Agentized OS: It's Not About AI, It's About the Foundation

marsbitОпубліковано о 2026-05-27Востаннє оновлено о 2026-05-27

Анотація

The Agentic OS: Beyond AI, It's About the Foundational Stack In 2026, major operating systems like Android, iOS, HarmonyOS, and Windows are entering the "Agentic" era, integrating proactive AI assistants deeply into the system layer. However, the real competition lies not in the flashy AI features showcased at events, but in the three-layer foundational stack that enables them: the system-level AI Runtime, proprietary/controllable chips, and the on-device/cloud model matrix. The AI Runtime acts as the central scheduler, managing model inference, resource allocation, and exposing capabilities to apps. Controllable chips (e.g., Apple Silicon, Google Tensor, Huawei Kirin) are crucial for deep hardware-software co-optimization, determining the efficiency and experience limits of on-device Agents. The on-device/cloud model matrix provides the "intelligence," with proprietary, chip-optimized small models (like Gemini Nano, Apple's ~3B model) handling daily tasks locally for low latency, privacy, and reliability, while cloud models tackle complex requests. Deep synergy between these three layers enables key Agent differentiators: ultra-low latency and power efficiency, genuine "on-device first" privacy, access to system-level personal context across apps, and reliable performance as a system service even offline. OS vendors with strong integration across this stack (like Apple, Google, and Huawei) build a deeper moat. Beyond this core stack, long-term competitiveness depends on ...

Article | CloudSurge AI, Author | Huang Yunhao

One. After Google I/O 2026: The Four Major End-Device OS Step into the Agent Era

On May 12, 2026, Google held the Android Show|I/O Edition press conference, an Android-focused event ahead of the I/O conference on May 19. Sameer Samat, President of the Android Ecosystem, set the tone for this conference: Android must transform from an operating system into a smart system. The concept carrying this main thread is Gemini Intelligence – a set of proactive AI capabilities at the Android system layer.

2026 Android Show|I/O Edition Press Conference Poster
Source: Android Heaadlines

Compared to last year's Gemini Nano + AICore combination, this time Google further embedded Agent capabilities for cross-App and contextual processing into the OS layer: cross-App task automation (ordering meals, shopping, placing orders), automatic form filling, webpage summarization, and custom widgets were successively written into the system-level capability list. Google also listed explicit user control, comprehensive data protection, and operational transparency as three product principles.

A week later, on May 19, in the I/O keynote speech, Google CEO Sundar Pichai started along the same line:

Welcome to the agentic Gemini era

In joining the wave of end-device OS agentization, Google was hardly an early starter.

Microsoft introduced Copilot+PC (a new category of Windows 11 devices equipped with 40+ TOPS NPUs) at Build 2024 in May 2024, embedding Agent capabilities into the OS based on three abilities: the on-device small model Phi Silica, the screen Agent capability Click to Do, and the system-level activity memory Recall.

At WWDC24 in June 2024, Apple formally announced "Apple Intelligence," which it positioned as a "personal intelligence system." Some AI-assisted features were subsequently rolled out, but the core Agent capabilities of Apple Intelligence have not yet materialized due to issues like delays in its own large model development and Siri's shortcomings.

Huawei, at HDC 2025 in June 2025, released HarmonyOS 6 and the Harmony Smart Agent Framework (HMAF), followed by the launch of the Xiaoyi Smart Agent Plaza featuring over 80 agents.

The major trend of end-device OS agentization has simultaneously emerged in mainstream operating systems like Android, iOS, HarmonyOS, and Windows.

Press conferences only showcase features; what OS vendors are truly competing over is the three-layered foundational capability underpinning the reliable operation and practical problem-solving of OS Agents: the system-level AI Runtime, controllable chips, and the end-cloud model matrix.

Two. Beyond the Press Conference: The Three-Layered Foundation Supporting OS Agents

System-Level AI Runtime: The Scheduling Hub for On-Device Intelligence

Runtime is the inference engine and system service through which on-device models run within the operating system. Downwards, it directly interfaces with the NPU and system resource scheduling; upwards, it exposes inference capabilities to all Apps via stable APIs. It turns on-device models into "shared intelligence at the OS layer": sharing model weights across Apps, uniformly scheduling computing power and memory, supporting the tool calling, guided generation, context, and permission docking required by Agents. It determines whether an OS Agent is merely a chat button within an App or a resident service on the operating system capable of performing system-level operations.

The most complete example within the Android system is Google's AICore. In December 2023, AICore went live as a system service in Android 14; in August 2025, Gemini Nano was opened to developers via ML Kit GenAI APIs. From a system service foundation to stable APIs for Apps, AICore has been polished for nearly two years.

Other OS vendors are on the same path, with different tempos. Apple opened the Foundation Models framework to developers at WWDC25. The framework comes with decorators like @Generable, tool calling, guided generation, and stateful sessions, connecting to an on-device foundation model of about 3B parameters, supplemented by private cloud computing for cloud support. Microsoft integrated the on-device AI framework Foundry on Windows and Phi Silica into Windows 11, using Windows ML as the underlying inference backend. Huawei released the Agent Framework Kit (Harmony Smart Agent Framework, HMAF) at HDC 2025, opening up the intent system and Agent collaboration protocols.

Android AICore as a system service, scheduling Gemini Nano inference on hardware accelerators
Source: Android Developers

Controllable Chips: The Fulcrum of Hardware-Software Synergy

At the Android Show|I/O Edition, Google set clear hardware thresholds for Gemini Intelligence: the full feature set debuted exclusively on a few latest flagships like the Pixel 10 series and Galaxy S26 series, with last year's models not included. This points to a simple fact: AI models are still evolving rapidly, and software continuously imposes new demands on hardware. Controllable chips are the foundation for meeting these demands, and the degree of control determines the space OS vendors have for hardware-software adaptation of end-device OS Agents.

Apple is the exemplar of the integrated hardware-software approach. iOS and macOS have evolved in tandem with the A-series and M-series chips from the start, and Core ML encapsulates the scheduling of CPU, GPU, and ANE into the framework layer. This path continues into the LLM era. Apple Machine Learning Research provided a set of actual measurements: following Core ML's optimization path to deploy Llama 3.1 8B Instruct onto an M1 Max, local decoding speed can reach about 33 tokens/s. The "Apple Intelligence Foundation Language Models" technical report also disclosed that Apple performed architecture-level optimizations like KV cache sharing and 2-bit quantization-aware training for its own chips, enabling the successful opening of the ~3B on-device foundation model to developers via the Foundation Models framework. This level of depth is only achievable when the chip is held in one's own hands – this is precisely the value of controllable chips for OS vendors: it dictates the depth of hardware-software synergy and raises the experience ceiling for end-device OS Agents.

