Игровые токены потеряли до 97%от привлеченных сумм

cryptonews.ruDipublikasikan tanggal 2023-08-09Terakhir diperbarui pada 2025-05-09

В секторе Web3-игр продолжается падение стоимости токенов. Многие проекты, которые ранее привлекли крупные инвестиции, сегодня торгуются по стоимости, далекой от начальных оценок. Рыночная капитализация некоторых игровых активов упала почти до 0, хотя раньше их поддерживали крупные фонды и венчурные инвесторы. Это говорит не о временной коррекции, а о полной переоценке сектора.

По данным Tokenomist, ситуация особенно тяжелая у ряда популярных проектов. Так, токен GUNZ собрал $82 млн, а сейчас его рыночная стоимость составляет всего $36,2 млн. У MYTH зафиксировано падение с $281 млн до $115,3 млн. Проект SIPHER опустился с $44 млн до $5,2 млн. AVG стоит лишь $800 тыс при привлеченных $27,2 млн. AURY обесценился с $108,8 млн до $8,4 млн. Потери составляют от 70% до 97% от изначальной оценки.

Причин резкого обвала несколько. Разработка игр занимает много времени, и проекты до сих пор находятся на стадии бета-тестирования. Пользовательская база слабо растет, а механики монетизации остаются неэффективными. Также на курс влияет слабая утилита токенов, которые не нужны вне игры. Дополнительное давление создают регулярные разблокировки активов у ранних инвесторов.

Падение рыночной стоимости приводит к снижению ликвидности. Торги сжимаются, появляется больше убыточных сделок. Разблокировки токенов становятся катализатором очередных волн продаж. Это делает восстановление стоимости практически невозможным.

Проблема становится системной. Отток капитала из GameFi-отрасли продолжается, а запуск новых токенов уже не вызывает ажиотажа. Венчурные фонды сокращают долю инвестиций в игровые направления. При этом разработчики не пересматривают подходы к токеномике. В итоге рынок не видит перспектив даже у активных команд. Если проекты продолжат эмиссию без фундаментальных изменений, ситуация может ухудшиться. Многие трейдеры уже отказываются от участия в пресейлах.

Ошибка в тексте? Выделите её мышкой и нажмите Ctrl + Enter

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.

marsbit11m yang lalu

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

marsbit11m 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.

marsbit56m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit56m yang lalu

Trading

Spot
活动图片