Как токенизированное золото и ETF обошли Биткойн в 2025 году

cryptonews.ruDipublikasikan tanggal 2023-08-14Terakhir diperbarui pada 2025-04-14

Когда на рынках начинается качка, золото, как водится, лезет в топ. Инвесторы, почуяв неладное, тут же пытаются перелиться в надежный актив — и снова вспоминают про «жёлтый металл». Но фишка не только в привычных слитках — на сцену вышли его цифровые двойники. Да, золото теперь на блокчейне.

Цифровые активы вроде Paxos Gold (PAXG) и Tether Gold (XAUT) подросли уже больше чем на 23% с начала года. И народ переливает свои средства туда, ища спокойствия в хаосе. Эти токены прикручены напрямую к настоящему золоту — их курс двигается вместе с ценой на металл. Поэтому они смотрятся куда симпатичнее в нестабильные времена.

В начале года и PAXG, и XAUT вышли на новые исторические хаи — выше $3,300, прежде чем слегка подсползти. А биток, тем временем, сдал на больше чем 11%, и в целом крипторынок сел на минус 30%, если верить индексу CoinDesk 20.

При такой лихорадке не удивительно, что всё больше игроков перебегает в токенизированное золото, чтобы хоть как-то защитить свои вложения.

Особо помог тут и свежая партия пошлин от Трампа, который тряхнул традиционные рынки и добил крипту. Но золото, как ни странно, держится крепко. Золотые ETF-ы тоже не подвели — остались на плаву.

Почему PAXG и XAUT так заходят? Потому что это сразу и надёжность настоящего золота, и шарм цифрового актива. Они стопроцентно подкреплены настоящим золотом, которое лежит в надёжных хранилищах. Но в отличие от классических слитков, эти токены можно гонять по блокчейну почти моментально. Гибкость в движениях и проверенная ценность — два в одном.

На фоне нового витка напряжёнки между США и Китаем, плюс общих страхов за глобальную экономику, инвесторы снова начинают искать, как бы пересидеть бурю. Золото всегда было тем самым «запасным аэродромом», а теперь ещё и с цифровым апгрейдом — удобно и в духе времени.

Но не только блокчейн-версии золота на подъёме — и старые добрые ETF-ы в топе. За первый квартал 2025 года в них влетело 226,5 тонны — максимум за три года, по данным Всемирного совета по золоту. Почти 60% спроса — это Северная Америка. То есть тренд очевидный: народ выходит из рисковых активов в то, что не падает на каждом твите президента США.

А ещё интерес к токенизированному золоту подогревается резким ростом новых выпусков. Только за первый квартал было намайнено больше $42,7 млн в токенах PAXG и XAUT — по данным RWA.xyz. Это подняло общую капитализацию этих активов почти до $1,4 миллиарда.

С учётом того, что и традиционный, и крипторынок в лихорадке, токенизированное золото стало тем самым «планом Б» — надёжным и при этом гибким.

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.

marsbit1j yang lalu

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

marsbit1j 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.

marsbit2j yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit2j yang lalu

Trading

Spot
活动图片