TRON превращается в неформальную долларовую сеть мира

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

К 2025 году TRON окончательно закрепился в роли глобальной инфраструктуры для расчетов в стейблкоинах. В этой сети размещено около $70 млрд в USDT. Это более чем в 700 раз превышает показатели USDC и TUSD, которые с 2023 года демонстрируют стремительный спад. Масштаб и устойчивый спрос сделали TRON главной платформой для перевода цифровых долларов, особенно в странах с неразвитой банковской системой, а также в теневом секторе экономики. Об этом заявили специалисты CryptoQuant.

По объёмам транзакций с USDT TRON уже догоняет Ethereum, при этом рост активности обеспечивается не розничными пользователями, а профессиональными участниками. Если в 2020 – 2022 годах доминировали кошельки с балансом до $10 000, то после 2023 года основную долю операций формируют держатели в диапазоне $10 000 – $1 млн. По словам экспертов, это OTC-дески, платежные агрегаторы и сервисы трансграничных переводов. Крупные кошельки свыше $100 млн также сохраняют стабильную активность, обеспечивая ликвидность в сети.

Контрастно на этом фоне выглядит сокращение оборота USDC. После 2022 года предложение на TRON упало ниже $100 млн, транзакционная активность резко снизилась, особенно среди мелких держателей. Причиной стала стратегия со стороны Circle — компании, стремящейся минимизировать комплаенс-риски перед возможным IPO или сделкой по продаже.

TUSD повторил аналогичную траекторию. Несмотря на кратковременный рост числа кошельков летом 2023 года, интерес к активу не закрепился. Обороты среди розничных пользователей снизились, а более крупные когорты остались пассивными.

На фоне этого наблюдается четкое отраслевое распределение функций между основными блокчейнами:

  • Ethereum + USDC — регуляторно-чистые и модульные финансовые протоколы.
  • Solana + USDC/USDT — высокоскоростная DeFi-торговля.
  • TRON + USDT — расчетная сеть для развивающихся рынков и криптоплатежей в серой зоне.

Пока в политически нестабильных регионах сохраняется спрос на быстрые и дешевые долларовые переводы вне банковской системы, роль TRON в глобальной финансовой архитектуре будет только усиливаться. Такое мнение выразили специалисты CryptoQuant. Платформа, возможно, уже стала неформальной версией SWIFT для эпохи цифрового доллара.

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

Kripto yang Sedang Tren

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.

marsbit2m yang lalu

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

marsbit2m 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.

marsbit47m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit47m yang lalu

Trading

Spot

Artikel Populer

Cara Membeli TRX

Selamat datang di HTX.com! Kami telah membuat pembelian TRON (TRX) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli TRON (TRX) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan TRON (TRX) AndaSetelah melakukan pembelian, simpan TRON (TRX) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading TRON (TRX)Lakukan trading TRON (TRX) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

2.7k Total TayanganDipublikasikan pada 2024.12.10Diperbarui pada 2026.06.02

Cara Membeli TRX

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga TRX (TRX) disajikan di bawah ini.

活动图片