Entering the AI era, Google is doing the same thing – pursuing its self-developed Tensor SoC path since the Pixel 6. The latest Tensor G5 boosts TPU performance by up to 60% and CPU performance by an average of 34%, landing in the Pixel 10 as the first SoC to fully run the latest-generation Gemini Nano. Of course, Tensor G5 also has weaknesses: Android Central's real-world tests show its memory configuration (RAM capacity) remains an AI performance bottleneck, and its Geekbench AI scores trail the Snapdragon 8 Elite; in Macworld's Geekbench 6 tests, G5's single-core and multi-core scores are lower than the A18 Pro's. Google is still catching up, but the synergistic path of self-developed Tensor plus on-device Gemini has taken shape.

Huawei's Kirin paired with the Da Vinci NPU and the Pangu on-device model is another controllable chip path running parallel to Apple and Google. Xiaomi, with its Xuanjue O1, is a newer entrant moving in the direction of controllable chips.

End-Cloud Model Matrix: The Source of Intelligence for Agents

The end-cloud model matrix is the source of "intelligence" for end devices: cloud models support the capability ceiling for complex tasks, while on-device models underpin the baseline for daily operation – latency, battery life, privacy, and stability all rest on the on-device side. Both ends are indispensable; the difference lies in the depth of coupling with the OS. On-device models must be embedded into the OS of every terminal device and deeply coupled with the local NPU, assuming a dual identity within the OS: downwards, they are the local inference backend for the Runtime; upwards, they are exposed as system-level APIs to Apps via the Runtime's framework and SDK.

Self-development makes sense both in the cloud and on-device, but the returns are more tangible on-device. While cloud models can be sourced externally to support the capability ceiling, the advantages of self-development mainly manifest in routing control, commercial terms, and model iteration pace. The on-device side is different. On-device models are embedded into the OS and NPU of every device; the returns on self-development are directly reflected in product performance: KV cache sharing, 2-bit quantization-aware training specifically designed for a chip generation, Per-Layer Embedding (originating from Gemma 3n, incrementally loading embedding parameters layer-by-layer from fast storage), etc. – these are only conveniently realized when the model and hardware are designed synchronously; meanwhile, the synergy tempo is no longer constrained by third-party hardware vendors.

Tensor G5's TPU computing power saw up to a 60% increase over the previous G4, but Gemini Nano's improvement on the G5 far exceeds that – according to Google official and Jon Peddie Research data compilation, local processing speed is 2.6 times that of the previous generation, energy consumption is halved, and the token window expanded from 12,000 to 32,000 (equivalent to digesting about a hundred screenshots at once). These significantly surpassing performance gains stem from the Matryoshka Transformer elastic inference architecture adopted by Gemini Nano v3, combined with synergistic optimizations with the Tensor G5 TPU.

Performance Leap of Gemini Nano on Tensor G5 Compared to Previous Generation
Source: Google/Jon Peddie Research, CloudSurge AI Chart

In this layer of on-device models, the major OS vendors all hold their own cards: Google's Gemini Nano, Apple's ~3B parameter on-device foundation model, Microsoft's Phi Silica, Huawei's Pangu on-device model. Self-development is the default option for this layer.

Three. Between the Layers: Deeper Synergy, Greater Space for Differentiation

The three-layered capability foundation is coupled from bottom to top: Controllable Chip → On-Device/Cloud Models → Runtime → Agent. The controllable chip determines the achievable inference efficiency and power consumption for on-device models; on-device models determine the local intelligence schedulable by the Runtime; the Runtime determines the reliability of the Agent executing cross-App operations as a system service. The deeper the synergy among the three, the greater the product experience differentiation for OS vendors in on-device Agents, and the thicker the moat.

The more tightly the three layers interlock within the same hardware-software system, the more the product capabilities of OS Agents will exhibit differentiation that a single layer cannot achieve.

Response latency and power consumption. The 2.6x processing speed and halved energy consumption achieved by Gemini Nano on Tensor G5 rely on mutual adaptation of model architecture, chip design, and Runtime scheduling within the same generation of hardware-software design – improvements of this magnitude only emerge from such synergy.
Privacy and trust. Common tasks involving private data are handled locally by on-device models, while complex requests are passed to the cloud – this is the reasonable default posture for OS Agents regarding user data at the current stage. The three-layer coupling determines whether this "on-device first, cloud fallback" can be truly realized: deep adaptation between the NPU and on-device model is the key path for on-device models, still in development, to shoulder daily high-frequency inference; model quantization compression and KV cache sharing for the NPU; Runtime routing between on-device and cloud based on task complexity. If any of the three layers is inadequate, "on-device first" remains mere marketing talk.
System-level context. OS vendors reorganizing cross-App and OS-layer user data (semantic indexing, screen perception, long-term memory) into a system-level personal context for the Agent is a prerequisite for the Agent to truly "understand the user" and a core characteristic differentiating OS Agents from single App-level Agents. Implementation depends on the three-layer interlock: the Runtime holds cross-App indexing and permissions, the on-device model resides to handle understanding and inference, and the NPU provides local efficient computing power. Apple's Core Spotlight builds semantic indexes on-device, Apps expose actions and data to the system via App Intents, and Agents will obtain context through Personal Context (Apple announced this capability will come with a future software update); Android's AppFunctions follows a similar path.
Reliability as a system service. For an OS Agent to be invoked as a system-level service, it must remain usable in real-world scenarios like being offline, low battery, or thermal throttling. The on-device model residing on the device allows the Agent to work without a network; a highly hardware-software optimized NPU handles low-power inference; the Runtime falls back scheduling based on availability when device resources are tight (switching to lighter models or routing requests to the cloud). If any of the three layers is missing, the OS Agent cannot sustain the form of a system service and can only revert to an App-level chat button.

Apple Intelligence presents a complete synergy paradigm: Apple Silicon, the ~3B on-device foundation model, and the Foundation Models framework interlock from bottom to top, handling common scenarios on-device and transferring complex requests to private cloud computing. Google represents another form. Tensor G5, landing in the Pixel 10 as the first SoC to fully run the latest-generation Gemini Nano, is uniformly scheduled by AICore, enabling system-level Agent features like Magic Cue and Pixel Screenshots to be enabled by default without relying on the cloud. Huawei is an exemplary case of constructing three-layer synergy domestically: Kirin, Da Vinci NPU, Pangu on-device model, and HMAF – all four are self-owned, coupling from bottom to top into a complete three-layer foundation.

