objetivos, funcionalidad, la identidad de su creador, posibles inversores y su importancia dentro del contexto más amplio de Web3. ¿Qué es Euruka Tech, $erc ai? Euruka Tech se caracteriza como un proyecto que aprovecha las herramientas y funcionalidades ofrecidas por el entorno Web3, centrándose en integrar inteligencia artificial dentro de sus operaciones. Aunque los detalles específicos sobre el marco del proyecto son algo elusivos, está diseñado para mejorar la participación del usuario y automatizar procesos en el espacio cripto. El proyecto tiene como objetivo crear un ecosistema descentralizado que no solo facilite transacciones, sino que también incorpore funcionalidades predictivas a través de inteligencia artificial, de ahí la designación de su token, $erc ai. El objetivo es proporcionar una plataforma intuitiva que facilite interacciones más inteligentes y un procesamiento eficiente de transacciones dentro de la creciente esfera de Web3. ¿Quién es el Creador de Euruka Tech, $erc ai? En la actualidad, la información sobre el creador o el equipo fundador detrás de Euruka Tech permanece no especificada y algo opaca. Esta ausencia de datos genera preocupaciones, ya que el conocimiento del trasfondo del equipo es a menudo esencial para establecer credibilidad dentro del sector blockchain. Por lo tanto, hemos categorizado esta información como desconocida hasta que se disponga de detalles concretos en el dominio público. ¿Quiénes son los Inversores de Euruka Tech, $erc ai? De manera similar, la identificación de inversores u organizaciones de respaldo para el proyecto Euruka Tech no se proporciona fácilmente a través de la investigación disponible. Un aspecto que es crucial para los posibles interesados o usuarios que consideren involucrarse con Euruka Tech es la garantía que proviene de asociaciones financieras establecidas o respaldo de firmas de inversión de renombre. Sin divulgaciones sobre afiliaciones de inversión, es difícil sacar conclusiones completas sobre la seguridad financiera o la longevidad del proyecto. De acuerdo con la información encontrada, esta sección también se encuentra en estado de desconocido. ¿Cómo Funciona Euruka Tech, $erc ai? A pesar de la falta de especificaciones técnicas detalladas para Euruka Tech, es esencial considerar sus ambiciones innovadoras. El proyecto busca aprovechar el poder computacional de la inteligencia artificial para automatizar y mejorar la experiencia del usuario dentro del entorno de las criptomonedas. Al integrar IA con tecnología blockchain, Euruka Tech tiene como objetivo proporcionar características como operaciones automatizadas, evaluaciones de riesgo e interfaces de usuario personalizadas. La esencia innovadora de Euruka Tech radica en su objetivo de crear una conexión fluida entre los usuarios y las vastas posibilidades que presentan las redes descentralizadas. A través de la utilización de algoritmos de aprendizaje automático e IA, busca minimizar los desafíos de los usuarios primerizos y optimizar las experiencias transaccionales dentro del marco de Web3. Esta simbiosis entre IA y blockchain subraya la importancia del token $erc ai, que actúa como un puente entre las interfaces de usuario tradicionales y las capacidades avanzadas de las tecnologías descentralizadas. Cronología de Euruka Tech, $erc ai Desafortunadamente, como resultado de la información limitada disponible sobre Euruka Tech, no podemos presentar una cronología detallada de los principales desarrollos o hitos en el viaje del proyecto. Esta cronología, típicamente invaluable para trazar la evolución de un proyecto y entender su trayectoria de crecimiento, no está actualmente disponible. A medida que la información sobre eventos notables, asociaciones o adiciones funcionales se haga evidente, las actualizaciones seguramente mejorarán la visibilidad de Euruka Tech en la esfera cripto. Aclaración sobre Otros Proyectos “Eureka” Es importante señalar que múltiples proyectos y empresas comparten una nomenclatura similar con “Eureka”. La investigación ha identificado iniciativas como un agente de IA de NVIDIA Research, que se centra en enseñar a los robots tareas complejas utilizando métodos generativos, así como Eureka Labs y Eureka AI, que mejoran la experiencia del usuario en educación y análisis de servicio al cliente, respectivamente. Sin embargo, estos proyectos son distintos de Euruka Tech y no deben confundirse con sus objetivos o funcionalidades. Conclusión Euruka Tech, junto con su token $erc ai, representa un jugador prometedor pero actualmente oscuro dentro del paisaje de Web3. Si bien los detalles sobre su creador e inversores permanecen no revelados, la ambición central de combinar inteligencia artificial con tecnología blockchain se presenta como un punto focal de interés. Los enfoques únicos del proyecto para fomentar la participación del usuario a través de la automatización avanzada podrían destacarlo a medida que el ecosistema Web3 progresa. A medida que el mercado cripto continúa evolucionando, los interesados deben mantener un ojo atento a los avances en torno a Euruka Tech, ya que el desarrollo de innovaciones documentadas, asociaciones o una hoja de ruta definida podría presentar oportunidades significativas en el futuro cercano. Tal como está, esperamos más información sustancial que podría revelar el potencial de Euruka Tech y su posición en el competitivo paisaje cripto.

