Bullish Teams Up with Deutsche Bank for Crypto-Fiat Integration

TheCryptoTimesPubblicato 2025-10-08Pubblicato ultima volta 2025-10-08

Bullish, a platform for institutional investors in the digital asset space that offers market infrastructure and data services, has teamed up with Deutsche Bank for corporate banking. The firm aims to connect traditional finance with the cryptocurrency sector.

As per the press release, under the agreement, Deutsche Bank will offer a range of banking services to Bullish, focusing on the smooth handling of regular currency deposits and withdrawals for users of Bullish Exchange’s regulated operations in Hong Kong and Germany. 

The partnership aims to incorporate features, including real-time reporting via APIs, instant payment capabilities, and a virtual accounting system designed to enhance transaction monitoring. The agreement also outlines intentions to extend these services to new markets, such as the U.S., as Bullish expands its regulatory reach.

Chris Tyrer, President of Bullish Exchange, described the partnership as a key development for the company’s banking framework, noting it will improve customer access to secure and efficient ways to move funds in and out of the platform using Deutsche Bank’s traditional payment systems.

Kilian Thalhammer, Head of Merchant Solutions at Deutsche Bank, emphasized the bank’s focus on collaborating with firms that prioritize safety, openness, and approaches. He further shared, “Our collaboration with Bullish, a globally recognised leader in regulated virtual asset services, reflects our ambition to act as a Global Hausbank for the emerging digital economy”.

Since its launch in November 2021, Bullish has processed over $1.5 trillion in total trading volume. In 2025, the platform managed an average of more than $2 billion in daily trades, securing a spot among the top ten exchanges for spot trading of Bitcoin and Ether. 

Also Read: Bullish Launches NYDFS-Licensed Spot Trading Platform in US

Mobile Only Image

Letture associate

Three Years Later: Looking Back at My Predictions About ChatGPT in 2023

Three Years Later: Revisiting My 2023 Predictions on ChatGPT In March 2023, shortly after ChatGPT's launch, I made 20 predictions about its future. Now, in mid-2026, I've used AI agents to fact-check each one against the latest data. Overall, most major directional forecasts were correct, with only one outright error (incorrectly stating GPT-4 had 100 trillion parameters). Key successes included predicting that RAG and retrieval architectures would become the standard for handling knowledge and hallucinations, that natural language interfaces (LUI) would create a massive new industry layer beyond the models themselves, and that China would develop viable large language models, significantly closing the performance gap with Western counterparts within about three years. Predictions about the absence of mass unemployment, the rise of a new "robot network" for agent communication, and ChatGPT not possessing consciousness also held true in their core arguments. However, the "devil was in the details." Errors frequently involved specific numbers, timelines, or overlooking distributional effects. I tended to overestimate the speed of adoption (e.g., for agent networks) while underestimating the ultimate scale of capabilities or costs (e.g., AI winning IMO gold without tools, or the extreme capital required for frontier models). Other misjudgments included: underestimating how AI would reinforce, not dissolve, information filter bubbles; incorrectly assuming AI-generated content would easily circumvent copyright (it has instead triggered record-breaking settlements); and misidentifying where value would be captured (it accrued overwhelmingly to the compute layer, like Nvidia, not just the application or model layers). Key lessons from reviewing these predictions are: 1) Directional and mechanistic insights are far more reliable than precise numbers or absolute statements. 2) There's a consistent bias to overestimate short-term speed but underestimate long-term magnitude. 3) Errors often lie in missing distributional impacts within a generally correct aggregate trend. 4) Predictions phrased with nuance and caveats aged the best. 5) Some fundamental debates (e.g., on machine consciousness or the ultimate value chain) remain unresolved even after three years. This exercise is less about scoring the past and more about establishing rules for clearer thinking about the next three years of AI.