Interlocking Mechanism of the Three-Layered Foundation for End-Device OS Agents
Source: CloudSurge AI

Four. Above the Foundation: Other Key Variables for the Long-Term Moat

The three-layer synergy builds the core of the moat. Above the foundation, numerous other variables affect product competitiveness in the OS Agent era, including Agent-App interaction capabilities, privacy protection, etc.

The interaction between OS Agents and Apps is at the forefront of the contest between OS vendors and App vendors. Currently, two paths run in parallel. One is screen recognition and automation, including Gemini Live screen sharing, Apple Visual Intelligence, Circle to Search, etc. OS Agents intervene in Apps by reading the screen and clicking buttons. This works for single tasks, but each invocation lacks structured information, making it difficult to build stable multi-step workflows. The other is API deep integration, including Google AppFunctions, Apple App Intents, Huawei Intents Kit, etc. Apps expose core actions as structured interfaces to the system, enabling stable Agent calls and the building of multi-step workflows. Whether the API path can spread depends not on OS vendors but on App vendors. Handing over core functionalities to be called by Agents means users may no longer directly open the App, with risks of brand exposure, ad slots, behavioral data, and payment portals being intercepted by the OS. This will be a core battleground for the distribution of end-user traffic.

Privacy protection is a key value proposition and bottom line for end-device systems. OS vendors hold the deepest system-level permissions and the most sensitive user data on the end-device side. Privacy is both a professional stance and a prerequisite for the long-term advancement of the aforementioned aspects. Apple has built an end-device-based privacy protection system through the integrated hardware-level security design shared between the on-device Secure Enclave independent security chip and Private Cloud Compute nodes. This product strategy has turned "Privacy. That’s Apple." into a core brand label for Apple in the global premium market, thereby winning user trust.

Apple's "Privacy. That’s Apple." Label
Source: Apple Website

The three-layer synergy establishes the core of the moat, and these long-term variables above the foundation influence how deeply it can be fortified.

Five. More Than Just Remaking the OS

Under the trend of end-device OS agentization, the more solid the three-layered foundation of system-level AI Runtime, controllable chips, and the end-cloud model matrix, the higher the product baseline for OS vendors in this battle and the greater their space for differentiation. OS vendors that grasp this trend will have the opportunity to drive a reset in the distribution of traffic at the end-device entry point, securing a stronger competitive position.

This trend extends beyond phones and PCs. The underlying capabilities of OS Agents are spilling over into more terminals along the multi-device ecosystems already built by each company, especially IoT. Controllable chips are moving into scenarios like automotive SoCs; Huawei has already deployed vehicle-grade Kirin chips, and Xiaomi's HyperOS is entering its own vehicle models. On-device models are being lightened for migration to new form-factor hardware like glasses; the Android XR smart glasses jointly developed by Google, Samsung, Gentle Monster, and Warby Parker are set to launch in Fall 2026. Runtime and Agent synergy is expanding to device clusters via the "Super Terminal/Distributed" frameworks already deployed by each company, e.g., Huawei's 1+8+N and Harmony Distributed Soft Bus, Xiaomi's "Human-Vehicle-Home Full Ecosystem" and HyperConnect, Apple's Continuity, and Google's Cross device SDK and Cross device services. The battle over OS Agents is far from limited to the victory or defeat on phones and PCs.

AICore has been polished for nearly two years; Apple's OS and Apple silicon series chips have been co-evolving for over a decade; Tensor has been revised all the way to G5, with the Pixel 10 finally capable of shouldering the burden of Gemini Nano v3. The outcome of this battle never lies in the one or two hours of a press conference, but in the chips, models, and Runtime honed across generations.

References:

Gemini Intelligence brings proactive AI to Android|Google Blog
I/O 2026: Welcome to the agentic Gemini era|Google Blog
Phi Silica, small but mighty on-device SLM|Windows Experience Blog
Apple Delays Siri Upgrade Indefinitely|Bloomberg
HarmonyOS 6 Developer Beta Launch Press Release (HDC 2025)|Huawei
The latest Gemini Nano with on-device ML Kit GenAI APIs|Android Developers Blog
Foundation Models framework documentation|Apple Developer
Harmony Smart Agent Framework White Paper|Huawei Developer
On-Device Llama 3.1 with Core ML|Apple Machine Learning Research
Apple Intelligence Foundation Language Models Tech Report 2025|Apple Machine Learning Research
Google Tensor G5: Benchmarks and everything you need to know|Android Central
Google’s new M5 SoC(Tensor G5 detailed - Matryoshka Transformer)|Jon Peddie Research
Private Cloud Compute: A new frontier for AI privacy in the cloud|Apple Security Engineering
Overview of AppFunctions|Android Developers
App Intents|Apple Developer
Introduction to Intents Kit (HarmonyOS)|Huawei Developer
The Google Pixel 10 Pro’s Tensor G5 chip is impressive—if you compare it to an iPhone 14|Macworld
Gemma 3n model overview|Google AI for Developers

Пов'язані питання

QWhat is the core thesis of the article regarding the evolution of operating systems (OS) into the agentic era?

AThe article argues that as major OSes (like Android, iOS, HarmonyOS, Windows) enter the 'Agent era,' the key competition is not just about showcasing flashy AI features in demos. Instead, the real differentiator and long-term moat lie in building a robust three-layer technological 'foundation' that reliably supports these OS-level Agents. This foundation consists of a system-level AI Runtime, controlled/self-developed chips, and a matrix of on-device and cloud AI models. The depth of synergy between these three layers determines the quality, privacy, and reliability of the Agent experience.

QWhat are the three key layers of the foundational 'chassis' that support a reliable OS Agent, according to the article?

A1. System-level AI Runtime: The scheduling hub and inference engine for on-device models. It interfaces directly with the NPU and system resources, providing stable APIs for apps. It enables the Agent to function as a system-level service capable of cross-app operations, rather than just an app-based chatbot. 2. Controlled Chips (SoC/ NPU): Self-developed or deeply controlled hardware (like Apple Silicon, Google Tensor, Huawei Kirin). This allows for deep software-hardware co-design and optimization, which is crucial for achieving high inference efficiency, low power consumption, and unlocking advanced Agent capabilities. 3. On-device/Cloud Model Matrix: The 'intelligence source.' On-device models handle everyday tasks with low latency and high privacy, while cloud models tackle complex requests. The article emphasizes that self-developed on-device models (like Gemini Nano, Apple's ~3B model) are critical for deep integration with the specific hardware and Runtime.

