若“懂王”当选,加密货币或成为主要的“特朗普交易”!

jin10Publicado a 2024-06-25Actualizado a 2024-06-25

Bernstein分析师表示,在当前选举周期中,随着共和党前景较好且该党领袖特朗普越来越支持加密货币,加密货币可能成为新的“特朗普交易”。

Gautam Chhugani和Mahika Sapra在周一发布的一份报告中写道,共和党人认为对加密货币行业采取友好态度,既是一种赢得选民的方式,也是从支持亲加密货币政客的超级政治行动委员会(Super PAC)那里获得竞选资金的方式。

最初的“特朗普交易”概念是在特朗普2016年赢得总统选举后,美国股市、美债收益率和美元同时飙升的情况下提出的。根据这份报告,如果特朗普这次获胜,将导致加密货币的反弹,这得益于机构采用和监管环境的改善。

分析师写道:“共和党不仅将加密货币视为票仓,而且视其为重要的资金来源。如果选举情绪进一步向共和党倾斜,加密货币最终将成为主要的‘特朗普交易’,对有利的监管制度的希望将改变围绕区块链‘使用案例’的叙事。”

本月早些时候,特朗普在Mar-a-Lago与几家比特币矿商的领导人会面,并表达了他对加密货币的支持。他表示,如果再次当选总统,他将成为加密货币矿业的倡导者。

特朗普后来在他的Truth Social账户上发帖称,他希望所有剩余的比特币都是“美国制造!!!”

尽管他发出了亲加密货币的信号,但TD Cowen的一份报告显示,如果特朗普当选,他仍可能重新成为加密货币怀疑者。

Cowen的报告指出,特朗普在2024年首场总统辩论中对加密货币的言论,将成为其潜在政府监管行动的风向标。报告称:“如果他没有表现出完全支持的态度,这可能会加剧人们的焦虑,即如果他再次当选,他将回到第一任期时对加密货币的怀疑态度。”

报告还指出,拜登可能在当地时间周四的辩论中重新定位自己对加密货币的立场。

在拜登政府期间,美国证券交易委员会(SEC)因其对加密货币交易平台的严厉打压,而遭到加密货币倡导者的批评。即便如此,由于SEC今年早些时候批准了现货比特币和以太坊ETF,许多观察人士认为SEC的立场正在软化。

