2026 Pencairan Dana Kripto: Game dan DePIN Mati, Dua Transaksi Pasar Prediksi Habiskan 18% Dana Tahunan

marsbitDipublikasikan tanggal 2026-05-08Terakhir diperbarui pada 2026-05-08

Abstrak

Menyusun data pendanaan crypto periode 1 Januari hingga 6 Mei 2026, laporan dari Memento Research mengungkap pergeseran besar dalam aliran modal. Total 305 putaran pendanaan mengumpulkan $8.65 miliar, namun angka ini sangat didorong oleh dua transaksi akuisisi besar pada Maret: BVNK ($1.8 miliar) dan platform pasar prediksi Kalshi ($1 miliar). Tanpa kedua deal ini, kecepatan pendanaan riil hanya sekitar $1 miliar per bulan, lebih lemah dari akhir 2025. Sektor Pembayaran ($3.74 miliar) dan Konsumen ($2.48 miliar) mendominasi, menyerap 72% dari total dana. Sementara itu, pendanaan untuk Game dan DePIN hampir menghilang. Dalam segmen Konsumen, dua platform pasar prediksi—Kalshi ($1 miliar) dan Polymarket ($600 juta)—berdiri sendiri, dengan kombinasi $1.6 miliar mereka melebihi total seluruh 47 pendanaan DeFi ($1.06 miliar) dan mencakup 18% dari total dana tahun ini. Tren signifikan lainnya adalah bangkitnya M&A (Merger dan Akuisisi). Transaksi akuisisi sebanyak 48 (23% dari total) hampir menyamai jumlah pendanaan seed round (57). Ini menandai pergeseran siklus dari membiayai ide-ide baru ke konsolidasi dan akuisisi pemain yang sudah mapan. Peringkat investor juga berubah: Coinbase Ventures paling aktif (18 deal), diikuti oleh Tether (13 deal), Animoca Brands (11 deal), GSR (11 deal), dan a16z yang mengalami penurunan partisipasi tajam (7 deal).

Penulis: Memento Research

Kompilasi: TechFlow Deep Tides

Panduan Deep Tides: Data pendanaan kripto 4 bulan pertama tahun 2026 mengungkapkan realitas yang keras: jalur pendanaan untuk game dan DePIN hampir habis, sementara dua perusahaan pasar prediksi, Kalshi dan Polymarket, mengambil lebih banyak uang daripada semua proyek DeFi dalam setahun. Yang lebih mengkhawatirkan, jumlah transaksi merger dan akuisisi (M&A) telah menyamai putaran seed (bibit), yang menandakan bahwa modal beralih dari bertaruh pada ide baru ke akuisisi pemain utama yang sudah ada.

Tinjauan Pendanaan: Lonjakan Maret Hanyalah Ilusi

Dari 1 Januari hingga 6 Mei 2026, industri kripto menyelesaikan total 305 putaran pendanaan dengan nilai kumulatif 8,65 miliar dolar AS. Namun, "lonjakan" 4,57 miliar dolar AS pada Maret sebenarnya hanya berasal dari dua transaksi merger dan akuisisi berskala besar: BVNK sebesar 1,8 miliar dolar AS dan Kalshi sebesar 1 miliar dolar AS.

Jika kedua transaksi ini dikeluarkan, kecepatan pendanaan nyata hanya sekitar 1 miliar dolar AS per bulan, bahkan lebih lemah daripada akhir tahun 2025.

Aliran Dana: Pembayaran dan Konsumsi Menghabiskan 72%

Dibagi berdasarkan jalur:

Pembayaran: 3,74 miliar dolar AS (56 transaksi)

Konsumsi: 2,48 miliar dolar AS (35 transaksi)

DeFi: 1,06 miliar dolar AS (47 transaksi, jumlah transaksi terbanyak)

Dua jalur, pembayaran dan konsumsi, menyumbang 72% dari dana tahunan. Pendanaan untuk game dan DePIN hampir menghilang.