QHow does the article use Google's Gemini Nano on Tensor G5 as an example of deep layer synergy?

AThe article cites Google's Gemini Nano v3 running on the Tensor G5 chip as a prime example of performance gains from deep synergy. While the Tensor G5's TPU saw a maximum 60% performance increase over G4, Gemini Nano's on-device processing speed improved by 2.6x, and energy consumption halved. This disproportionate gain is attributed to the co-design of the model's Matryoshka Transformer architecture with the Tensor G5's TPU, showcasing how tight integration between the chip (Layer 2) and the on-device model (Layer 3), orchestrated by the Runtime (Layer 1), yields superior results that cannot be achieved by improving a single layer in isolation.

QBesides the three-layer foundation, what other long-term variables are mentioned as crucial for OS Agent competitiveness?

AThe article identifies two other key long-term variables: 1. Agent-App Interaction: How the OS Agent accesses app functionality. There's a tension between screen-reading/automation (less reliable) and deep API integration (like Google's AppFunctions, Apple's App Intents). The latter is more powerful but requires app developers to expose their core features, leading to a potential power struggle over user traffic and data. 2. Privacy Protection: This is a fundamental value and a prerequisite for user trust. The article highlights Apple's hardware-level security (Secure Enclave) and Private Cloud Compute as a benchmark, turning privacy into a core brand asset ('Privacy. That’s Apple.') that supports its competitive position in the high-end market.

QAccording to the article, the trend of Agentified OS is not limited to which devices?

AThe article explicitly states that the trend of Agentified OS and the underlying foundational capabilities are not limited to just smartphones and PCs. It is expanding to other terminals, particularly within each company's multi-device ecosystem: - IoT and Smart Homes: Through frameworks like Huawei's '1+8+N' or Xiaomi's 'Human-Vehicle-Home Full Ecosystem.' - Automotive: With controlled chips (e.g., Huawei's car-grade Kirin, Xiaomi's HyperOS) moving into vehicles. - Wearables/XR: On-device models are being adapted for lightweight hardware like smart glasses (e.g., Google's upcoming Android XR glasses). The battle for OS Agents is described as extending far beyond the胜负 (victory or defeat) in the phone and PC markets.

Пов'язані матеріали

Three Years Later: Looking Back at My Predictions About ChatGPT in 2023

Three Years Later: Revisiting My 2023 Predictions on ChatGPT In March 2023, shortly after ChatGPT's launch, I made 20 predictions about its future. Now, in mid-2026, I've used AI agents to fact-check each one against the latest data. Overall, most major directional forecasts were correct, with only one outright error (incorrectly stating GPT-4 had 100 trillion parameters). Key successes included predicting that RAG and retrieval architectures would become the standard for handling knowledge and hallucinations, that natural language interfaces (LUI) would create a massive new industry layer beyond the models themselves, and that China would develop viable large language models, significantly closing the performance gap with Western counterparts within about three years. Predictions about the absence of mass unemployment, the rise of a new "robot network" for agent communication, and ChatGPT not possessing consciousness also held true in their core arguments. However, the "devil was in the details." Errors frequently involved specific numbers, timelines, or overlooking distributional effects. I tended to overestimate the speed of adoption (e.g., for agent networks) while underestimating the ultimate scale of capabilities or costs (e.g., AI winning IMO gold without tools, or the extreme capital required for frontier models). Other misjudgments included: underestimating how AI would reinforce, not dissolve, information filter bubbles; incorrectly assuming AI-generated content would easily circumvent copyright (it has instead triggered record-breaking settlements); and misidentifying where value would be captured (it accrued overwhelmingly to the compute layer, like Nvidia, not just the application or model layers). Key lessons from reviewing these predictions are: 1) Directional and mechanistic insights are far more reliable than precise numbers or absolute statements. 2) There's a consistent bias to overestimate short-term speed but underestimate long-term magnitude. 3) Errors often lie in missing distributional impacts within a generally correct aggregate trend. 4) Predictions phrased with nuance and caveats aged the best. 5) Some fundamental debates (e.g., on machine consciousness or the ultimate value chain) remain unresolved even after three years. This exercise is less about scoring the past and more about establishing rules for clearer thinking about the next three years of AI.

marsbit3 год тому

Three Years Later: Looking Back at My Predictions About ChatGPT in 2023

marsbit3 год тому

Three Years Later: Looking Back on My 2023 Predictions for ChatGPT

Looking Back After Three Years: Revisiting My 2023 Predictions on ChatGPT In March 2023, shortly after ChatGPT's debut and before GPT-4's release, I made over twenty predictions about AI's future based on limited information and intuition. Now, in May 2026, I revisited those forecasts using an AI-driven analysis with 41 Opus 4.8 agents to cross-reference them with the latest data. The assessment used symbols: ✅ Correct, 🟢 Mostly Correct, 🟡 Partially Correct, ❌ Incorrect. Overall, the directional judgments held up well, with only one major factual error regarding GPT-4's rumored parameter size (incorrectly cited as 100T). However, nuances and degrees of accuracy revealed more. **What Was Largely Correct:** Predictions about mechanisms and directions proved accurate. The rise of RAG (Retrieval-Augmented Generation) as the standard architecture for combating AI hallucination was confirmed, as was the transformative potential of LUI (Language User Interface) in creating a new industry layer atop GUIs. The emergence of "robot networks" (agent-to-agent communication protocols) and China's rapid catch-up in developing capable large models (closing the performance gap with top models to ~2.7%) were also on point. The analysis affirmed that LLMs lack consciousness and that the Turing Test merely measures perceived intelligence. **What Was Off Target:** Errors often involved specific numbers, over-optimistic timelines, or misjudged distributions. The prediction that value would primarily accrue to the application layer was half-right but missed NVIDIA's dominance as the profitable infrastructure layer. Forecasts about AI circumventing copyright issues and fostering a "global common ground" by averaging human viewpoints were incorrect; instead, major copyright settlements occurred and AI personalization is increasing. Estimates for model training costs ("$5-10 billion cap") were significantly off, underestimating frontier costs and overestimating replication costs. The notion that LLMs could never do complex math without tools was disproven by later models winning IMO gold. **Key Patterns from the Review:** 1. **Direction over precision:** Judgments about mechanisms and trends were more reliable than specific numbers or definitive statements. 2. **Timing bias:** There was a tendency to overestimate short-term speed but underestimate long-term magnitude and transformation. 3. **The distribution blind spot:** Aggregate-level correctness often masked uneven impacts (e.g., on young professionals' employment). 4. **The value of qualifiers:** Predictions framed with caution (e.g., "reportedly," "for now," "prototype in 2-3 years") aged better. 5. **Some debates continue:** Issues like the nature of "emergent abilities" or machine consciousness remain unresolved. This three-year review highlights that while seeing the big picture is crucial, humility regarding specifics, timelines, and disparate impacts is essential for future forecasting.

