Из критика биткоина Питер Шифф превратился в его сторонника?

investing.ruDipublikasikan tanggal 2024-11-15Terakhir diperbarui pada 2024-11-15

Happycoin.club - Американский экономист Питер Шифф давно известен как сторонник золота и главный противник биткоина (BTC). Однако недавний рост криптовалюты заставил Шиффа сделать весьма необычную публикацию.

Питер Шифф предположил, что программа «Социального обеспечения» должна иметь около 25% от общего предложения биткоина, чтобы при отправке BTC «на Луну» увеличить стоимость трастового фонда примерно до $100 трлн.

Это гарантировало бы, что фонд сможет полностью компенсировать свои 75-летние прогнозируемые необеспеченные обязательства в размере $23 трлн. По его мнению, в этом случае полезной окажется стратегия ходлинга.

Кроме того, проблема выплаты пособий будет решена, если правительство объявит биткоин резервной валютой, что позволит фонду получать наличные от ФРС, предоставляя криптовалюту в качестве обеспечения.

По словам Шиффа, такой подход имеет дополнительное преимущество в виде снижения бремени государственного долга, поскольку правительству не придётся платить проценты по BTC так же, как по облигациям.

Вы тоже поверили? Затем экономист предложил правительству использовать BTC для решения всех остальных проблем и посетовал, что Сатоши Накамото не изобрёл эту «панацею» раньше.

13 ноября Шифф опубликовал не менее саркастичный пост о новом применении биткоина. В частности, компании, акции которых торгуются по низкой цене, могут «поднимать цену акций» заявлениями о покупке биткоинов.

Очевидно, что он имеет в виду Genius Group Limited, акции которой взлетели после заявления о продаже акций на сумму $120 млн, чтобы купить BTC. Ралли акций GNS было недолгим, и довольно быстро их цена упала на 15,02%.

Правда, Шифф признал, что ошибался насчёт биткоина, и, скорее всего, его прогноз о том, что первая криптовалюта никогда не достигнет цены в $100,000, был неверным.

Читайте оригинальную статью на сайте Happycoin.club

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.

marsbit6j yang lalu

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

marsbit6j yang lalu

Trading

Spot
活动图片