Британский регулятор предъявил обвинения первому лицу за управление сетью незаконных Криптo

cryptonews.ruDipublikasikan tanggal 2024-05-10Terakhir diperbarui pada 2024-09-10

  • Британский регулятор Financial Conduct Authority предъявил обвинения 45-летнему жителю Лондона Олумиде Осункойе в управлении сетью нелегальных Криптo .
  • По данным FCA, это также первые обвинения, выдвинутые против человека, обвиняемого в управлении сетью Криптo в Великобритании.

Регулятор Великобритании Управление по финансовому регулированию и надзору (FCA) предъявил обвинение физическому лицу за управление сетью нелегальных Криптo , говорится в пресс-релизе, опубликованном во вторник .

Олумиде Осункойя, 45-летний лондонец, обвиняется в управлении Криптo , которые обрабатывали Криптo транзакции на сумму 2,6 млн фунтов стерлингов (3,4 млн долларов США) в разных местах в период с декабря 2021 года по сентябрь 2023 года без необходимой регистрации. Теперь ответчик должен предстать перед Вестминстерским магистратским судом 30 сентября.

«Это также первые обвинения, выдвинутые против человека, обвиняемого в управлении сетью Криптo в Великобритании», — говорится в заявлении FCA.

Обвинения Социальные сети арестом в прошлом месяце 37-летнего Хабибура Рахмана, который также родом из Лондона. Он был первым первым человеком в Великобритании, которому было предъявлено обвинение в эксплуатации одного незаконного Криптовалюта банкомата. Он также предположительно отмыл $392 557 наличными, конвертировав их в Криптo, сообщила BBC в прошлом месяце.

Ни одна из 44 зарегистрированных Криптo не имеет необходимого разрешения на установку Криптo , что делает все Криптo в Великобритании незаконными.

В последние годы FCA ужесточает меры против нелегальных Криптo . В мае прошлого года FCA совместно с полицией провела рейды по объектам в Эксетере, Ноттингеме и Шеффилде. К концу 2023 года регулятор провел 34 проверки .

«Наше сегодняшнее послание ясно. Если вы незаконно используете Криптo , мы вас остановим», — заявила в пресс-релизе во вторник Тереза ​​Чемберс, соисполнительный директор по правоприменению и надзору за рынком в FCA.

Bacaan Terkait

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

Artikel ini membahas konsep "world model" (model dunia) dalam kecerdasan buatan (AI) yang saat ini banyak digunakan dengan makna berbeda-beda. Fei-Fei Li mengusulkan taksonomi fungsional untuk mengklarifikasi kekacauan ini. Berdasarkan siklus interaksi agen-dunia dalam POMDP (Partially Observable Markov Decision Process), ia mengategorikan model dunia menjadi tiga jenis berdasarkan outputnya: 1. **Renderer (Perender):** Menghasilkan **observasi**, khususnya piksel yang ditujukan untuk mata manusia. Contohnya adalah model video seperti Sora atau sistem interaktif seperti Genie yang menghasilkan gambar berdasarkan input. Fokus utamanya adalah kesetiaan visual, bukan akurasi fisik. 2. **Simulator (Simulator):** Menghasilkan **state (keadaan)**, yaitu representasi dunia yang akurat secara geometri, fisika, dan dinamika. Simulator berfungsi sebagai landasan struktural untuk perhitungan, digunakan oleh profesional (arsitek, desainer) dan program komputer (robot, kendaraan otonom) untuk pelatihan dan pengujian. Contohnya adalah platform seperti NVIDIA Omniverse. 3. **Planner (Perencana):** Menghasilkan **tindakan**. Model ini menentukan langkah selanjutnya yang harus diambil sebuah agen berdasarkan observasi dan tujuan. Ini menutup lingkaran persepsi-aksi. Contohnya adalah model visi-bahasa-aksi (VLA) dan model aksi dunia (World Action Models). Artikel menyoroti bahwa **simulator adalah kunci penghubung** yang paling penting namun kurang mendapat perhatian publik. Simulator bekerja pada tingkat geometri dan fisika yang mendasarinya, sehingga pemahamannya dapat diproyeksikan ke dalam piksel (untuk renderer) atau prediksi konsekuensi tindakan (untuk planner). Tren terpenting saat ini adalah peleburan batas antara ketiga kategori ini, didorong oleh kesadaran bahwa pengetahuan dasar tentang dunia yang dibutuhkan adalah sama. Tujuan akhirnya adalah model dunia terpadu yang dapat beralih di antara rendering, simulasi, dan perencanaan sesuai kebutuhan. Perkembangan ini mendorong kemajuan menuju kecerdasan spasial, di mana mesin tidak hanya memahami bahasa tentang dunia, tetapi juga dapat memahami, membayangkan, bernalar, dan berinteraksi dengan dunia fisik itu sendiri.

marsbit4j yang lalu

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

marsbit4j yang lalu

Trading

Spot
活动图片