marsbit5 h fa

Three Years Later: Looking Back at My Predictions About ChatGPT in 2023

marsbit5 h fa

Three Years Later: Looking Back on My 2023 Predictions for ChatGPT

Looking Back After Three Years: Revisiting My 2023 Predictions on ChatGPT In March 2023, shortly after ChatGPT's debut and before GPT-4's release, I made over twenty predictions about AI's future based on limited information and intuition. Now, in May 2026, I revisited those forecasts using an AI-driven analysis with 41 Opus 4.8 agents to cross-reference them with the latest data. The assessment used symbols: ✅ Correct, 🟢 Mostly Correct, 🟡 Partially Correct, ❌ Incorrect. Overall, the directional judgments held up well, with only one major factual error regarding GPT-4's rumored parameter size (incorrectly cited as 100T). However, nuances and degrees of accuracy revealed more. **What Was Largely Correct:** Predictions about mechanisms and directions proved accurate. The rise of RAG (Retrieval-Augmented Generation) as the standard architecture for combating AI hallucination was confirmed, as was the transformative potential of LUI (Language User Interface) in creating a new industry layer atop GUIs. The emergence of "robot networks" (agent-to-agent communication protocols) and China's rapid catch-up in developing capable large models (closing the performance gap with top models to ~2.7%) were also on point. The analysis affirmed that LLMs lack consciousness and that the Turing Test merely measures perceived intelligence. **What Was Off Target:** Errors often involved specific numbers, over-optimistic timelines, or misjudged distributions. The prediction that value would primarily accrue to the application layer was half-right but missed NVIDIA's dominance as the profitable infrastructure layer. Forecasts about AI circumventing copyright issues and fostering a "global common ground" by averaging human viewpoints were incorrect; instead, major copyright settlements occurred and AI personalization is increasing. Estimates for model training costs ("$5-10 billion cap") were significantly off, underestimating frontier costs and overestimating replication costs. The notion that LLMs could never do complex math without tools was disproven by later models winning IMO gold. **Key Patterns from the Review:** 1. **Direction over precision:** Judgments about mechanisms and trends were more reliable than specific numbers or definitive statements. 2. **Timing bias:** There was a tendency to overestimate short-term speed but underestimate long-term magnitude and transformation. 3. **The distribution blind spot:** Aggregate-level correctness often masked uneven impacts (e.g., on young professionals' employment). 4. **The value of qualifiers:** Predictions framed with caution (e.g., "reportedly," "for now," "prototype in 2-3 years") aged better. 5. **Some debates continue:** Issues like the nature of "emergent abilities" or machine consciousness remain unresolved. This three-year review highlights that while seeing the big picture is crucial, humility regarding specifics, timelines, and disparate impacts is essential for future forecasting.

链捕手8 h fa

Three Years Later: Looking Back on My 2023 Predictions for ChatGPT

链捕手8 h fa

AI Bubble Warning: AI Investments Are Negative Returns for Most Tech Giants

The article issues a stark warning about a potential AI investment bubble. It notes that while the AI boom shares similarities with the TMT bubble of the late 1990s, its scale is vastly larger, currently driving 93% of U.S. GDP growth. Major hyperscale cloud providers like Microsoft, Alphabet, Amazon, Meta, and Oracle are planning to invest trillions in AI data centers over the coming years. However, calculations based on analyst projections for 2025-2030 reveal a concerning math problem: expected capital expenditure growth far outpaces projected revenue growth. Even under an extremely optimistic scenario of zero costs, the implied return on investment for most of these tech giants (except Amazon) is deeply negative. This suggests that the current trajectory could lead to one of history's largest shareholder value destruction events. The piece outlines two potential escapes: AI generating vastly more revenue than currently anticipated—a near-impossible task—or a significant cutback in the planned investment splurge. The latter scenario could trigger a domino effect, severely impacting the entire tech supply chain (from Nvidia to TSMC), potentially pushing the U.S. economy into recession, and causing a major stock market downturn. The author suggests upcoming high-profile IPOs by companies like OpenAI and Anthropic might represent a transfer of risk from early investors to public market participants. While the peak of the hype cycle might sustain investment through 2026, the fundamental financial dilemma remains unresolved, setting the stage for a potential market correction in 2027 or 2028, similar to the years following Alan Greenspan's "irrational exuberance" warning.

marsbit9 h fa

AI Bubble Warning: AI Investments Are Negative Returns for Most Tech Giants

marsbit9 h fa

From Tokens to Machine Labor: AI is Shifting from Tool to "Worker"