Dominasi Pasar Prediksi di Jalur Konsumsi

Dua perusahaan pasar prediksi memperoleh dana yang setara dengan 18% dari total pendanaan tahunan:

Kalshi: 1 miliar dolar AS

Polymarket: 600 juta dolar AS

Kedua transaksi ini totalnya 1,6 miliar dolar AS, melebihi jumlah total dari semua 47 pendanaan DeFi.

M&A Menjadi Arus Utama

Transaksi merger dan akuisisi mencapai 48 (23% dari transaksi dengan tahapan yang diketahui), hampir menyamai 57 transaksi putaran seed (27%). Siklus ini telah beralih dari tahap awal investasi pada ide baru ke akuisisi pemimpin industri.

Pergantian Peringkat Lembaga Investasi

Dana paling aktif tahun 2026:

Coinbase Ventures: 18 transaksi (peringkat ke-2 periode 2021-26)

Tether: 13 transaksi (pendatang baru sebagai raja lead investor)

Animoca Brands: 11 transaksi (peringkat ke-1 periode 2021-26)

GSR: 11 transaksi

a16z: 7 transaksi (menurun drastis dibandingkan sekitar 200 transaksi pada periode 2021-26)

Pertanyaan Terkait

QBerdasarkan data 4 bulan pertama 2026, sektor apa yang menerima aliran dana terbesar dan terkecil dalam industri crypto?

ASektor yang menerima aliran dana terbesar adalah Pembayaran (Payment) sebesar 37,4 miliar dolar dan Konsumen (Consumer) sebesar 24,8 miliar dolar, yang secara bersama-sama menyerap 72% dari total dana tahunan. Sektor dengan aliran dana terkecil (hampir menghilang) adalah Game dan DePIN.

QMengapa artikel menyebutkan bahwa lonjakan pendanaan pada Maret 2026 hanyalah ilusi?

AKarena lonjakan dana sebesar 45,7 miliar dolar pada Maret 2026 didominasi oleh dua transaksi akuisisi besar-besaran: BVNK sebesar 18 miliar dolar dan Kalshi sebesar 10 miliar dolar. Jika kedua transaksi ini dikeluarkan, kecepatan pendanaan sebenarnya hanya sekitar 10 miliar dolar per bulan, yang lebih lemah dibandingkan akhir tahun 2025.

QBagaimana kinerja platform pasar prediksi (prediction market) dibandingkan dengan sektor DeFi dalam hal pendanaan?

ADua platform pasar prediksi, Kalshi dan Polymarket, secara kolektif mengumpulkan dana sebesar 16 miliar dolar. Jumlah ini melebihi total pendanaan semua proyek DeFi (47 transaksi) yang hanya berjumlah 10,6 miliar dolar. Kalshi dan Polymarket saja menyumbang 18% dari total pendanaan tahunan.

QTren apa yang ditunjukkan oleh data transaksi M&A (Merger dan Akuisisi) dibandingkan dengan pendanaan tahap awal (seed round)?

AData menunjukkan bahwa jumlah transaksi M&A (48 transaksi) hampir menyamai jumlah transaksi seed round (57 transaksi), masing-masing mencakup 23% dan 27% dari transaksi dengan tahap yang diketahui. Ini mengindikasikan pergeseran tren modal dari berinvestasi pada ide-ide baru (startup awal) ke aksi akuisisi pemain utama yang sudah mapan di industri.

QSiapa saja lembaga investasi yang paling aktif pada periode Januari-Mei 2026, dan bagaimana perbandingannya dengan periode 2021-2026?

ALembaga investasi paling aktif pada 2026 (per 5 Mei) adalah: Coinbase Ventures (18 transaksi, peringkat ke-2 pada 2021-26), Tether (13 transaksi, pendatang baru), Animoca Brands (11 transaksi, peringkat ke-1 pada 2021-26), GSR (11 transaksi), dan a16z (7 transaksi, mengalami penurunan signifikan dibandingkan sekitar 200 transaksi pada periode 2021-26).

