Kementerian Keuangan AS Mulai Meluncurkan UU GENIUS dengan Pemberitahuan Aturan yang Diusulkan

bitcoinistDipublikasikan tanggal 2026-04-02Terakhir diperbarui pada 2026-04-02

Abstrak

Kementerian Keuangan AS telah menerbitkan pemberitahuan rancangan peraturan (NPRM) sebagai langkah awal implementasi Undang-Undang GENIUS yang mengatur stablecoin pembayaran. Aturan ini menetapkan prinsip-prinsip federal untuk menilai kesetaraan regulasi negara bagian, dengan memberikan keleluasaan bagi negara bagian dalam menerapkan standar bagi penerbit stablecoin. Mulai 18 Juli 2028, dilarang menjual stablecoin tanpa izin di AS. Negara bagian dapat melisensikan penerbit dengan volume kurang dari $10 miliar jika regulasinya sejalan dengan kerangka federal. Kementerian membuka masukan publik sebelum finalisasi aturan terkait pengawasan, perizinan, dan perlindungan konsumen.

Kementerian Keuangan AS pada hari Rabu menerbitkan pemberitahuan aturan yang diusulkan (NPRM) yang meluncurkan upaya formal pertama pemerintahan untuk menerapkan UU GENIUS, undang-undang federal baru yang mengatur stablecoin pembayaran yang ditandatangani oleh Presiden Donald Trump tahun lalu.

NPRM adalah proposal regulasi awal Kementerian Keuangan untuk memberlakukan persyaratan undang-undang dan meminta komentar publik tentang bagaimana departemen bermaksud menerapkan hukum.

Aturan yang Diusulkan dalam UU GENIUS

Di bawah UU GENIUS — secara resmi berjudul Guiding and Establishing National Innovation for US Stablecoins Act — Kementerian Keuangan ditugaskan untuk menetapkan, melalui aturan pemberitahuan-dan-komentar, prinsip-prinsip tingkat tinggi untuk menilai apakah rezim regulasi negara bagian "secara substansial serupa" dengan kerangka kerja federal.

Aturan yang diusulkan departemen sepanjang 87 halaman menjelaskan bagaimana mereka mengharapkan otoritas federal dan negara bagian berinteraksi di bawah rezim baru dan mengidentifikasi hal-hal yang menjadi fokus masukan dari para pemangku kepentingan.

Proposal Kementerian Keuangan menandakan bahwa mereka memperkirakan negara bagian akan melihat panduan federal, termasuk standar yang diusulkan oleh Office of the Comptroller of the Currency (OCC), ketika memutuskan seberapa preskriptif aturan mereka sendiri.

NPRM mengutip pendekatan OCC, yang menurut OCC dimaksudkan untuk fleksibel dan dikalibrasi sesuai dengan sifat, cakupan, dan risiko yang ditimbulkan oleh aktivitas penerbit stablecoin pembayaran yang diizinkan.

Rancangan Kementerian Keuangan memberikan ruang bagi negara bagian untuk mengadopsi persyaratan berbasis prinsip, menunjukkan bahwa regulator negara bagian akan memiliki kebijaksanaan untuk merancang standar bagi penerbit yang memenuhi syarat di bawah rezim negara bagian.

Efek akhir akan tergantung pada konten spesifik dari setiap rezim regulasi negara bagian, yang menurut proposal diperkirakan dapat sangat bervariasi karena UU GENIUS memberikan kebijaksanaan kepada negara bagian dalam menerapkan kerangka kerja mereka sendiri.

Rancangan Kementerian Keuangan Menetapkan Timeline

Aturan draf juga menguraikan timeline transisi dan konsekuensi pasar yang dipertimbangkan oleh undang-undang. Setelah UU GENIUS berlaku, entitas akan dilarang menerbitkan stablecoin pembayaran di Amerika Serikat kecuali mereka diotorisasi sebagai penerbit stablecoin pembayaran yang diizinkan.

Selain itu, undang-undang tersebut melarang, mulai 18 Juli 2028, bagi penyedia layanan aset digital untuk menawarkan atau menjual stablecoin tanpa lisensi kepada orang-orang yang berada di Amerika Serikat.

Untuk melestarikan jalur opsi negara bagian bagi penerbit yang lebih kecil, undang-undang mengizinkan suatu negara bagian untuk melisensikan penerbit stablecoin pembayaran dengan total penerbitan beredar konsolidasi tidak lebih dari $10 miliar, tetapi hanya jika negara bagian tersebut bersertifikat bahwa rezim regulasinya secara substansial serupa dengan kerangka kerja federal.

Secara keseluruhan, departemen sedang mencari masukan publik tentang detail proposal saat mereka bergerak ke arah finalisasi aturan yang dimaksudkan untuk menerapkan struktur UU GENIUS untuk pengawasan, perizinan, dan perlindungan konsumen di pasar stablecoin.

Grafik harian menunjukkan pemulihan total kapitalisasi pasar crypto menuju $2,35 triliun pada hari Rabu. Sumber: TOTAL on TradingView.com

Gambar unggulan dari OpenArt, grafik dari TradingView.com

Pertanyaan Terkait

QApa yang diumumkan oleh Departemen Keuangan AS pada hari Rabu terkait GENIUS Act?

ADepartemen Keuangan AS menerbitkan pemberitahuan mengenai aturan yang diusulkan (NPRM) yang meluncurkan upaya formal pertama administrasi untuk menerapkan GENIUS Act, undang-undang federal baru yang mengatur stablecoin pembayaran.

QApa peran utama Departemen Keuangan di bawah GENIUS Act?

ADepartemen Keuangan bertugas menetapkan prinsip-prinsip tingkat tinggi untuk menilai apakah rezim regulasi negara bagian 'secara substansial serupa' dengan kerangka kerja federal melalui proses pemberitahuan dan komentar.

QApa batas waktu yang ditetapkan dalam aturan yang diusulkan untuk penjualan stablecoin tanpa izin?

AMulai 18 Juli 2028, akan menjadi tidak sah bagi penyedia layanan aset digital untuk menawarkan atau menjual stablecoin tanpa izin kepada orang-orang yang berada di Amerika Serikat.

QBagaimana GENIUS Act memberikan opsi untuk penerbit kecil?

AUndang-undang memungkinkan negara bagian untuk melisensikan penerbit stablecoin pembayaran dengan total penerbitan beredar tidak lebih dari $10 miliar, asalkan negara bagian tersebut bersertifikat bahwa rezim regulasinya secara substansial serupa dengan kerangka federal.

QApa yang diharapkan Departemen Keuangan dari negara bagian dalam menerapkan regulasi stablecoin?

ADepartemen Keuangan mengharapkan negara bagian akan merujuk pada pedoman federal, seperti standar yang diusulkan OCC, dan memiliki diskresi untuk merancang standar berbasis prinsip bagi penerbit yang memenuhi kualifikasi di bawah rezim negara bagian.

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.

marsbit46m yang lalu

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

marsbit46m 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

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit2j yang lalu

Trading

Spot
活动图片