AS Sita Hampir $1 Miliar Aset Kripto Iran di Tengah Kampanye Tekanan Ekonomi

TheNewsCryptoDipublikasikan tanggal 2026-05-30Terakhir diperbarui pada 2026-05-30

Abstrak

Menteri Keuangan AS Scott Bessent mengumumkan penyitaan hampir $1 miliar aset kripto Iran sebagai bagian dari operasi tekanan ekonomi yang disebut "Operation Economic Fury". Operasi yang dimulai Maret 2025 ini juga mencakup pembekuan rekening bank dan kerja sama dengan mitra Eropa untuk menyita properti. Bessent menyebut ekonomi Iran dalam kondisi buruk dengan distribusi kupon makanan, gangguan internet, dan tentara yang tidak dibayar. Nilai penyitaan terbaru ini jauh lebih besar dari penyitaan sebelumnya yang berjumlah $344 juta pada April lalu dan sekitar dua kali lipat dari pengumuman $500 juta akhir April.

Pada hari Jumat, Menteri Keuangan AS Scott Bessent mengatakan bahwa Amerika Serikat telah menyita aset kripto milik Iran senilai sekitar $1 miliar. Ia juga menyebutkan bahwa beberapa pemilik dompet mungkin bahkan tidak menyadari bahwa dana mereka telah disita. "Saya percaya kami telah menyita sekitar satu miliar dolar kripto mereka," kata Bessent dalam pidatonya di Forum Ekonomi Nasional Reagan.

Menurut Bessent, penyitaan-penyitaan ini merupakan bagian dari Operasi Economic Fury, strategi Amerika Serikat untuk menekan Iran secara finansial. Operasi yang dimulai pada Maret 2025 ini telah menyita aset kripto, membekukan rekening bank, dan berkolaborasi dengan mitra-mitra Eropa untuk menyita properti, menargetkan aset-aset Iran di berbagai lini.

Meningkatnya Tekanan Finansial

Sebelum Amerika Serikat campur tangan, rezim tersebut diduga mencuri $400–$500 juta per bulan dan mendistribusikan uang tersebut kepada sekitar 80 elit, menurut Menteri Keuangan.

Menurutnya, ekonomi Iran berantakan, dengan kupon makanan dibagikan, internet mati, dan 40 hingga 50% militer Iran tidak dibayar. Mengenai perundingan saat ini dengan Iran, Bessent mengatakan sulit untuk bekerja dengan struktur kepemimpinan yang terpecah karena serangan terhadap anggota-anggota kunci rezim oleh AS dan Israel.

Angka $1 miliar yang baru diungkapkan ini jauh lebih tinggi dari $344 juta dalam bentuk mata uang kripto yang dibekukan setelah Kantor Pengendalian Aset Asing AS menjatuhkan sanksi pada dompet-dompet yang terkait dengan Iran pada 24 April. Jumlah ini juga sekitar dua kali lipat dari $500 juta aset kripto Iran yang diumumkan oleh Departemen Keuangan AS telah mereka sita pada akhir April.

Sorotan Berita Kripto Hari Ini:

Pendanaan VC Kripto Menurun pada Kuartal I 2026 karena Transaksi Besar Menghilang

TagBitcoinBlockchain

Pertanyaan Terkait

QBerapa nilai cryptocurrency Iran yang disita oleh AS menurut Sekretaris Keuangan Scott Bessent?

ASekitar $1 miliar (sekitar 1 miliar dolar AS).

QApa nama operasi yang menjadi bagian dari strategi AS untuk menekan Iran secara finansial?

AOperasi tersebut bernama Operation Economic Fury.

QMenurut Bessent, berapa banyak uang yang dicuri rezim Iran setiap bulan sebelum intervensi AS?

ARezim Iran diduga mencuri sekitar $400 hingga $500 juta per bulan.

QSeberapa besar angka $1 miliar yang baru diungkapkan dibandingkan dengan aset kripto Iran yang dibekukan OFAC pada 24 April?

AAngka $1 miliar jauh lebih tinggi, karena aset yang dibekukan OFAC pada 24 April bernilai $344 juta.

QKondisi ekonomi Iran seperti apa yang dijelaskan oleh Sekretaris Keuangan Scott Bessent?

AEkonomi Iran berantakan, dengan pembagian kupon makanan, internet yang mati, dan 40 hingga 50% militer tidak dibayar.

Bacaan Terkait

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Laporan terbaru dari SemiAnalysis mengungkapkan bahwa NVIDIA telah merevisi spesifikasi Rubin Ultra, varian flagship dari arsitektur Rubin yang diumumkan di GTC 2026. Alih-alih peningkatan besar pada memori dan daya komputasi, fokus utama kini beralih ke kemampuan interkoneksi skala sistem. Spesifikasi kunci yang diungkapkan menunjukkan Rubin Ultra akan mempertahankan puncak komputasi teoretis yang sama dengan Rubin standar, yaitu 35 PFLOPs. Namun, terjadi pengurangan signifikan pada kapasitas memori, turun menjadi 192GB dengan konfigurasi 8-Hi, lebih rendah dari Rubin standar yang 288GB (12-Hi). Peningkatan bandwidth memori juga minimal, hanya 1 TB/s, dan daya chip bahkan sedikit lebih tinggi. Peningkatan utama justru pada "skala interkoneksi" (*scale-up world size*), yang melonjak dari 72 GPU menjadi 576 GPU. Ini memungkinkan ratusan GPU Rubin Ultra terhubung via NVLink membentuk satu "super GPU" logis yang sangat besar. Analisis SemiAnalysis mengaitkan perubahan desain ini dengan lonjakan harga HBM (High Bandwidth Memory) yang drastis. Biaya material (BOM) untuk rak server Rubin Ultra sempat melonjak menjadi sekitar $8 juta karena harga HBM, tetapi dengan spesifikasi baru, biaya turun ke sekitar $6.4 juta. NVIDIA diduga mengalihkan biaya dari komponen HBM yang mahal (yang pangsa biayanya turun dari ~40% menjadi 28%) ke peningkatan interkoneksi jaringan (naik dari 4% menjadi 12%). Berita ini memicu kekhawatiran pasar tentang permintaan HBM. Saham produsen HBM seperti SK Hynix dan Samsung anjlok sekitar 8%, mencerminkan kekhawatiran bahwa pembeli utama seperti NVIDIA mungkin mulai mengurangi ketergantungan pada HBM berkapasitas tinggi untuk mengontrol biaya sistem AI secara keseluruhan.

Odaily星球日报9m yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Odaily星球日报9m yang lalu

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.

marsbit1j yang lalu

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

marsbit1j yang lalu

Trading

Spot
活动图片