Dari Mana Asal XRP? Mantan Eksekutif Ripple Bocorkan Kisah Mengejutkan

bitcoinistDipublikasikan tanggal 2026-01-31Terakhir diperbarui pada 2026-01-31

Abstrak

Dalam sesi tanya jawab publik, mantan eksekutif Ripple David Schwartz mengungkap cerita di balik sejarah awal XRP dan Ripple. Schwartz menyebut Arthur Britto sebagai salah satu arsitek utama XRP Ledger yang mencetuskan istilah "drop" untuk unit terkecil XRP, serta ide pertukaran terdesentralisasi dan pathfinding dalam ledger. Ia memuji Britto sebagai sosok dengan kecerdasan langka. Schwartz juga menjelaskan bahwa nama "Ripple" dan gambar beruang menari di situs lama merupakan kebetulan, karena domain ripple.com sebelumnya dimiliki penggemar Grateful Dead. Soal harga XRP, Schwartz menolak memprediksi batas atas, mengingat pengalamannya menjual XRP di $0.10 yang saat itu dianggap irasional, sebelum akhirnya mencapai level lebih tinggi.

Sesi tanya jawab interaktif antara anggota komunitas dan David Schwartz telah mengungkap lapisan lain dari sejarah awal XRP dan Ripple.

Diskusi ini terbuka secara publik di platform media sosial X, di mana pengguna mengajukan serangkaian pertanyaan yang menyentuh unit terkecil token, kekuatan kreatif di balik XRP Ledger, dan bahkan beberapa detail budaya yang terlupakan dari kehadiran internet awal Ripple. Tanggapan dari Schwartz menawarkan wawasan langka tentang kepribadian dan ide-ide yang membentuk Ripple dan Ledger di tahun-tahun formatifnya.

Nama Ripple, Drop, Dan Peran Arthur Britto

Pertukaran dimulai ketika seorang anggota komunitas XRP yang dikenal sebagai Bird bertanya kepada Schwartz siapa yang menciptakan istilah "drop" sebagai nama untuk unit terkecil dari altcoin tersebut. Pertanyaan itu untuk memperjelas detail sejarah untuk keperluan dokumentasi. Schwartz menjawab bahwa dia tidak dapat mengatakan dengan pasti, tetapi dia percaya ide itu berasal dari Arthur Britto, salah satu arsitek utama XRP Ledger.

Schwartz kemudian memperluas melampaui pertanyaan penamaan dan menawarkan perbandingan pribadi antara dirinya dan Britto. Dia menggambarkan dirinya memiliki kecerdasan yang sama seperti kebanyakan orang, hanya lebih banyak, tetapi mengatakan Britto memiliki sesuatu yang sama sekali berbeda, kualitas langka yang tidak dimiliki orang lain.

Anggota komunitas lain, Toby, mengalihkan percakapan dari sejarah teknis ke keingintahuan budaya. Dia bertanya apakah nama Ripple, yang kebetulan juga merupakan lagu Grateful Dead, dan kemunculan Dancing Bear di halaman error 404 Ripple yang lama adalah bagian dari lelucon atau inspirasi internal yang lebih dalam.

Menurut Schwartz, satu-satunya koneksi yang dia ketahui murni kebetulan. Domain ripple.com telah didaftarkan oleh penggemar Grateful Dead yang mengamankannya karena lagu tersebut, dan Ripple kemudian mengakuisisi domain dari individu itu.

Reality Check Tentang Ekspektasi Harga XRP

Seiring percakapan berlanjut, validator XRPL Vet meminta Schwartz untuk memberikan contoh konkret dari masa lalu yang menunjukkan kualitas khusus yang dia atribusikan kepada Britto. Schwartz merespons dengan menunjuk dua ide besar yang berasal dari Britto: konsep pertukaran terdesentralisasi yang dibangun langsung ke dalam XRP Ledger dan penggunaan pathfinding untuk memungkinkan pembayaran mengambil secara bertahap dari berbagai sumber likuiditas.

Nada diskusi berubah lagi ketika pengguna lain mendesak Schwartz untuk secara publik memberi tahu pendukung XRP bahwa harga tidak akan pernah mencapai angka seperti $50 atau $100. Namun, Schwartz menolak untuk membuat pernyataan seperti itu.

Dia menjelaskan bahwa meskipun dia secara pribadi tidak berpikir level harga seperti itu mungkin, sejarah telah mengajarkannya kehati-hatian ketika menyatakan apa yang tidak dapat dilakukan harga crypto. Dia ingat berpikir XRP tidak mungkin mencapai $0,25 dan menjual kepemilikannya di $0,10 karena terasa sangat irasional pada saat itu. Ini terjadi pada saat Bitcoin mencapai $100 tampaknya mustahil.

XRP diperdagangkan pada $1,74 di bagan 1D | Sumber: XRPUSDT di Tradingview.com

Pertanyaan Terkait

QSiapa yang diyakini David Schwartz sebagai pencetus istilah 'drop' untuk unit terkecil XRP?

ADavid Schwartz meyakini bahwa ide untuk menyebut unit terkecil XRP sebagai 'drop' berasal dari Arthur Britto, salah satu arsitek utama XRP Ledger.

QApa hubungan antara nama Ripple, lagu Grateful Dead, dan gambar Dancing Bear di halaman error lama Ripple?

