马来西亚加入去美元化运动的原因

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

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.

marsbit2m yang lalu

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

marsbit2m 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.

marsbit47m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit47m yang lalu

Trading

Spot
活动图片