深夜插针!比特币一度跌破6万美元大关,只因这几个原因?

jin10Dipublikasikan tanggal 2024-06-25Terakhir diperbarui pada 2024-06-25

加密货币市场再度一片哀嚎。

在过去的一周里,比特币已经下跌了近5000美元,从6.6万美元上方的高位一度跌破6万美元大关。

这种突然的暴跌让投资者和分析师感到困惑,但这与市场情绪的重大转变不谋而合。加密货币恐惧和贪婪指数在短短13天内从60跌至49,从“贪婪”转向“中性”的边缘。

比特币价格的突然下跌和市场情绪的转变让许多人想知道背后的原因,而加密领域的以下几个关键事件似乎影响了市场走势。

1、德国政府出售比特币

在德国政府准备清算大量比特币的消息传出后,加密市场经历了重大动荡。2013年,德国联邦刑事警察局从一个盗版网站缴获了大约5万枚比特币,目前价值超过30亿美元。

有报道称,德国当局已经开始转币进入交易所,并在最近几天出售了大约3000个比特币。然而,其仍有47000个比特币等待出售。这一几天前曝光的消息可能引发了比特币最初从66000美元跌至63000美元。

如此大量比特币可能进入市场的前景引起了投资者的担忧,这是可以理解的。目前,德国政府似乎正在采取慎重的措施,尽量减少对市场的影响,但投资者的焦虑情绪依然存在。

2、“鲸鱼踩刹车”

比特币最近价格下跌背后的第二个主要因素涉及市场上的大玩家,俗称“鲸鱼”。

现在,“鲸鱼”们突然变得不那么活跃了。数据显示,大额交易(超过10万美元)在短短几天内下降了42%,这是一种重大改变。

为何“鲸鱼”的交易行为如此重要?原因是,当“鲸鱼”放慢交易速度时,通常是谨慎的信号。对于目前来说,这种行为特别有趣,因为它发生在一段时间的大量抛售之后。

这可能意味着这些大型投资者可能是在观望价格是否会进一步下跌,然后才开始再次买入。或者他们可能会推迟更多的抛售,以避免价格下跌过快。

不管怎样,当“鲸鱼”安静下来时,这通常是市场处于十字路口的信号,他们的下一步行动可能会给比特币后市走势的线索。

3、Mt. Gox还款

Mt. Gox在2014年戏剧性关闭之前曾是最大的加密货币交易所。这家倒闭的交易所重新浮出水面再次撼动了市场。倒闭十多年后,Mt. Gox宣布将开始偿还客户丢失的资产,这一消息在比特币市场引发了涟漪。

Mt. Gox的偿还受托人Nobuaki Kobayashi宣布,比特币和比特币现金的还款将于7月初开始。

值得注意的是,Mt. Gox的三个钱包总共持有141686个比特币,价值约87.1亿美元。市场担心的点也很简单:随着债权人终于拿到了丢失已久的比特币,许多人可能会急于套现。大批比特币可能涌入市场,这令投资者紧张不安。

