Hacker With $100 Million In Shiba Inu On The Move Again

bitcoinistPublicado a 2024-09-11Actualizado a 2024-09-12

Resumen

In a disturbing turn of events, the attacker behind the WazirX cryptocurrency breach, who made off with $100 million in...

In a disturbing turn of events, the attacker behind the WazirX cryptocurrency breach, who made off with $100 million in Shiba Inu, continues to launder stolen Ethereum (ETH). According to Spot On Chain, a leading on-chain intelligence and analytics platform, the WazirX attacker recently initiated the transfer of 10,000 ETH, valued at approximately $23.3 million at the time of the transaction, as part of efforts to launder the stolen funds. This comes amidst Ethereum’s struggle to climb towards $2,400. 

Explaining The Shiba Inu Hacker’s Activity

WazirX, one of India’s largest cryptocurrency exchanges, suffered a breach in July that led to the theft of around $230 million in crypto assets. Most notable of these crypto assets included over $100 million worth of Shiba Inu and $52 million worth of ETH. According to Elliptic, the attack was carried out by hackers linked to North Korea. 

According to Arkham Intelligence, a blockchain analytics firm, these hackers wasted no time in offloading their stolen assets. In particular, they immediately began liquidating the vast reserves of Shiba Inu at their disposal. This sudden and massive sale of Shiba Inu tokens had an almost instantaneous impact on the market, causing a sharp decline in the price of Shiba Inu as traders reacted to the influx of supply.

Since the initial breach, the hackers have continued their systematic efforts to launder and liquidate the stolen cryptocurrencies, with Ethereum being a major focus. The latest laundering move was the transfer of 5,000 ETH to Tornado Cash, the controversial privacy protocol occasionally employed by hackers to clean stolen ETH. Spot On Chain also noted another $5,000 to a new address, probably for further laundering.

In the past eight days, the hackers have laundered 12,600 ETH worth $30.13 million. At the time of writing, the hackers are still in control of 43,805 ETH, with a value of approximately $102.17 million. In addition to the large Ethereum stash, they hold various other tokens, bringing the cumulative value of their stolen crypto assets to $107.58 million.

The sheer volume of tokens at their disposal poses a threat to the broader cryptocurrency market, particularly Ethereum. With the market already experiencing volatility and ETH struggling to stay above crucial support levels, any further sell-offs by the hackers could create more selling pressure and lead to more instability in its price.

After an initial back-and-forth of blaming crypto custody firm Liminal, WazirX has begun implementing a comprehensive restructuring plan to address the financial fallout from the hack. However, this process could take a while, as the stolen funds account for around 45% of the exchange’s $500 million holdings, according to a June report.

At the time of writing, Ethereum is trading at $2,330 and is down by 2.78% in the past seven days. However, the crypto has increased by 7.22% from a bottom of $2,173 on September 6.

Shiba Inu price chart from Tradingview.com (Ethereum)
SHIB price struggles under bearish pressure | Source: SHIBUSDT on Tradingview.com
Featured image created with Dall.E, chart from Tradingview.com
Scott Matherson

Scott Matherson

Scott Matherson is a leading crypto writer at Bitcoinist, who possesses a sharp analytical mind and a deep understanding of the digital currency landscape. Scott has earned a reputation for delivering thought-provoking and well-researched articles that resonate with both newcomers and seasoned crypto enthusiasts. Outside of his writing, Scott is passionate about promoting crypto literacy and often works to educate the public on the potential of blockchain.

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