Derive: Биткоин перешел к стадии формирования локального дна

cryptonews.ruDipublikasikan tanggal 2025-02-19Terakhir diperbarui pada 2025-10-20

Геополитическая напряженность в торговле между США и Китаем ослабевает, что усиливает оптимизм на рынке цифровых активов и может стабилизировать курс биткоина, полагает глава исследовательского отдела Derive Шон Доусон (Sean Dawson).

Эскалация торговой войны между США и Китаем в начале октября спровоцировала каскад ликвидаций на рынке криптовалют, обрушив цены. Теперь смягчение макроэкономических рисков может запустить восходящее ралли биткоина, отметил эксперт.

Еще одним фактором, который, по мнению Доусона, может привести к устойчивой положительной динамике первой криптовалюты, станет очередное снижение процентных ставок ФРС. В подобном сценарии снижается спекулятивный интерес к традиционным финансовым инструментам, что побуждает инвесторов использовать более рискованные стратегии, включая криптовалюты.

По данным портала СoinMarketCap, за 24 часа биткоин вырос почти на 4%, достигнув локального максимума в $111 100, что вызвало небольшое ралли на более широком рынке альткоинов.

BTCUSDT_2025-10-20_11-21-06.png

«Вероятно, мы видим локальное дно биткоина, который крайне чувствителен к подобным событиям. Если все опасения будут окончательно развеяны, возможно, мы увидим его значительный рост. Однако риск эскалации торговой войны между США и Китаем еще сохраняется, что может спровоцировать дальнейшее падение», — заявил Доусон.

Ранее Гендиректор JAN3 Самсон Моу (Samson Mow) предположил, что следующее бычье ралли биткоина превзойдет скорость роста стоимости золота.

Bacaan Terkait

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.

marsbit24m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit24m yang lalu

Trading

Spot
活动图片