Blockpass сотрудничает с RWA Inc. по задачам комплаенса

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

Провайдер решений для верификации личности Web3 Blockpass объявил о партнерстве с RWA Inc. — платформой для запуска проектов в сфере токенизации RWA и децентрализованных сетей физической инфраструктуры (DePIN). Инструменты KYC и AML от Blockpass внедряются в экосистему RWA Inc., что позволяет безопасно и в соответствии с нормативными требованиями участвовать в токенизированных инвестициях и краудфандинге.

Платформа RWA Inc. позволяет пользователям запускать и инвестировать в токенизированные активы через IDO, частные размещения, стейкинг и краудфандинг. Она включает инструменты для выпуска токенов, ликвидности и торговли, ориентированные на масштабируемость и соответствие нормативным стандартам.

Blockpass применяет технологию повторного использования цифровой идентичности, включая решение On-Chain KYC 2.0, которое поддерживает как ончейн-аттестации, так и доказательства с нулевым разглашением.

Изображение: Freepik

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