链捕手5 год тому

Three Years Later: Looking Back on My 2023 Predictions for ChatGPT

链捕手5 год тому

AI Bubble Warning: AI Investments Are Negative Returns for Most Tech Giants

The article issues a stark warning about a potential AI investment bubble. It notes that while the AI boom shares similarities with the TMT bubble of the late 1990s, its scale is vastly larger, currently driving 93% of U.S. GDP growth. Major hyperscale cloud providers like Microsoft, Alphabet, Amazon, Meta, and Oracle are planning to invest trillions in AI data centers over the coming years. However, calculations based on analyst projections for 2025-2030 reveal a concerning math problem: expected capital expenditure growth far outpaces projected revenue growth. Even under an extremely optimistic scenario of zero costs, the implied return on investment for most of these tech giants (except Amazon) is deeply negative. This suggests that the current trajectory could lead to one of history's largest shareholder value destruction events. The piece outlines two potential escapes: AI generating vastly more revenue than currently anticipated—a near-impossible task—or a significant cutback in the planned investment splurge. The latter scenario could trigger a domino effect, severely impacting the entire tech supply chain (from Nvidia to TSMC), potentially pushing the U.S. economy into recession, and causing a major stock market downturn. The author suggests upcoming high-profile IPOs by companies like OpenAI and Anthropic might represent a transfer of risk from early investors to public market participants. While the peak of the hype cycle might sustain investment through 2026, the fundamental financial dilemma remains unresolved, setting the stage for a potential market correction in 2027 or 2028, similar to the years following Alan Greenspan's "irrational exuberance" warning.

marsbit6 год тому

AI Bubble Warning: AI Investments Are Negative Returns for Most Tech Giants

marsbit6 год тому

From Tokens to Machine Labor: AI is Shifting from Tool to "Worker"

The article "From Token to Machine Labor: AI is Evolving from Tool to 'Worker'" argues that the business model for AI is shifting beyond simply selling computational resources (tokens, GPU hours) or model access. Instead, a new "machine labor market" is emerging, where the core economic transaction is the purchase of economically useful work directly performed by software. The central thesis is that AI pricing will evolve through four stages: 1) raw tokens, 2) standardized LLM capabilities (e.g., text generation), 3) industry-specific labor markets (e.g., legal review, radiology), and finally 4) a programmable results market where tasks like resolving a support ticket are bid on and priced based on outcome. In this future, buyers will care less about *which* model or GPU completes a task and more about whether the work meets specified standards for accuracy, latency, and cost. This transition reframes the impact of AI on human labor. Rather than simple replacement, it suggests a re-coordination where machines handle standardized, verifiable work, freeing humans for roles involving oversight, context management, responsibility, and final judgment. In some cases, this "last 1%" of human input becomes more valuable as it enables the other 99% to be automated. Furthermore, as AI reduces the cost of work, demand may expand, creating larger markets (e.g., 24/7 customer service) rather than just cheaper versions of existing ones. The article concludes that while infrastructure (GPUs, models, tokens) remains crucial upstream, the market is converging on a simpler, tradeable unit: machine labor that can be defined, measured, priced, and procured based on contractible specifications.

marsbit6 год тому

From Tokens to Machine Labor: AI is Shifting from Tool to "Worker"

marsbit6 год тому

Xiaomi MiMo's 99% Price Cut is Not Marketing! Luo Fuli Posts on X to Refute Critics

The price of Xiaomi's MiMo-V2.5 series API has been permanently reduced by up to 99%, specifically for the "Input (Cache Hit)" cost, which covers users re-reading historical context in long conversations. MiMo's head, Luo Fuli, published a detailed technical blog to clarify that this drastic price cut stems from genuine engineering breakthroughs, not a marketing stunt or a simple price war. The core of the achievement lies in six key engineering optimizations. First, the model architecture adopts a Hybrid Sliding Window Attention (SWA), reducing the memory footprint (KVCache) to 1/7th of a traditional model. Second, a dual-pool memory management system actually utilizes these savings, allowing a single GPU to handle over 5 times more concurrent users. Third, an upgraded prefix caching mechanism achieves a cache hit rate of 93-95% for repeated reads, meaning most such requests bypass GPU computation entirely. Fourth, a self-developed distributed cache (GCache) utilizes idle SSD space on existing GPU servers, eliminating additional storage costs. Fifth, an intelligent scheduling system (LLM-Router) efficiently routes requests to maximize cache reuse and performance. Sixth, Multi-Token Prediction (MTP) accelerates the model's text generation ("output") side. Together, these systemic optimizations dramatically lower the real computational cost per request, enabling the 99% price reduction for cached inputs while reportedly maintaining positive gross margins. Luo Fuli's disclosure aims to shift the narrative from "price war" to a demonstration of substantive AI engineering progress.

marsbit8 год тому

Xiaomi MiMo's 99% Price Cut is Not Marketing! Luo Fuli Posts on X to Refute Critics