399 Vistas totalesPublicado en 2025.01.02Actualizado en 2025.01.02

Qué es DUOLINGO AI

DUOLINGO AI: Integrando el Aprendizaje de Idiomas con Web3 e Innovación en IA En una era donde la tecnología redefine la educación, la integración de la inteligencia artificial (IA) y las redes blockchain anuncia una nueva frontera para el aprendizaje de idiomas. Entra DUOLINGO AI y su criptomoneda asociada, $DUOLINGO AI. Este proyecto aspira a fusionar la capacidad educativa de las principales plataformas de aprendizaje de idiomas con los beneficios de la tecnología descentralizada Web3. Este artículo profundiza en los aspectos clave de DUOLINGO AI, explorando sus objetivos, marco tecnológico, desarrollo histórico y potencial futuro, mientras mantiene claridad entre el recurso educativo original y esta iniciativa independiente de criptomoneda. Visión General de DUOLINGO AI En su esencia, DUOLINGO AI busca establecer un entorno descentralizado donde los aprendices puedan ganar recompensas criptográficas por alcanzar hitos educativos en la competencia lingüística. Al aplicar contratos inteligentes, el proyecto tiene como objetivo automatizar los procesos de verificación de habilidades y asignación de tokens, adhiriéndose a los principios de Web3 que enfatizan la transparencia y la propiedad del usuario. El modelo se aparta de los enfoques tradicionales para la adquisición de idiomas al apoyarse en gran medida en una estructura de gobernanza impulsada por la comunidad, permitiendo a los poseedores de tokens sugerir mejoras al contenido del curso y a las distribuciones de recompensas. Algunos de los objetivos notables de DUOLINGO AI incluyen: Aprendizaje Gamificado: El proyecto integra logros en blockchain y tokens no fungibles (NFTs) para representar niveles de competencia lingüística, fomentando la motivación a través de recompensas digitales atractivas. Creación de Contenido Descentralizada: Abre avenidas para que educadores y entusiastas de los idiomas contribuyan con sus cursos, facilitando un modelo de reparto de ingresos que beneficia a todos los contribuyentes. Personalización Impulsada por IA: Al emplear modelos avanzados de aprendizaje automático, DUOLINGO AI personaliza las lecciones para adaptarse al progreso de aprendizaje individual, similar a las características adaptativas que se encuentran en plataformas establecidas. Creadores del Proyecto y Gobernanza A partir de abril de 2025, el equipo detrás de $DUOLINGO AI permanece seudónimo, una práctica frecuente en el paisaje descentralizado de criptomonedas. Esta anonimidad está destinada a promover el crecimiento colectivo y la participación de los interesados en lugar de centrarse en desarrolladores individuales. El contrato inteligente desplegado en la blockchain de Solana anota la dirección de la billetera del desarrollador, lo que significa el compromiso con la transparencia en las transacciones a pesar de que la identidad de los creadores sea desconocida. Según su hoja de ruta, DUOLINGO AI aspira a evolucionar hacia una Organización Autónoma Descentralizada (DAO). Esta estructura de gobernanza permite a los poseedores de tokens votar sobre cuestiones críticas como implementaciones de características y asignaciones del tesoro. Este modelo se alinea con la ética del empoderamiento comunitario que se encuentra en diversas aplicaciones descentralizadas, enfatizando la importancia de la toma de decisiones colectiva. Inversores y Asociaciones Estratégicas Actualmente, no hay inversores institucionales o capitalistas de riesgo identificables públicamente vinculados a $DUOLINGO AI. En cambio, la liquidez del proyecto proviene principalmente de intercambios descentralizados (DEXs), marcando un contraste marcado con las estrategias de financiamiento de las empresas de tecnología educativa tradicionales. Este modelo de base indica un enfoque impulsado por la comunidad, reflejando el compromiso del proyecto con la descentralización. En su libro blanco, DUOLINGO AI menciona la formación de colaboraciones con “plataformas de educación blockchain” no especificadas, destinadas a enriquecer su oferta de cursos. Si bien aún no se han divulgado asociaciones específicas, estos esfuerzos colaborativos sugieren una estrategia para fusionar la innovación blockchain con iniciativas educativas, ampliando el acceso y la participación de los usuarios a través de diversas avenidas de