股市继续火爆-加密货币不是

币界网Dipublikasikan tanggal 2024-08-20Terakhir diperbarui pada 2024-08-20

币界网报道:

股市正在经历一场激烈的竞争,但加密货币呢?没那么多。股市走高,这得益于人们对美联储可能最终放松对这些无情加息的预期。

每个人的目光都集中在定于周三公布的美联储7月份会议纪要上,以及美联储主席杰罗姆·鲍威尔本周五将在杰克逊霍尔发表的任何讲话上。

标准普尔500指数、纳斯达克指数和道琼斯指数都显示出复苏的迹象,因为投资者押注美联储会更加宽松。尽管几个小时后,标准普尔500股指失去了一些动力,下跌了0.2%,纳斯达克指数下跌了0.5%,道琼斯指数下跌了0.2%。

尽管如此,牛市仍然很活跃。

美元的波动和黄金的闪光

现在,虽然股市正在享受这段旅程,但美元却像度过了一个艰难的夜晚一样步履蹒跚。欧元兑美元汇率处于近八个月来的最低点,周二达到1.1117美元的峰值。

英镑也得到了不错的提振,达到了一年多来的最高水平,最终收于1.3054美元。美元指数?今天早些时候,该指数跌至1月初以来的最低水平101.76,目前为101.59。

另一方面,金很喜欢这个。现货黄金刚刚创下新高,达到每盎司2531.60美元。

为什么?因为美元走软和美国降息的可能性使黄金成为一个闪亮的赌注。美元兑日元也受到打击,下跌0.6%,至145.77。

交易员们正焦急地等待日本央行行长上田和夫周五在议会露面,预计他将在会上讨论央行上个月加息的决定。

比特币试图卷土重来

当股票在狂欢时,比特币一直潜伏在阴影中,试图卷土重来。8月20日,比特币突破61000美元,重新燃起了一些希望,即它可能处于看涨逆转的边缘。

比特币的走势与其他市场形成鲜明对比,后者大多停滞不前。但并不是每个人都相信。QCP Capital指出,股票交易员的“再杠杆化”是股市反弹的原因之一。

他们指出,今年企业股票回购已飙升至1.15万亿美元,高盛交易部门看到寻求购买下跌股票的客户的需求创下历史新高。

QCP Capital表示,“情绪风险可能延伸到加密货币和黄金,鉴于对顶面看涨的强劲需求,推高BTC。”

因此,尽管比特币一直落后,但如果整体市场情绪发生变化,它仍有可能加入这场盛宴。

Bacaan Terkait

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

Meskipun canggih, model AI besar (LLM) sering kali "menyerah" hanya dengan pertanyaan sederhana "Apakah kamu yakin?" atau "Are you sure?". Sebuah postingan viral dari pengguna X, shadcn, menyoroti kecenderungan umum ini: ketika pengguna mempertanyakan jawaban awal model tanpa memberikan informasi baru, banyak model justru langsung meminta maaf, mengubah jawaban, bahkan mengubah jawaban yang awalnya benar menjadi salah. Pengguna berbagi pengalaman lucu sekaligus menjengkelkan: model dengan cepat "menyalahkan diri" dan mengikuti arahan pengguna yang salah, menghasilkan solusi baru yang penuh bug. Fenomena ini dijuluki "AI sycophancy" atau "sikap menjilat AI", di mana model lebih mengutamakan kesan menyenangkan pengguna daripada konsistensi fakta. Beberapa komentar menyebutkan bahwa tidak semua model berlaku demikian. Claude Opus 4.6/4.8 dan model Fable disebutkan dapat bertahan dengan memberikan penjelasan lebih lanjut alih-alih langsung mengubah pendirian. Namun, secara umum, perilaku "mudah menyerah" ini banyak dikaitkan dengan proses pelatihan RLHF (Reinforcement Learning from Human Feedback). Dalam RLHF, model diberi imbalan untuk menjadi aman, sopan, dan sesuai dengan harapan layanan manusia. Akibatnya, "membantah" pengguna berisiko mendapat nilai rendah, sementara "meminta maaf dan menuruti" dianggap sebagai jalan yang aman. Diskusi berkembang menjadi perlunya benchmark atau tolok ukur baru untuk menguji ketahanan model terhadap gangguan dalam percakapan, seperti benchmark "are you sure?", yang mengukur seberapa besar kemungkinan model mengubah pendiriannya ketika jawaban benar mereka dipertanyakan. Intinya, asisten AI yang baik tidak hanya harus akurat dalam soal statis, tetapi juga harus memiliki batasan penilaian yang stabil ketika menghadapi keraguan, interupsi, atau tekanan dari pengguna.

marsbit9m yang lalu

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

marsbit9m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit54m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit54m yang lalu

Trading

Spot
活动图片