marsbit8 год тому

Торгівля

Спот

Ф'ючерси

Популярні статті

Що таке GROK AI

Grok AI: Революція в розмовних технологіях ери Web3 Вступ У швидко змінюваному ландшафті штучного інтелекту Grok AI вирізняється як помітний проєкт, що поєднує сфери передових технологій та взаємодії з користувачами. Розроблений компанією xAI, яку очолює відомий підприємець Ілон Маск, Grok AI прагне переосмислити, як ми взаємодіємо зі штучним інтелектом. Оскільки рух Web3 продовжує процвітати, Grok AI має на меті використати потужність розмовного ШІ для відповіді на складні запитання, надаючи користувачам досвід, який є не лише інформативним, але й розважальним. Що таке Grok AI? Grok AI — це складний розмовний чат-бот, розроблений для динамічної взаємодії з користувачами. На відміну від багатьох традиційних систем ШІ, Grok AI охоплює ширший спектр запитів, включаючи ті, які зазвичай вважаються недоречними або виходять за межі стандартних відповідей. Основні цілі проєкту включають: Надійне міркування: Grok AI акцентує увагу на здоровому глузді, щоб надавати логічні відповіді на основі контекстуального розуміння. Масштабоване управління: Інтеграція допоміжних інструментів забезпечує моніторинг та оптимізацію взаємодій користувачів для покращення якості. Формальна верифікація: Безпека є пріоритетом; Grok AI впроваджує методи формальної верифікації для підвищення надійності своїх результатів. Розуміння довгого контексту: Модель ШІ відзначається здатністю зберігати та згадувати обширну історію розмов, що сприяє змістовним та контекстуально обізнаним дискусіям. Стійкість до атак: Зосереджуючись на покращенні своїх захистів від маніпульованих або зловмисних вхідних даних, Grok AI прагне зберегти цілісність взаємодій з користувачами. По суті, Grok AI — це не просто пристрій для отримання інформації; це занурюючий розмовний партнер, який заохочує динамічний діалог. Творець Grok AI Геній, що стоїть за Grok AI, — це ніхто інший, як Ілон Маск, особа, яка стала синонімом інновацій у різних сферах, включаючи автомобільну промисловість, космічні подорожі та технології. Під егідою xAI, компанії, що зосереджена на розвитку технологій ШІ на користь суспільства, бачення Маска прагне переосмислити розуміння взаємодій з ШІ. Лідерство та основоположна етика глибоко впливають на прагнення Маска розширити технологічні межі. Інвестори Grok AI Хоча конкретні деталі щодо інвесторів, які підтримують Grok AI, залишаються обмеженими, загальновідомо, що xAI, інкубатор проєкту, заснований і підтримується переважно самим Ілоном Маском. Попередні підприємства та активи Маска забезпечують надійну підтримку, що додатково зміцнює довіру до Grok AI та потенціал для зростання. Однак наразі інформація про додаткові інвестиційні фонди або організації, що підтримують Grok AI, не є доступною, що позначає область для потенційного майбутнього дослідження. Як працює Grok AI? Операційна механіка Grok AI є такою ж інноваційною, як і його концептуальна структура. Проєкт інтегрує кілька передових технологій, які сприяють його унікальним функціональним можливостям: Надійна інфраструктура: Grok AI побудований з використанням Kubernetes для оркестрації контейнерів, Rust для продуктивності та безпеки, і JAX для високопродуктивних числових обчислень. Ця трійка забезпечує ефективну роботу чат-бота, його масштабованість та швидке обслуговування користувачів. Доступ до знань у реальному часі: Однією з відмінних рис Grok AI є його здатність отримувати дані в реальному часі через платформу X — раніше відому як Twitter. Ця можливість надає ШІ доступ до останньої інформації, що дозволяє надавати своєчасні відповіді та рекомендації, які можуть бути пропущені іншими моделями ШІ. Два режими взаємодії: Grok AI пропонує користувачам вибір між “Розважальним режимом” та “Звичайним режимом”. Розважальний режим дозволяє більш ігровий та гумористичний стиль взаємодії, тоді як Звичайний режим зосереджується на наданні точних і правильних відповідей. Ця універсальність забезпечує індивідуальний досвід, що відповідає різним уподобанням користувачів. По суті, Grok AI поєднує продуктивність із залученням, створюючи досвід, який є одночасно збагачуючим і розважальним. Хронологія Grok AI Шлях Grok AI відзначений важливими етапами, які відображають його розвиток та етапи впровадження: Початковий розвиток: Фундаментальна фаза Grok AI тривала приблизно два місяці, протягом яких проводилося початкове навчання та налаштування моделі. Випуск бета-версії Grok-2: У значному досягненні була оголошена бета-версія Grok-2. Цей випуск представив дві версії чат-бота — Grok-2 та Grok-2 mini — кожна з яких оснащена можливостями для спілкування, кодування та міркування. Публічний доступ: Після бета-розробки Grok AI став доступним для користувачів платформи X. Ті, хто має акаунти, підтверджені номером телефону та активні принаймні сім днів, можуть отримати доступ до обмеженої версії, що робить технологію доступною для ширшої аудиторії. Ця хронологія відображає систематичний розвиток Grok AI від початку до публічної взаємодії, підкреслюючи його прагнення до постійного вдосконалення та взаємодії з користувачами. Ключові особливості Grok AI Grok AI охоплює кілька ключових особливостей, які сприяють його інноваційній ідентичності: Інтеграція знань у реальному часі: Доступ до актуальної та релевантної інформації відрізняє Grok AI від багатьох статичних моделей, забезпечуючи захоплюючий та точний досвід для користувачів. Універсальні стилі взаємодії: Пропонуючи різні режими взаємодії, Grok AI задовольняє різноманітні уподобання користувачів, запрошуючи до творчості та персоналізації у спілкуванні з ШІ. Передова технологічна основа: Використання Kubernetes, Rust та JAX надає проєкту надійну основу для забезпечення надійності та оптимальної продуктивності. Етичні міркування в дискурсі: Включення функції генерації зображень демонструє інноваційний дух проєкту. Однак це також піднімає етичні питання, пов'язані з авторським правом та поважним зображенням впізнаваних фігур — триваюча дискусія в спільноті ШІ. Висновок Як піонер у сфері розмовного ШІ, Grok AI втілює потенціал трансформаційних користувацьких досвідів в цифрову епоху. Розроблений компанією xAI та керований візією Ілона Маска, Grok AI інтегрує знання в реальному часі з передовими можливостями взаємодії. Він прагне розширити межі того, що може досягти штучний інтелект, зберігаючи при цьому акцент на етичних міркуваннях та безпеці користувачів. Grok AI не лише втілює технологічний прогрес, але й представляє нову парадигму спілкування в ландшафті Web3, обіцяючи залучити користувачів як глибокими знаннями, так і ігровою взаємодією. Оскільки проєкт продовжує розвиватися, він слугує свідченням того, що може досягти перетин технологій, творчості та людської взаємодії.