aprendizaje. Arquitectura Tecnológica Integración de IA DUOLINGO AI incorpora dos componentes principales impulsados por IA para mejorar su oferta educativa: Motor de Aprendizaje Adaptativo: Este sofisticado motor aprende de las interacciones de los usuarios, similar a los modelos propietarios de las principales plataformas educativas. Ajusta dinámicamente la dificultad de las lecciones para abordar desafíos específicos de los aprendices, reforzando áreas débiles a través de ejercicios dirigidos. Agentes Conversacionales: Al emplear chatbots impulsados por GPT-4, DUOLINGO AI proporciona una plataforma para que los usuarios participen en conversaciones simuladas, fomentando una experiencia de aprendizaje de idiomas más interactiva y práctica. Infraestructura Blockchain Construido sobre la blockchain de Solana, $DUOLINGO AI utiliza un marco tecnológico integral que incluye: Contratos Inteligentes de Verificación de Habilidades: Esta característica otorga automáticamente tokens a los usuarios que superan con éxito las pruebas de competencia, reforzando la estructura de incentivos para resultados de aprendizaje genuinos. Insignias NFT: Estos tokens digitales significan varios hitos que los aprendices logran, como completar una sección de su curso o dominar habilidades específicas, permitiéndoles intercambiar o mostrar sus logros digitalmente. Gobernanza DAO: Los miembros de la comunidad con tokens pueden participar en la gobernanza votando sobre propuestas clave, facilitando una cultura participativa que fomenta la innovación en las ofertas de cursos y características de la plataforma. Línea de Tiempo Histórica 2022–2023: Conceptualización Los cimientos de DUOLINGO AI comienzan con la creación de un libro blanco, destacando la sinergia entre los avances en IA en el aprendizaje de idiomas y el potencial descentralizado de la tecnología blockchain. 2024: Lanzamiento Beta Un lanzamiento beta limitado introduce ofertas en idiomas populares, recompensando a los primeros usuarios con incentivos en tokens como parte de la estrategia de participación comunitaria del proyecto. 2025: Transición a DAO En abril, se produce un lanzamiento completo de la red principal con la circulación de tokens, lo que provoca discusiones comunitarias sobre posibles expansiones a idiomas asiáticos y otros desarrollos de cursos. Desafíos y Direcciones Futuras Obstáculos Técnicos A pesar de sus ambiciosos objetivos, DUOLINGO AI enfrenta desafíos significativos. La escalabilidad sigue siendo una preocupación constante, particularmente en equilibrar los costos asociados con el procesamiento de IA y mantener una red descentralizada y receptiva. Además, garantizar la creación y moderación de contenido de calidad en medio de una oferta descentralizada plantea complejidades en el mantenimiento de estándares educativos. Oportunidades Estratégicas Mirando hacia adelante, DUOLINGO AI tiene el potencial de aprovechar asociaciones de micro-certificación con instituciones académicas, proporcionando validaciones verificadas en blockchain de habilidades lingüísticas. Además, la expansión entre cadenas podría permitir que el proyecto acceda a bases de usuarios más amplias y a ecosistemas blockchain adicionales, mejorando su interoperabilidad y alcance. Conclusión DUOLINGO AI representa una fusión innovadora de inteligencia artificial y tecnología blockchain, presentando una alternativa centrada en la comunidad a los sistemas tradicionales de aprendizaje de idiomas. Si bien su desarrollo seudónimo y su modelo económico emergente traen ciertos riesgos, el compromiso del proyecto con el aprendizaje gamificado, la educación personalizada y la gobernanza descentralizada ilumina un camino hacia adelante para la tecnología educativa en el ámbito de Web3. A medida que la IA continúa avanzando y el ecosistema blockchain evoluciona, iniciativas como DUOLINGO AI podrían redefinir cómo los usuarios se involucran con la educación lingüística, empoderando comunidades y recompensando la participación a través de mecanismos de aprendizaje innovadores.

440 Vistas totalesPublicado en 2025.04.11Actualizado en 2025.04.11

Discusiones

Bienvenido a la comunidad de HTX. Aquí puedes mantenerte informado sobre los últimos desarrollos de la plataforma y acceder a análisis profesionales del mercado. A continuación se presentan las opiniones de los usuarios sobre el precio de AI (AI).