DeFi Education Fund Mendesak Senator Menolak Amandemen yang Diusulkan dalam RUU Kripto

bitcoinistDipublikasikan tanggal 2026-01-15Terakhir diperbarui pada 2026-01-15

Abstrak

Dana Pendidikan DeFi (DeFi Education Fund) mendesak senator AS untuk menolak sejumlah amandemen dalam rancangan undang-undang struktur pasar kripto yang dinilai mengancam ekosistem keuangan terdesentralisasi. Organisasi tersebut menyoroti kekhawatiran bahwa amendemen yang diusulkan dapat membahayakan pengembang perangkat lunak dan menghambat inovasi di sektor DeFi. Amandemen yang dikritik termasuk usulan Senator Reed dan Kim (#42) yang memberi wewenang kepada Departemen Keuangan untuk menjatuhkan sanksi pada kontrak pintar, serta amendemen Reed (#45, #47) yang mengubah definisi aset digital dan penghapusan ketentuan transmisi uang tanpa izin. Selain itu, amendemen dari Senator Cortez Masto (#72, #73, #74, #75) berupaya mempersempit definisi pengembang non-pengendali dan memperluas kewenangan FinCEN. Amandemen #104 dari Senator Elizabeth Warren juga dikhawatirkan akan membatasi distribusi penawaran kripto. Fund menegaskan bahwa perubahan ini berisiko meredam pertumbuhan industri dan merusak lanskap DeFi yang masih berkembang.

Ketika Komite Perbankan Senat bersiap untuk menandai draf usulan baru RUU struktur pasar kripto, DeFi Education Fund telah merilis daftar amandemen yang sangat didesaknya untuk ditolak oleh para senator.

Dalam sebuah postingan terbaru di platform media sosial X (sebelumnya Twitter), organisasi tersebut menyatakan kekhawatiran bahwa deskripsi draf tersebut menunjukkan potensi bahaya bagi keuangan terdesentralisasi (DeFi) dan dapat berdampak negatif pada pengembang perangkat lunak.

Bendera Merah Muncul dari Draf RUU Struktur Pasar Kripto

Dalam pesannya, DeFi Education Fund menekankan pentingnya menjaga integritas lanskap DeFi yang baru muncul dan menyerukan kepada para senator untuk mempertimbangkan konsekuensi jangka panjang dari perubahan yang diusulkan ini.

Di antara amandemen yang disorot adalah Amandemen #42, yang diusulkan oleh Senator Reed dan Kim, yang berupaya memberikan wewenang kepada Departemen Keuangan untuk memberikan sanksi kepada kontrak pintar dan platform terpusat yang terlibat dalam kegiatan ilegal.

Amandemen ini menimbulkan tanda bahaya yang signifikan bagi para pendukung yang khawatir tentang implikasinya terhadap inovasi dan fleksibilitas operasional dalam ekosistem keuangan terdesentralisasi.

Amandemen lain yang menjadi perhatian, Amandemen #45 oleh Senator Reed, bertujuan untuk membuat definisi khusus untuk aset digital di bawah Undang-Undang Kerahasiaan Bank.

Demikian pula, Amandemen #47, juga dari Senator Reed, bermaksud untuk menghapus ketentuan terkait pelanggaran pidana federal mengenai transmisi uang tanpa izin.

Perubahan-perubahan ini, menurut DeFi Education Fund, mengancam lanskap operasional bagi pengembang dan lembaga keuangan yang berinteraksi dengan aset digital.

Membatasi Pertumbuhan DeFi

Selain itu, amandemen yang diusulkan oleh Senator Cortez Masto, khususnya #72 dan #73, bertujuan untuk mempersempit definisi pengembang non-pengendali dan memperluas kewenangan Jaringan Penegakan Kejahatan Keuangan (FinCEN) bersama Departemen Keuangan untuk platform yang diaktifkan oleh blockchain.

Amandemen #74 dan #75 lebih lanjut berupaya untuk memperkuat undang-undang yang ada terkait transmisi uang dan melarang transaksi yang melibatkan protokol DeFi yang tidak sah, yang menurut Dana tersebut dapat menghambat pertumbuhan industri.

Amandemen #104, yang diusulkan oleh senator yang skeptis terhadap kripto Elizabeth Warren, juga menarik perhatian dengan menghapus pengecualian distribusi kunci untuk penawaran kripto.

Ini mengikuti seruan serupa oleh Summer Mersinger, CEO Asosiasi Blockchain, yang baru-baru ini mengklaim bahwa "Lobi Bank Besar" mendorong Kongres untuk mengubah ketentuan utama dari UANG GENIUS yang telah diberlakukan mengenai hadiah stablecoin, lebih lanjut menyoroti keadaan masa depan kripto di Kongres saat ini.

Grafik harian menunjukkan pemulihan total kapitalisasi pasar kripto di atas $3,2 triliun. Sumber: TOTAL on TradingView.com

Gambar unggulan dari DALL-E, grafik dari TradingView.com

Pertanyaan Terkait

QApa yang menjadi perhatian utama DeFi Education Fund terkait rancangan undang-undang struktur pasar crypto?

ADeFi Education Fund mengkhawatirkan rancangan undang-undang tersebut dapat merugikan keuangan terdesentralisasi (DeFi) dan berdampak negatif bagi pengembang perangkat lunak.

QApa tujuan Amandemen #42 yang diusulkan oleh Senator Reed dan Kim?