442 переглядів усьогоОпубліковано 2024.12.26Оновлено 2024.12.26

Що таке ERC AI

Euruka Tech: Огляд $erc ai та його амбіцій у Web3 Вступ У швидко змінюваному ландшафті технології блокчейн та децентралізованих додатків нові проекти з'являються часто, кожен з унікальними цілями та методологіями. Одним з таких проектів є Euruka Tech, який працює у широкій сфері криптовалют та Web3. Основна увага Euruka Tech, зокрема його токена $erc ai, зосереджена на представленні інноваційних рішень, розроблених для використання зростаючих можливостей децентралізованих технологій. Ця стаття має на меті надати всебічний огляд Euruka Tech, дослідження його цілей, функціональності, ідентичності його творця, потенційних інвесторів та його значення в ширшому контексті Web3. Що таке Euruka Tech, $erc ai? Euruka Tech характеризується як проект, який використовує інструменти та функціональність, що пропонуються середовищем Web3, зосереджуючи увагу на інтеграції штучного інтелекту у своїй діяльності. Хоча конкретні деталі про структуру проекту дещо неясні, він розроблений для покращення залучення користувачів та автоматизації процесів у крипто-просторі. Проект має на меті створити децентралізовану екосистему, яка не лише полегшує транзакції, але й включає прогностичні функції через штучний інтелект, звідси і назва його токена, $erc ai. Мета полягає в тому, щоб надати інтуїтивно зрозумілу платформу, яка сприяє розумнішим взаємодіям та ефективній обробці транзакцій у зростаючій сфері Web3. Хто є творцем Euruka Tech, $erc ai? На даний момент інформація про творця або засновницьку команду Euruka Tech залишається невизначеною та дещо непрозорою. Ця відсутність даних викликає занепокоєння, оскільки знання про бекграунд команди часто є важливим для встановлення довіри в секторі блокчейн. Тому ми класифікували цю інформацію як невідому, поки конкретні деталі не стануть доступними в публічному домені. Хто є інвесторами Euruka Tech, $erc ai? Аналогічно, ідентифікація інвесторів або організацій, які підтримують проект Euruka Tech, не надається через доступні дослідження. Аспект, який є критично важливим для потенційних зацікавлених сторін або користувачів, які розглядають можливість співпраці з Euruka Tech, - це впевненість, що походить від встановлених фінансових партнерств або підтримки від авторитетних інвестиційних компаній. Без розкриття інформації про інвестиційні зв'язки важко зробити всебічні висновки про фінансову безпеку або довговічність проекту. Відповідно до знайденої інформації, цей розділ також має статус невідомий. Як працює Euruka Tech, $erc ai? Незважаючи на відсутність детальних технічних специфікацій для Euruka Tech, важливо враховувати його інноваційні амбіції. Проект прагне використовувати обчислювальну потужність штучного інтелекту для автоматизації та покращення досвіду користувачів у середовищі криптовалют. Інтегруючи ШІ з технологією блокчейн, Euruka Tech має на меті надати такі функції, як автоматизовані угоди, оцінка ризиків та персоналізовані інтерфейси користувачів. Інноваційна суть Euruka Tech полягає в його меті створити безшовний зв'язок між користувачами та величезними можливостями, які пропонують децентралізовані мережі. Завдяки використанню алгоритмів машинного навчання та ШІ, він має на меті мінімізувати труднощі для нових користувачів і спростити транзакційні досвіди в рамках Web3. Ця симбіоз між ШІ та блокчейном підкреслює значення токена $erc ai, який виступає як міст між традиційними інтерфейсами користувачів та розвиненими можливостями децентралізованих технологій. Хронологія Euruka Tech, $erc ai На жаль, через обмежену інформацію про Euruka Tech ми не можемо представити детальну хронологію основних подій або досягнень у подорожі проекту. Ця хронологія, яка зазвичай є безцінною для відстеження еволюції проекту та розуміння його траєкторії зростання, наразі недоступна. Як тільки інформація про значні події, партнерства або функціональні доповнення стане очевидною, оновлення, безумовно, підвищать видимість Euruka Tech у крипто-сфері. Роз'яснення щодо інших проектів “Eureka” Варто зазначити, що кілька проектів та компаній мають схожу назву з “Eureka”. Дослідження виявило ініціативи, такі як AI-агент від NVIDIA Research, який зосереджується на навчанні роботів складним завданням за допомогою генеративних методів, а також Eureka Labs та Eureka AI, які покращують користувацький досвід в освіті та аналітиці обслуговування клієнтів відповідно. Однак ці проекти відрізняються від Euruka Tech і не повинні бути змішані з його цілями чи функціональністю. Висновок Euruka Tech, разом із його токеном $erc ai, представляє обіцяючого, але наразі невідомого гравця в ландшафті Web3. Хоча деталі про його творця та інвесторів залишаються невідомими, основна амбіція поєднання штучного інтелекту з технологією блокчейн є центром інтересу. Унікальні підходи проекту до сприяння залученню користувачів через передову автоматизацію можуть виділити його на фоні прогресу екосистеми Web3. Оскільки крипто-ринок продовжує еволюціонувати, зацікавлені сторони повинні уважно стежити за новинами, пов'язаними з Euruka Tech, оскільки розвиток задокументованих інновацій, партнерств або визначеного дорожньої карти може представити значні можливості в найближчому майбутньому. На даний момент ми чекаємо на більш суттєві інсайти, які можуть розкрити потенціал Euruka Tech та його позицію в конкурентному крипто-ландшафті.