The article "From Token to Machine Labor: AI is Evolving from Tool to 'Worker'" argues that the business model for AI is shifting beyond simply selling computational resources (tokens, GPU hours) or model access. Instead, a new "machine labor market" is emerging, where the core economic transaction is the purchase of economically useful work directly performed by software. The central thesis is that AI pricing will evolve through four stages: 1) raw tokens, 2) standardized LLM capabilities (e.g., text generation), 3) industry-specific labor markets (e.g., legal review, radiology), and finally 4) a programmable results market where tasks like resolving a support ticket are bid on and priced based on outcome. In this future, buyers will care less about *which* model or GPU completes a task and more about whether the work meets specified standards for accuracy, latency, and cost. This transition reframes the impact of AI on human labor. Rather than simple replacement, it suggests a re-coordination where machines handle standardized, verifiable work, freeing humans for roles involving oversight, context management, responsibility, and final judgment. In some cases, this "last 1%" of human input becomes more valuable as it enables the other 99% to be automated. Furthermore, as AI reduces the cost of work, demand may expand, creating larger markets (e.g., 24/7 customer service) rather than just cheaper versions of existing ones. The article concludes that while infrastructure (GPUs, models, tokens) remains crucial upstream, the market is converging on a simpler, tradeable unit: machine labor that can be defined, measured, priced, and procured based on contractible specifications.

marsbit9 h fa

From Tokens to Machine Labor: AI is Shifting from Tool to "Worker"

marsbit9 h fa

Xiaomi MiMo's 99% Price Cut is Not Marketing! Luo Fuli Posts on X to Refute Critics

The price of Xiaomi's MiMo-V2.5 series API has been permanently reduced by up to 99%, specifically for the "Input (Cache Hit)" cost, which covers users re-reading historical context in long conversations. MiMo's head, Luo Fuli, published a detailed technical blog to clarify that this drastic price cut stems from genuine engineering breakthroughs, not a marketing stunt or a simple price war. The core of the achievement lies in six key engineering optimizations. First, the model architecture adopts a Hybrid Sliding Window Attention (SWA), reducing the memory footprint (KVCache) to 1/7th of a traditional model. Second, a dual-pool memory management system actually utilizes these savings, allowing a single GPU to handle over 5 times more concurrent users. Third, an upgraded prefix caching mechanism achieves a cache hit rate of 93-95% for repeated reads, meaning most such requests bypass GPU computation entirely. Fourth, a self-developed distributed cache (GCache) utilizes idle SSD space on existing GPU servers, eliminating additional storage costs. Fifth, an intelligent scheduling system (LLM-Router) efficiently routes requests to maximize cache reuse and performance. Sixth, Multi-Token Prediction (MTP) accelerates the model's text generation ("output") side. Together, these systemic optimizations dramatically lower the real computational cost per request, enabling the 99% price reduction for cached inputs while reportedly maintaining positive gross margins. Luo Fuli's disclosure aims to shift the narrative from "price war" to a demonstration of substantive AI engineering progress.

marsbit11 h fa

Xiaomi MiMo's 99% Price Cut is Not Marketing! Luo Fuli Posts on X to Refute Critics

