«Ъ»: С 1 декабря в ряде регионов России может быть введен запрет на майнинг

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

С 1 декабря 2024 года по 15 марта 2025 года планируется ввести запрет на добычу цифровых активов в нескольких городах и районах Иркутской области, Забайкальского края и Бурятии. Запрет на майнинг в этих областях будет действовать ежегодно в период максимальных нагрузок — с 15 ноября по 15 марта — вплоть до 2031 года.

Помимо этого, Министерство энергетики предлагает ввести полный запрет на майнинг с 1 декабря 2024 года по 15 марта 2031 года в Карачаево-Черкесской и Кабардино-Балкарской республиках, Северной Осетии—Алании, Ингушетии, Чечне, Дагестане, Херсонской и Запорожской областях, ДНР и ЛНР.

Директор Ассоциации промышленного майнинга Сергей Безделов заявил, что запрет на добычу цифровых активов следует принимать только в качестве крайней меры:

«Запрет для промышленных майнеров, у которых есть все надлежащие разрешения на подключение к электрическим сетям, спровоцирует активность недобросовестных участников рынка, которые осуществляют свою деятельность с нарушением всех установленных норм».

По мнению директора Центра исследований в электроэнергетике НИУ ВШЭ Сергея Сасима, запрет на майнинг является избыточным, так как уже есть ряд актов, позволяющих отключать майнеров в любое время:

«Непонятно, зачем применять запрет, который будет действовать, когда запрещенная деятельность не наносит вреда энергосистеме. Получается, что условия для законной деятельности существенно ужесточаются, в то время как недобросовестные участники рынка, наоборот, поощряются».

Эксперт отметил, что эффективной борьбы с серым майнингом на данный момент нет, что значительно усложняет работу компаний, осуществляющих деятельность в легальном поле.

Ранее заместитель главы администрации президента России на конференции Сбербанка (MCX:SBER) «FI day. Blockchain: на пороге финансовой эры» Максим Орешкин заявил, что в ближайшие 5-10 лет из-за развития майнинга в стране может появиться проблема дефицита электроэнергии.

Читайте оригинальную статью на сайте Bits.media

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