AAmandemen #42 bertujuan untuk memberikan wewenang kepada Departemen Keuangan AS untuk menjatuhkan sanksi pada kontrak pintar dan platform terpusat yang terlibat dalam aktivitas ilegal.

QApa dampak potensial dari Amandemen #74 dan #75 menurut DeFi Education Fund?

AMenurut DeFi Education Fund, Amandemen #74 dan #75 dapat menghambat pertumbuhan industri DeFi karena memperkuat undang-undang terkait transmisi uang dan melarang transaksi yang melibatkan protokol DeFi yang tidak sah.

QSiapa yang mengusulkan Amandemen #104 dan apa implikasinya?

AAmandemen #104 diusulkan oleh Senator Elizabeth Warren yang skeptis terhadap crypto. Amandemen ini menghapus pengecualian distribusi kunci untuk penawaran crypto.

QApa yang dikhawatirkan oleh para pendukung DeFi mengenai amandemen-amandemen ini secara keseluruhan?

APara pendukung DeFi khawatir amandemen-amandemen ini akan membahayakan lanskap operasional bagi pengembang dan lembaga keuangan yang berinteraksi dengan aset digital, serta membatasi fleksibilitas operasional dan inovasi dalam ekosistem DeFi.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit26m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit26m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

Bursa Korea Selatan Upbit melakukan penataan ulang 864 miliar SHIB di antara alamat dompet internalnya, menciptakan pergerakan rantai-blok besar senilai sekitar $4 juta. Pergerakan ini melibatkan transfer 384 miliar SHIB keluar dari dompet panas dan 480 miliar SHIB kembali ke dompet yang sama, tampaknya sebagai bagian dari operasi penyeimbangan kembali (rebalancing) dompet rutin, bukan pelepasan atau penjualan aset oleh bursa. Aktivitas ini terjadi setelah SHIB mengalami reli harga 36%, yang membuatnya lebih mencolok dan ditanggapi dengan sensitif oleh pedagang. Namun, karena perpindahan terjadi antara alamat yang diketahui milik Upbit sendiri, hal ini tidak secara langsung mengubah pasokan di pasar. Artikel ini menekankan pentingnya konteks dan pelabelan dompet yang tepat dalam menafsirkan data on-chain, agar pergerakan besar tidak disalahartikan sebagai sinyal jual atau aksi "paus" yang dapat menyesatkan narasi pasar.

bitcoinist28m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

bitcoinist28m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

Apakah ada batas yang wajar untuk jumlah makalah yang dapat disertakan seorang penulis di konferensi AI top? ICLR 2027 memberlakukan aturan baru: maksimal 20 makalah per penulis. Aturan ini dirancang untuk meringankan tekanan pada sistem peninjauan, terutama setelah ICLR 2026 mengalami lonjakan 68% dalam jumlah pengajuan hingga 19.525 makalah. Peraturan ini langsung memicu perdebatan. Dan Roy, seorang peneliti dari Google DeepMind, meluncurkan petisi satir di platform X yang menyerukan pencabutan batas 20 makalah tersebut. Dalam petisinya, dia secara ironis berargumen bahwa batasan ini akan "memperlambat kemajuan AI," terutama di era di mana AI Agent dapat menghasilkan banyak penelitian dan model bahasa besar (LLM) sudah digunakan untuk meninjau makalah. Sindirannya menyoroti kekhawatiran nyata tentang kualitas penelitian dan peninjauan. Poin utamanya adalah: dengan maraknya penggunaan AI untuk menulis dan meninjau makalah, apakah solusinya hanya membatasi jumlah pengajuan? ICLR mendorong ilmu "lebih lambat" dan lebih matang, sementara dinamika saat ini berisiko membanjiri sistem dengan makalah inkremental. Petisi Roy, meski sarkastik, mendorong komunitas untuk merenungkan inti permasalahan ini.

marsbit32m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

marsbit32m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

Kerusakan pada dompet perangkat keras Coldcard mengakibatkan pencurian Bitcoin senilai sekitar $89 juta, memicu migrasi aset besar-besaran di blockchain terbesar sejak runtuhnya FTX. Menurut Galaxy Research, 1.367,05 BTC dicuri dari 4.585 alamat dalam tiga gelombang serangan yang menargetkan dompet dengan frasa pemulihan (seed phrase) yang lemah akibat cacat perangkat lunak. Insiden ini menyebabkan gangguan signifikan pada indikator rantai Bitcoin. Pengguna yang terdampak berbondong-bondong memindahkan aset mereka ke dompet baru yang aman, menyebabkan lonjakan ekstrem dalam aktivitas alamat aktif dan volume transaksi kecil. CryptoQuant mencatat puncak baru dalam transaksi berukuran di bawah 1 BTC dan peningkatan drastis deposit ke bursa, sementara sentimen pasar berubah sangat bearish. Pelacakan dana curian menghadapi tantangan unik: aturan keamanan AI di AS menghambat analisis data investigasi oleh model komersial utama, memaksa peneliti seperti tim Galaxy untuk beralih ke model AI sumber terbuka dari China (seperti GLM 5.2) guna melacak aliran dana dengan cepat. Kasus ini menyoroti dilema dalam penggunaan AI untuk keamanan siber: pembatasan yang melindungi juga dapat memperlambat respons defensif terhadap kejahatan yang bergerak cepat di ruang kripto.

marsbit1j yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

marsbit1j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

Trading

Spot