marsbit11 h fa

Trading

Spot
Futures

Articoli Popolari

Cosa è $BANK

Banca AI: Un Passo Rivoluzionario nel Futuro della Banca Introduzione In un'era caratterizzata da rapidi progressi tecnologici, Banca AI si trova all'incrocio tra intelligenza artificiale (AI) e servizi bancari. Questo progetto innovativo mira a ridefinire il panorama finanziario, migliorando l'efficienza operativa, le misure di sicurezza e le esperienze dei clienti attraverso il potere dell'AI. Mentre ci impegniamo in questa esplorazione di Banca AI, esamineremo cosa comporta il progetto, le sue dinamiche operative, il suo contesto storico e i traguardi significativi. Cos'è Banca AI? Alla sua essenza, Banca AI rappresenta un'iniziativa trasformativa volta a integrare l'intelligenza artificiale in varie operazioni bancarie. Questo progetto sfrutta le capacità dell'AI per automatizzare processi, migliorare i protocolli di gestione del rischio e potenziare l'interazione con i clienti attraverso servizi personalizzati. Gli obiettivi principali di Banca AI includono: Automazione delle Funzioni Bancarie: Sfruttando le tecnologie AI, Banca AI mira ad automatizzare compiti di routine, riducendo il carico sulle risorse umane e aumentando l'efficienza. Miglioramento della Gestione del Rischio: Il progetto utilizza algoritmi AI per prevedere e identificare i rischi, rafforzando così le misure di sicurezza contro le frodi e altre minacce. Personalizzazione dei Servizi Bancari: Banca AI si concentra sull'offrire prodotti e servizi finanziari su misura analizzando i dati e i comportamenti dei clienti. Miglioramento dell'Esperienza del Cliente: L'implementazione di soluzioni guidate dall'AI, come chatbot e assistenti virtuali, mira a fornire agli utenti interazioni più umane, rivoluzionando il modo in cui i clienti si relazionano con le banche. Con questi obiettivi, Banca AI si posiziona come un attore cruciale nel rendere la banca più efficiente, sicura e centrata sull'utente. Chi è il Creatore di Banca AI? I dettagli riguardanti il creatore di Banca AI rimangono sconosciuti. Pertanto, non è stata identificata alcuna persona o organizzazione specifica nelle informazioni disponibili. L'anonimato che circonda la nascita del progetto solleva domande, ma non sminuisce la sua ambiziosa visione e obiettivi. Chi sono gli Investitori di Banca AI? Simile al creatore del progetto, informazioni specifiche riguardo gli investitori o le organizzazioni di supporto di Banca AI non sono state divulgate. Senza queste informazioni, è difficile delineare il sostegno finanziario e istituzionale che potrebbe spingere il progetto in avanti. Tuttavia, l'importanza di avere una solida base di investimento è fondamentale per sostenere lo sviluppo in un campo così innovativo. Come Funziona Banca AI? Banca AI opera su più fronti innovativi, concentrandosi su fattori unici che la differenziano dai framework bancari tradizionali. Di seguito sono riportate le caratteristiche operative chiave: Automazione: Applicando algoritmi di machine learning, Banca AI automatizza vari processi manuali all'interno delle banche. Ciò si traduce in una riduzione dei costi operativi e consente ai lavoratori umani di reindirizzare i propri sforzi verso attività più strategiche. Gestione Avanzata del Rischio: L'integrazione dell'AI nelle pratiche di gestione del rischio fornisce alle banche strumenti per prevedere con precisione potenziali minacce come le frodi, garantendo che le informazioni e i beni dei clienti rimangano al sicuro. Raccomandazioni Finanziarie Personalizzate: Attraverso l'apprendimento continuo dalle interazioni con i clienti, i sistemi AI sviluppano una comprensione sfumata delle esigenze degli utenti, consentendo loro di offrire consigli su misura per le decisioni finanziarie. Interazioni Migliorate con i Clienti: Utilizzando chatbot e assistenti virtuali alimentati dall'AI, Banca AI consente un'esperienza cliente più coinvolgente, permettendo agli utenti di risolvere rapidamente le loro richieste, riducendo così i tempi di attesa e migliorando i livelli di soddisfazione. Tutte queste caratteristiche operative posizionano Banca AI come un pioniere nel settore bancario, stabilendo nuovi standard per la fornitura di servizi e l'eccellenza operativa. Timeline di Banca AI Comprendere la traiettoria di Banca AI richiede uno sguardo al suo contesto storico. Di seguito è riportata una timeline che evidenzia traguardi e sviluppi importanti: Inizio 2010: La concettualizzazione dell'integrazione dell'AI nei servizi bancari ha cominciato a guadagnare attenzione mentre le istituzioni bancarie riconoscevano i potenziali benefici. 2018: Si è verificato un aumento significativo nell'implementazione delle tecnologie AI quando le banche hanno iniziato a utilizzare strumenti AI come i chatbot per servizi clienti di base e sistemi di gestione del rischio per migliorare la sicurezza. 2023: La sofisticazione dell'AI ha continuato ad avanzare, con l'introduzione dell'AI generativa per compiti più complessi come l'elaborazione di documenti e l'analisi degli investimenti in tempo reale. Quest'anno ha segnato un significativo salto nelle capacità offerte alle banche dalla tecnologia AI. 2024-Stato Attuale: A partire da quest'anno, Banca AI è su una traiettoria ascendente, con ricerche e sviluppi in corso pronti a migliorare ulteriormente le capacità nelle operazioni bancarie. L'esplorazione continua delle applicazioni AI suggerisce sviluppi entusiasmanti in arrivo. Punti Chiave su Banca AI Integrazione dell'AI nella Banca: Banca AI si concentra sull'adozione dell'intelligenza artificiale per snellire i processi bancari e migliorare le esperienze degli utenti. Focus su Automazione e Gestione del Rischio: Il progetto enfatizza fortemente queste aree, mirando a spostare il carico di compiti di routine mentre migliora le strutture di sicurezza attraverso analisi predittive. Soluzioni Bancarie Personalizzate: Sfruttando i dati dei clienti, Banca AI consente servizi bancari su misura che si adattano alle esigenze individuali degli utenti. Impegno per lo Sviluppo: Banca AI rimane impegnata in sforzi di ricerca e sviluppo continuativi, garantendo la sua adattabilità e rilevanza continua man mano che la tecnologia continua a evolversi. Conclusione In sintesi, Banca AI rappresenta un passo cruciale in avanti nell'industria bancaria, sfruttando l'intelligenza artificiale per rimodellare i paradigmi operativi, migliorare la sicurezza e promuovere la soddisfazione del cliente. Nonostante le lacune nelle informazioni riguardo il creatore e gli investitori, gli obiettivi chiari e i meccanismi funzionali di Banca AI forniscono una solida base per la sua continua evoluzione. Mentre la tecnologia AI continua ad avanzare e fondersi con il settore bancario, Banca AI è ben posizionata per avere un impatto significativo sul futuro dei servizi finanziari, migliorando il modo in cui comprendiamo e interagiamo con la banca.