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit46m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit46m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

Bursa Korea Selatan Upbit melakukan penataan ulang 864 miliar SHIB di antara alamat dompet internalnya, menciptakan pergerakan rantai-blok besar senilai sekitar $4 juta. Pergerakan ini melibatkan transfer 384 miliar SHIB keluar dari dompet panas dan 480 miliar SHIB kembali ke dompet yang sama, tampaknya sebagai bagian dari operasi penyeimbangan kembali (rebalancing) dompet rutin, bukan pelepasan atau penjualan aset oleh bursa. Aktivitas ini terjadi setelah SHIB mengalami reli harga 36%, yang membuatnya lebih mencolok dan ditanggapi dengan sensitif oleh pedagang. Namun, karena perpindahan terjadi antara alamat yang diketahui milik Upbit sendiri, hal ini tidak secara langsung mengubah pasokan di pasar. Artikel ini menekankan pentingnya konteks dan pelabelan dompet yang tepat dalam menafsirkan data on-chain, agar pergerakan besar tidak disalahartikan sebagai sinyal jual atau aksi "paus" yang dapat menyesatkan narasi pasar.

bitcoinist48m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

bitcoinist48m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

Apakah ada batas yang wajar untuk jumlah makalah yang dapat disertakan seorang penulis di konferensi AI top? ICLR 2027 memberlakukan aturan baru: maksimal 20 makalah per penulis. Aturan ini dirancang untuk meringankan tekanan pada sistem peninjauan, terutama setelah ICLR 2026 mengalami lonjakan 68% dalam jumlah pengajuan hingga 19.525 makalah. Peraturan ini langsung memicu perdebatan. Dan Roy, seorang peneliti dari Google DeepMind, meluncurkan petisi satir di platform X yang menyerukan pencabutan batas 20 makalah tersebut. Dalam petisinya, dia secara ironis berargumen bahwa batasan ini akan "memperlambat kemajuan AI," terutama di era di mana AI Agent dapat menghasilkan banyak penelitian dan model bahasa besar (LLM) sudah digunakan untuk meninjau makalah. Sindirannya menyoroti kekhawatiran nyata tentang kualitas penelitian dan peninjauan. Poin utamanya adalah: dengan maraknya penggunaan AI untuk menulis dan meninjau makalah, apakah solusinya hanya membatasi jumlah pengajuan? ICLR mendorong ilmu "lebih lambat" dan lebih matang, sementara dinamika saat ini berisiko membanjiri sistem dengan makalah inkremental. Petisi Roy, meski sarkastik, mendorong komunitas untuk merenungkan inti permasalahan ini.

marsbit52m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

marsbit52m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

Kerusakan pada dompet perangkat keras Coldcard mengakibatkan pencurian Bitcoin senilai sekitar $89 juta, memicu migrasi aset besar-besaran di blockchain terbesar sejak runtuhnya FTX. Menurut Galaxy Research, 1.367,05 BTC dicuri dari 4.585 alamat dalam tiga gelombang serangan yang menargetkan dompet dengan frasa pemulihan (seed phrase) yang lemah akibat cacat perangkat lunak. Insiden ini menyebabkan gangguan signifikan pada indikator rantai Bitcoin. Pengguna yang terdampak berbondong-bondong memindahkan aset mereka ke dompet baru yang aman, menyebabkan lonjakan ekstrem dalam aktivitas alamat aktif dan volume transaksi kecil. CryptoQuant mencatat puncak baru dalam transaksi berukuran di bawah 1 BTC dan peningkatan drastis deposit ke bursa, sementara sentimen pasar berubah sangat bearish. Pelacakan dana curian menghadapi tantangan unik: aturan keamanan AI di AS menghambat analisis data investigasi oleh model komersial utama, memaksa peneliti seperti tim Galaxy untuk beralih ke model AI sumber terbuka dari China (seperti GLM 5.2) guna melacak aliran dana dengan cepat. Kasus ini menyoroti dilema dalam penggunaan AI untuk keamanan siber: pembatasan yang melindungi juga dapat memperlambat respons defensif terhadap kejahatan yang bergerak cepat di ruang kripto.

marsbit1j yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

marsbit1j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit2j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow