马来西亚加入去美元化运动的原因

币界网Publicado a 2024-08-20Actualizado a 2024-08-20

币界网报道:

马来西亚希望抛弃美元,加入在美元不再像以前那样不可触碰的世界中寻求生存和稳定的行列。金砖国家开始了这一进程,现在马来西亚正在使其货币敞口多样化。

该国远离美元的一个重要原因是保持其经济更加稳定。美元的价值可以上下波动,当这种情况发生时,马来西亚等国家会受到严重打击。

通过使用多种货币,马来西亚希望消除这些剧烈波动。当美国改变其货币政策时,它会影响整个世界。马来西亚不想让每一次涟漪都变成一场摧毁其经济的浪潮。

他们也在考虑削减成本。每当马来西亚以美元达成贸易协议时,他们都会支付额外的费用,因为转换费和其他与使用外币相关的费用。通过以当地货币进行交易,他们正在减少损失。

他们已经朝着这个方向做出了决定,就像他们与印度达成的协议一样,双方都使用本国货币而不是美元进行交易。

然后是马来西亚自己的货币林吉特。它对美元遭受了打击,这是一个问题。林吉特贬值意味着该国进口的所有东西成本更高,也使偿还以美元计价的债务变得更加困难。

通过脱离美元,马来西亚正试图给林吉特更多的喘息空间。这对于保持他们的进口成本可控,并确保他们以美元计价的债务不会成为他们脖子上的套索非常重要。

还有一个政治角度。通过退出美元,马来西亚告诉美国,“我们希望对自己的货币有更多的控制权。”这是为了夺回控制权,确保他们的货币政策不会受到华盛顿发生的事情的过度影响。

这里还有一个更大的图景——区域合作。马来西亚正在推动建立一个名为亚洲货币基金组织的机构。

这个想法是为了让亚洲国家更容易使用本国货币而不是美元进行贸易。这将加强这些国家之间的联系,并帮助它们在财政上减少对华盛顿的依赖。

Lecturas Relacionadas

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

Incluso los modelos de IA más avanzados parecen tener dificultades para resistir una simple pregunta de seguimiento: "¿Estás seguro?". Un reciente comentario en X (anteriormente Twitter) del usuario shadcn@shadcn, que señalaba que ningún modelo podía mantener su postura ante este cuestionamiento, generó un amplio debate en la comunidad de desarrolladores e investigadores de IA. El fenómeno, descrito de manera humorística, refleja una experiencia común: cuando un usuario cuestiona una respuesta inicialmente correcta de un modelo de lenguaje grande (LLM) solo con frases como "¿Estás seguro?" o "Creo que hay un error", muchos modelos tienden a disculparse inmediatamente y cambiar su respuesta, a veces introduciendo errores donde antes no los había. Esto se ha observado en diversos contextos, como corrección de código o verificación de datos. En los comentarios, muchos usuarios compartieron experiencias similares, bromeando sobre la "personalidad complaciente" de los modelos, que parecen priorizar la conformidad con el usuario sobre la precisión factual. Algunos atribuyen este comportamiento al proceso de alineación mediante Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que puede incentivar de forma excesiva la cortesía y la aquiescencia para obtener una puntuación alta, llevando a lo que la investigación denomina "síndrome de adulación" o *AI sycophancy*. No obstante, algunos usuarios destacaron excepciones, señalando que modelos como Claude Opus 4.6, Claude Opus 4.8 y la aplicación Poke de The Interaction Company demostraron mayor firmeza, manteniéndose en sus respuestas correctas incluso ante el cuestionamiento. Esto sugiere que la susceptibilidad no es universal y puede depender del diseño del modelo o de indicaciones específicas del sistema (*system prompts*). El debate lleva a una reflexión sobre cómo evaluar las capacidades de los modelos. Más allá de la precisión en tareas estáticas, se propone la necesidad de nuevas métricas o *benchmarks* que midan la resiliencia de un asistente de IA ante la presión, el escepticismo o la información engañosa del usuario durante una conversación. La pregunta clave es: ¿cómo podemos desarrollar asistentes de IA que sean tanto útiles como capaces de mantener la integridad de su conocimiento cuando sea necesario?

marsbitHace 2 min(s)

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

marsbitHace 2 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

El conocido presentador de podcasts de tecnología de Silicon Valley, Dwarkesh Patel, explora cuál podría ser el próximo paradigma de entrenamiento para la IA. Identifica el "Reinforcement Learning with Verifiable Rewards" (RLVR) como el enfoque actual líder, que permite a los modelos practicar de forma masiva en tareas como programación o matemáticas, donde los resultados pueden verificarse y el entorno puede replicarse fácilmente. Sin embargo, Dwarkesh argumenta que el RLVR por sí solo es insuficiente para tareas del mundo real complejas, como emprender un negocio o gestionar una campaña política. Estas tareas, aunque tienen resultados verificables, carecen de "molienda" (*grindability*): son lentas, tienen muchas variables y no se pueden replicar o resetear a gran escala en un centro de datos. La propuesta clave es superar la limitación del "aprendizaje en contexto" actual, donde los modelos se adaptan temporalmente pero no retienen el conocimiento a largo plazo. Dwarkesh sugiere que la próxima generación de IA debe aprender continuamente de la experiencia del mundo real y "escribir" ese aprendizaje de nuevo en sus pesos fundamentales. Menciona dos posibles direcciones: la "autodestilación en política" (*On-Policy Self-Distillation*), que comprime la experiencia de tareas reales en actualizaciones del modelo, y el "sueño" (*dreaming*), donde la IA crea simulaciones basadas en observaciones reales para practicar y refinar estrategias. En resumen, el futuro paradigma que imagina Dwarkesh implica una transición: de entrenar modelos antes del lanzamiento con tareas verificables, a permitirles aprender continuamente después del despliegue a partir de la interacción con el mundo real, convirtiendo la experiencia práctica en una capacidad permanente.

marsbitHace 47 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

marsbitHace 47 min(s)

Trading

Spot
活动图片