107 Totale visualizzazioniPubblicato il 2024.04.06Aggiornato il 2024.12.03

Cosa è $BANK

Come comprare BANK

Benvenuto in HTX.com! Abbiamo reso l'acquisto di Lorenzo Protocol (BANK) semplice e conveniente. Segui la nostra guida passo passo per intraprendere il tuo viaggio nel mondo delle criptovalute.Step 1: Crea il tuo Account HTXUsa la tua email o numero di telefono per registrarti il tuo account gratuito su HTX. Vivi un'esperienza facile e sblocca tutte le funzionalità,Crea il mio accountStep 2: Vai in Acquista crypto e seleziona il tuo metodo di pagamentoCarta di credito/debito: utilizza la tua Visa o Mastercard per acquistare immediatamente Lorenzo ProtocolBANK.Bilancio: Usa i fondi dal bilancio del tuo account HTX per fare trading senza problemi.Terze parti: abbiamo aggiunto metodi di pagamento molto utilizzati come Google Pay e Apple Pay per maggiore comodità.P2P: Fai trading direttamente con altri utenti HTX.Over-the-Counter (OTC): Offriamo servizi su misura e tassi di cambio competitivi per i trader.Step 3: Conserva Lorenzo Protocol (BANK)Dopo aver acquistato Lorenzo Protocol (BANK), conserva nel tuo account HTX. In alternativa, puoi inviare tramite trasferimento blockchain o scambiare per altre criptovalute.Step 4: Scambia Lorenzo Protocol (BANK)Scambia facilmente Lorenzo Protocol (BANK) nel mercato spot di HTX. Accedi al tuo account, seleziona la tua coppia di trading, esegui le tue operazioni e monitora in tempo reale. Offriamo un'esperienza user-friendly sia per chi ha appena iniziato che per i trader più esperti.

684 Totale visualizzazioniPubblicato il 2025.05.09Aggiornato il 2026.05.19

Come comprare BANK

Discussioni

Benvenuto nella Community HTX. Qui puoi rimanere informato sugli ultimi sviluppi della piattaforma e accedere ad approfondimenti esperti sul mercato. Le opinioni degli utenti sul prezzo di BANK BANK sono presentate come di seguito.

活动图片