影响几乎是立竿见影的。比特币的价格暴跌至61060美元,在24小时内下跌了6.5%。虽然此后比特币价格小幅回升至61300美元左右,但市场仍然紧张不安。

不仅仅是比特币,比特币现金(BCH)也受到了打击,后者在Mt. Gox的声明发布后下跌了9%。

虽然还款过程很快就会开始,但值得注意的是,它可能会持续几个月。此前,还款期限被延长至2024年10月,这给了市场一些喘息的空间。

4、多米诺骨牌效应

最近比特币价格下跌不仅仅是外部因素造成的。一个重要的内部市场机制在放大下跌方面发挥了关键作用,即衍生品市场的清算,这可以看作是加密世界的多米诺骨牌效应。

随着比特币的价格开始下滑,它引发了衍生品市场的连锁反应。根据Coinglass的数据,价值3.02亿美元的加密货币头寸在24小时内被强平。

在这3.02亿美元中,有2.20亿美元是多头头寸。简而言之,这意味着绝大多数这些清算打击了押注加密货币价格上涨的交易员。

Bacaan Terkait

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

**Ringkasan:** **Prompt Sudah Ketinggalan Zaman, Loop adalah Paradigma Baru.** Menurut Huang Renxun (Jensen Huang), pendiri NVIDIA, tugas utama di era AI sekarang bukan lagi menulis perintah (prompt), tetapi **menulis dan mengelola loop (siklus).** **Apa itu Loop?** Loop adalah sistem di mana Anda mendefinisikan suatu tujuan, dan AI menjalankannya secara mandiri—memeriksa hasil, memperbaiki kesalahan, dan mengulangi proses tersebut hingga tugas selesai atau mencapai batas tertentu. Manusia beralih peran dari "pemberi perintah" menjadi **"perancang aturan" atau "arsitek sistem."** **Loop vs. Agent:** Agent adalah "pekerja" yang menjalankan tugas. Loop adalah **mekanisme pengelolaan** yang memungkinkan Agent bekerja terus-menerus tanpa pengawasan manusia. Agent dengan loop menjadi sistem yang dapat berjalan otomatis. **Contoh Penerapan:** Produk seperti Claude Code (dengan fitur /loop, /goal, /schedule) dan OpenAI Codex telah menerapkan konsep ini. Mereka membagi tugas kompleks ke beberapa Agent yang berjalan paralel di lingkungan terisolasi, dengan model terpisah untuk menulis kode dan memvalidasi hasil, memastikan objektivitas. **Bagaimana Memulai Loop?** 1. **Uji Kelayakan:** Pastikan tugas berulang, dapat divalidasi otomatis, dan anggaran token mencukupi. 2. **Mulai dari Loop Minimal:** Bangun sistem dengan pemicu otomatis, keterampilan (skill), file status (STATE.md), dan "gerbang" validasi (seperti pengujian). 3. **Pisahkan Pemeriksa dan Pelaksana:** Gunakan model atau Agent berbeda untuk menulis kode dan memeriksa/mengujinya. Ini kunci untuk kualitas. 4. **Hindari Jebakan Umum:** Tetapkan batas pengulangan dan token, simpan status, hindari tugas yang membutuhkan pertimbangan manusia, dan tetap tinjau perubahan kode (diff). 5. **Ukur Efektivitas:** Metrik utama adalah **biaya rata-rata per perubahan yang diterima.** **Evolusi Paradigma:** Perkembangan AI menunjukkan pergeseran berkelanjutan: 1. **Prompt Engineering** (2023-2024): Fokus pada cara menulis perintah. 2. **Context Engineering** (2024-2025): Fokus pada informasi dan latar belakang yang diberikan ke AI. 3. **Harness Engineering** (2025-2026): Fokus pada lingkungan eksekusi dimana AI dapat menggunakan alat dan sumber daya. 4. **Loop Engineering** (sekarang): Fokus pada merancang sistem siklus otomatis yang berjalan mandiri. Konsep loop memiliki akar akademis, seperti dalam framework **ReAct** (Reasoning + Acting) yang dikembangkan oleh Yao Shunyu dkk., yang menggabungkan penalaran dan tindakan dalam sebuah siklus. **Catatan Penting:** Meskipun menjanjikan, teknologi ini masih awal. Perlu kehati-hatian terhadap biaya token dan kompleksitas. Seperti dikutip Andrej Karpathy, **"Anda dapat mengalihdayakan pemikiran Anda, tetapi Anda tidak dapat mengalihdayakan pemahaman Anda."** Pemahaman mendalam tentang masalah tetap berada di tangan manusia.

marsbit1j yang lalu

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

marsbit1j yang lalu

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit1j yang lalu

GPT Merancang GPT

marsbit1j yang lalu

Trading

Spot
Futures
活动图片