AMenurut Schwartz, satu-satunya hubungan yang dia ketahui adalah kebetulan. Domain ripple.com awalnya didaftarkan oleh penggemar Grateful Dead karena nama lagunya, dan Ripple kemudian membeli domain tersebut dari orang tersebut.

QApa dua ide besar yang dicontohkan Schwartz untuk menunjukkan kualitas khusus Arthur Britto?

ADua ide besar yang berasal dari Britto adalah konsep pertukaran terdesentralisasi yang dibangun langsung ke dalam XRP Ledger dan penggunaan pathfinding untuk memungkinkan pembayaran mengambil likuiditas dari beberapa sumber secara bertahap.

QMengapa David Schwartz menolak untuk menyatakan bahwa harga XRP tidak akan pernah mencapai $50 atau $100?

ASchwartz menolak karena, meskipun secara pribadi dia tidak berpikir harga setinggi itu mungkin, sejarah telah mengajarkannya untuk berhati-hati dalam menyatakan apa yang tidak dapat dilakukan oleh harga crypto. Dia pernah salah menjual XRP-nya di $0.10 karena mengira $0.25 mustahil.

QBagaimana David Schwartz membandingkan kecerdasannya sendiri dengan kecerdasan Arthur Britto?

ASchwartz menggambarkan dirinya memiliki jenis kecerdasan yang sama seperti kebanyakan orang, hanya lebih banyak. Namun, dia mengatakan Britto memiliki sesuatu yang sama sekali berbeda, sebuah kualitas langka yang tidak dimiliki orang lain.

Bacaan Terkait

Laporan Pagi Wall Street: V-reversal di Akhir Bulan, Tapi Indeks Nasdaq Rekam Performa Terburuk Juli dalam 12 Tahun, Modal Terkonsentrasi ke Raksasa Cloud

**Laporan Pagi Wall Street: Rebound di Akhir Bulan, Tapi Nasdaq Catat Performa Terburuk Juli dalam 12 Tahun, Modal Terakselerasi ke Raksasa Cloud** Pasar saham AS mengalami rebound berbentuk V pada Jumat lalu, dengan tiga indeks utama menguat. Namun, ini tidak menutupi performa buruk sepanjang Juli: Indeks S&P 500 hampir datar, mencatat kinerja Juli terburuk sejak 2014, sementara **Indeks Nasdaq turun 3,2%, merupakan kinerja Juli terburuk sejak 2004.** **Pergerakan Komoditas & Makro:** * **Minyak:** Harga minyak mentah WTI anjlok >8% setelah Presiden Trump membatalkan serangan militer terhadap Iran dan OPEC+ menyetujui peningkatan kuota produksi. * **Emas:** Harga emas naik tipis 0,91% pada Juli, berayun di sekitar $4050/oz. Analis melihat periode konsolidasi dengan kisaran perkiraan $3800-$4500 untuk tahun ini. * **Obligasi & Mata Uang:** Yield obligasi AS 10 tahun melonjak di bulan Juli. AS dan Jepang melakukan intervensi bersama untuk mendukung Yen, mendorong USD/JPY turun di bawah level 156. **Fokus Pasar: Percepatan Aliran Modal ke Raksasa Cloud** Tekanan deleveraging membayangi saham teknologi sepanjang Juli, namun **modal bergerak cepat ke perusahaan cloud besar.** Saham cloud meroket setelah laporan kinerja kuartalan yang kuat, dengan **kapitalisasi pasar gabungan raksasa cloud bertambah hampir $1,5 triliun** dalam seminggu (Microsoft, Amazon, Google). Ini menunjukkan pergeseran modal dari sektor hardware/semikonduktor yang padat menuju perusahaan cloud dengan arus kas yang kuat. **Kilasan Performa Saham Penting:** * **Amazon:** Melonjak 15,32% setelah kinerja AWS yang sangat kuat. * **Microsoft & Google:** Terus menguat dengan prospek bisnis cloud/AI yang solid. * **Meta:** Naik 3,28%, mengakhiri 11 hari penurunan beruntun. * **Apple:** Anjlok 7,35% karena kekhawatiran pasokan dan panduan yang lemah. * **Saham Memori (seperti Micron, Sandisk):** Terkoreksi tajam pada bulan Juli. * **SpaceX:** Akan merilis laporan kinerja pertama pasca-IPO pada 5 Agustus, diikuti masa pelepasan saham terbatas besar-besaran pada 6 Agustus. **Yang Perlu Diperhatikan Minggu Ini:** * **Laporan Kinerja Perusahaan:** Berkshire Hathaway, Palantir, AMD, SpaceX, Disney, Sandisk, Western Digital, dan lainnya. * **Konferensi:** Ai4 2026 dan Flash Memory Summit (FMS). * **Data Makro Kunci:** Laporan Penggajian Non-Pertanian AS (7 Agustus), data ekspor-impor & CPI China.

marsbit45m yang lalu

Laporan Pagi Wall Street: V-reversal di Akhir Bulan, Tapi Indeks Nasdaq Rekam Performa Terburuk Juli dalam 12 Tahun, Modal Terkonsentrasi ke Raksasa Cloud

marsbit45m yang lalu

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1j yang lalu

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

Odaily星球日报1j 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.

marsbit2j yang lalu

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

marsbit2j yang lalu

Trading

Spot
活动图片