423 переглядів усьогоОпубліковано 2025.01.02Оновлено 2025.01.02

Що таке DUOLINGO AI

DUOLINGO AI: Інтеграція вивчення мов з Web3 та інноваціями штучного інтелекту В епоху, коли технології змінюють освіту, інтеграція штучного інтелекту (ШІ) та блокчейн-мереж відкриває нові горизонти для вивчення мов. З'являється DUOLINGO AI та його асоційована криптовалюта, $DUOLINGO AI. Цей проект прагне об'єднати освітні можливості провідних платформ для вивчення мов з перевагами децентралізованих технологій Web3. У цій статті розглядаються ключові аспекти DUOLINGO AI, його цілі, технологічна структура, історичний розвиток та майбутній потенціал, зберігаючи чіткість між оригінальним освітнім ресурсом та цією незалежною криптовалютною ініціативою. Огляд DUOLINGO AI В основі DUOLINGO AI лежить прагнення створити децентралізоване середовище, де учні можуть отримувати криптографічні винагороди за досягнення освітніх етапів у мовній компетенції. Застосовуючи смарт-контракти, проект має на меті автоматизувати процеси перевірки навичок та розподілу токенів, дотримуючись принципів Web3, які підкреслюють прозорість та власність користувачів. Модель відрізняється від традиційних підходів до вивчення мов, акцентуючи увагу на структурі управління, що базується на спільноті, що дозволяє власникам токенів пропонувати поліпшення змісту курсів та розподілу винагород. Деякі з помітних цілей DUOLINGO AI включають: Гейміфіковане навчання: Проект інтегрує досягнення на блокчейні та невзаємозамінні токени (NFT), щоб представляти рівні мовної компетенції, сприяючи мотивації через захоплюючі цифрові винагороди. Децентралізоване створення контенту: Це відкриває можливості для викладачів та мовних ентузіастів вносити свої курси, сприяючи моделі розподілу доходів, яка вигідна всім учасникам. Персоналізація на основі ШІ: Використовуючи сучасні моделі машинного навчання, DUOLINGO AI персоналізує уроки, щоб адаптуватися до індивідуального прогресу навчання, подібно до адаптивних функцій, що є в усталених платформах. Творці проекту та управління Станом на квітень 2025 року команда, що стоїть за $DUOLINGO AI, залишається псевдонімною, що є поширеною практикою в децентралізованому криптовалютному середовищі. Ця анонімність має на меті сприяти колективному розвитку та залученню зацікавлених сторін, а не зосереджуватися на окремих розробниках. Смарт-контракт, розгорнутий на блокчейні Solana, зазначає адресу гаманця розробника, що свідчить про зобов'язання до прозорості щодо транзакцій, незважаючи на те, що особи творців залишаються невідомими. Згідно з його дорожньою картою, DUOLINGO AI прагне перетворитися на Децентралізовану Автономну Організацію (DAO). Ця структура управління дозволяє власникам токенів голосувати з важливих питань, таких як реалізація функцій та розподіл скарбниці. Ця модель узгоджується з етикою розширення прав і можливостей спільноти, що спостерігається в різних децентралізованих додатках, підкреслюючи важливість колективного прийняття рішень. Інвестори та стратегічні партнерства На даний момент немає публічно відомих інституційних інвесторів або венчурних капіталістів, пов'язаних з $DUOLINGO AI. Натомість ліквідність проекту в основному походить з децентралізованих бірж (DEX), що є різким контрастом до стратегій фінансування традиційних компаній у сфері освітніх технологій. Ця модель знизу вгору вказує на підхід, орієнтований на спільноту, що відображає зобов'язання проекту до децентралізації. У своєму білому документі DUOLINGO AI згадує про формування співпраці з неуточненими “блокчейн-освітніми платформами”, спрямованими на збагачення своїх курсів. Хоча конкретні партнерства ще не були розкриті, ці спільні зусилля натякають на стратегію поєднання інновацій блокчейну з освітніми ініціативами, розширюючи доступ та залучення користувачів у різноманітні навчальні напрямки. Технологічна архітектура Інтеграція ШІ DUOLINGO AI включає два основні компоненти на основі ШІ для покращення своїх освітніх пропозицій: Адаптивний навчальний двигун: Цей складний двигун навчається на основі взаємодій користувачів, подібно до власних моделей великих освітніх платформ. Він динамічно регулює складність уроків, щоб вирішувати конкретні проблеми учнів, зміцнюючи слабкі місця через цілеспрямовані вправи. Розмовні агенти: Використовуючи чат-боти на базі GPT-4, DUOLINGO AI надає платформу для користувачів, щоб брати участь у симульованих розмовах, сприяючи більш інтерактивному та практичному досвіду вивчення мови. Інфраструктура блокчейну Побудований на блокчейні Solana, $DUOLINGO AI використовує комплексну технологічну структуру, яка включає: Смарт-контракти для перевірки навичок: Ця функція автоматично нагороджує токенами користувачів, які успішно проходять тести на компетентність, підкріплюючи структуру стимулів для справжніх навчальних результатів. NFT значки: Ці цифрові токени позначають різні етапи, яких досягають учні, такі як завершення розділу курсу або оволодіння конкретними навичками, що дозволяє їм обмінюватися або демонструвати свої досягнення в цифровому форматі. Управління DAO: Члени спільноти, наділені токенами, можуть брати участь в управлінні, голосуючи за ключові пропозиції, що сприяє культурі участі, яка заохочує інновації в курсах та функціях платформи. Історичний хронологічний графік 2022–2023: Концептуалізація Основи DUOLINGO AI закладаються з створення білого документа, що підкреслює синергію між досягненнями ШІ у вивченні мов та децентралізованим потенціалом блокчейн-технологій. 2024: Бета-реліз Обмежений бета-реліз представляє пропозиції з популярних мов, винагороджуючи ранніх користувачів токенами в рамках стратегії залучення спільноти проекту. 2025: Перехід до DAO У квітні відбувається повний запуск основної мережі з обігом токенів, що спонукає обговорення в спільноті щодо можливих розширень на азійські мови та інші розробки курсів. Виклики та майбутні напрямки Технічні труднощі Незважаючи на свої амбітні цілі, DUOLINGO AI стикається з суттєвими викликами. Масштабованість залишається постійною проблемою, особливо в балансуванні витрат, пов'язаних із обробкою ШІ, та підтриманням чутливої, децентралізованої мережі. Крім того, забезпечення якості створення контенту та модерації в умовах децентралізованої пропозиції створює складнощі у підтримці освітніх стандартів. Стратегічні можливості Дивлячись у майбутнє, DUOLINGO AI має потенціал використовувати партнерства з мікрокреденційними академічними установами, надаючи блокчейн-верифіковані підтвердження мовних навичок. Крім того, розширення через різні блокчейни може дозволити проекту залучити ширші бази користувачів та додаткові екосистеми блокчейну, покращуючи його взаємодію та охоплення. Висновок DUOLINGO AI представляє інноваційне злиття штучного інтелекту та блокчейн-технологій, пропонуючи альтернативу, орієнтовану на спільноту, традиційним системам вивчення мов. Хоча його псевдонімна розробка та нова економічна модель несуть певні ризики, зобов'язання проекту до гейміфікованого навчання, персоналізованої освіти та децентралізованого управління освітлює шлях вперед для освітніх технологій у сфері Web3. Оскільки ШІ продовжує розвиватися, а екосистема блокчейну еволюціонує, ініціативи на кшталт DUOLINGO AI можуть переосмислити, як користувачі взаємодіють з мовною освітою, наділяючи спільноти та винагороджуючи залучення через інноваційні механізми навчання.

450 переглядів усьогоОпубліковано 2025.04.11Оновлено 2025.04.11

Обговорення

Ласкаво просимо до спільноти HTX. Тут ви можете бути в курсі останніх подій розвитку платформи та отримати доступ до професійної ринкової інформації. Нижче представлені думки користувачів щодо ціни AI (AI).