现货比特币ETF已促使全球最大的加密货币获得机构采用,并使其今年上涨近37%。即使现货以太币ETF尚未正式上市,该代币今年也上涨了近40%。

Cowen的报告称:“我们敦促交易者谨慎对待任何候选人关于加密货币的言论。其言论可能很重要,但我们最终认为,假设候选人都能兑现承诺将是错误的。

Lecturas Relacionadas

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

En el mundo de la IA, se está produciendo un cambio de paradigma: el "prompt" (instrucción directa) pierde relevancia frente al "loop" (bucle o ciclo). Según expertos como Jensen Huang (fundador de NVIDIA), Peter, Boris Cherny (creador de Claude Code) y Andrew Ng, la nueva tarea clave no es escribir prompts detallados, sino diseñar y gestionar loops. ¿Qué es un loop? Es un sistema automatizado donde la IA recibe un objetivo general, ejecuta tareas, las verifica automáticamente y, si no cumple los criterios, reintenta de forma independiente hasta completarlo o alcanzar un límite. Esto libera al humano de supervisar cada paso, transformándolo de "instructor" a "diseñador de reglas". Un loop no es lo mismo que un agente de IA: el agente ejecuta, mientras que el loop es el mecanismo que orquesta y automatiza su trabajo continuo sin intervención constante. Productos como Claude Code y OpenAI Codex ya implementan esta idea. Claude Code ofrece funciones como `/goal` (ejecución orientada a objetivos) y `/schedule` (tareas programadas), utilizando modelos separados para generar código (modelo principal) y para validarlo (modelo más pequeño como Haiku), asegurando una verificación objetiva. Codex emplea una "línea de ensamblaje automatizada" con múltiples subagentes que trabajan en paralelo. Boris Cherny describe cómo dirige cientos de pequeños agentes en loops automatizados que manejan desde issues de GitHub hasta fallos en CI, interviniendo solo en casos excepcionales. Para implementar loops efectivos, se recomienda: 1) Evaluar si la tarea es repetitiva, verificable automáticamente, con presupuesto de tokens viable y con herramientas adecuadas. 2) Comenzar con un loop mínimo viable (disparador, habilidad/Skill, archivo de estado STATE.md y compuerta/Gate de verificación). 3) Separar siempre la generación de código de su validación, usando agentes o modelos independientes para evitar sesgos. 4) Evitar errores comunes: establecer condiciones de parada claras (límites de tokens, iteraciones), persistir el estado en archivos, asignar solo tareas con criterios objetivos verificables por máquina (como corrección de Lint) y revisar los cambios (diffs) para mantener la comprensión del código. 5) Medir el éxito por el "costo promedio por modificación aceptada"; una tasa de aceptación inferior al 50% indica ineficiencia. Este enfoque representa la evolución natural en la ingeniería de IA: desde el "Prompt Engineering" (2023-2024, enfocado en redactar instrucciones), pasando por el "Context Engineering" (2024-2025, organizar la información de fondo), luego el "Harness Engineering" (2025-2026, crear entornos de ejecución con herramientas), hasta el actual "Loop Engineering". El nivel de control humano asciende desde frases específicas hacia el diseño de sistemas autónomos. Conceptos académicos como el marco ReAct (Reason+Act, 2022) de Shunyu Yao, que integra razonamiento y acción en un ciclo, sentaron las bases teóricas. A pesar del entusiasmo, expertos como Addy Osmani (Google) advierten sobre la etapa temprana de esta tecnología y los costos de tokens. Andrej Karpathy subraya una reflexión crucial: aunque la IA puede externalizar la ejecución, la comprensión profunda del problema sigue siendo responsabilidad humana. El loop marca un paso hacia una automatización más autónoma, pero su adopción requiere cuidado y criterio.

marsbitHace 1 hora(s)

Huang Renxun: El Prompt está quedando obsoleto, Loop es el nuevo paradigma

marsbitHace 1 hora(s)

GPT diseña GPT

OpenAI ha presentado su primer chip, Jalapeño, un cambio estratégico que va más allá de competir con Nvidia. La empresa busca controlar todo el proceso de producción de inteligencia artificial, desde los modelos hasta el hardware, la energía y los centros de datos. La brecha entre modelos líderes se está reduciendo, mientras que la ventaja competitiva se desplaza a capas más profundas: suministro de computación, costes de inferencia y eficiencia de sistemas. Cada token generado implica un costo, y OpenAI, con productos de gran consumo como ChatGPT, necesita reducir esta "tasa de inferencia" para fortalecer su rentabilidad y defensa competitiva a largo plazo. Jalapeño, un chip ASIC optimizado para inferencia de modelos de lenguaje, fue desarrollado en solo nueve meses con Broadcom. Este plazo résubevela la ventaja clave de OpenAI: utiliza su propio conocimiento interno sobre cómo se ejecutan sus modelos masivos en producción para guiar el diseño del hardware. Esencialmente, GPT ayuda a diseñar las máquinas que ejecutarán la próxima generación de GPT, creando un ciclo de retroalimentación potente. El enfoque en la inferencia es crucial porque, a diferencia del entrenamiento (una inversión puntual enorme), la inferencia consume el flujo de caja diario. Al optimizarla, OpenAI reduce costes operativos fundamentales para su escalabilidad comercial, especialmente con futuros agentes de IA que realizarán cadenas largas de razonamiento. Este movimiento refleja una ambición mayor: OpenAI no quiere ser solo un proveedor de modelos, sino construir un ecosistema integrado al estilo de Apple, donde el software, el hardware y la infraestructura se optimizan mutuamente en un ciclo cerrado. A corto plazo depende de Nvidia, pero al trazar su propia hoja de ruta de chips, emerge como un nuevo tipo de actor en la infraestructura de IA. En resumen, OpenAI ya no aspira solo a crear la inteligencia más avanzada, sino a controlar los medios completos de su producción.

marsbitHace 1 hora(s)

GPT diseña GPT

marsbitHace 1 hora(s)

Trading

Spot
Futuros
活动图片