Derive: Биткоин перешел к стадии формирования локального дна

cryptonews.ruPubblicato 2025-02-19Pubblicato ultima volta 2025-10-20

Геополитическая напряженность в торговле между США и Китаем ослабевает, что усиливает оптимизм на рынке цифровых активов и может стабилизировать курс биткоина, полагает глава исследовательского отдела Derive Шон Доусон (Sean Dawson).

Эскалация торговой войны между США и Китаем в начале октября спровоцировала каскад ликвидаций на рынке криптовалют, обрушив цены. Теперь смягчение макроэкономических рисков может запустить восходящее ралли биткоина, отметил эксперт.

Еще одним фактором, который, по мнению Доусона, может привести к устойчивой положительной динамике первой криптовалюты, станет очередное снижение процентных ставок ФРС. В подобном сценарии снижается спекулятивный интерес к традиционным финансовым инструментам, что побуждает инвесторов использовать более рискованные стратегии, включая криптовалюты.

По данным портала СoinMarketCap, за 24 часа биткоин вырос почти на 4%, достигнув локального максимума в $111 100, что вызвало небольшое ралли на более широком рынке альткоинов.

BTCUSDT_2025-10-20_11-21-06.png

«Вероятно, мы видим локальное дно биткоина, который крайне чувствителен к подобным событиям. Если все опасения будут окончательно развеяны, возможно, мы увидим его значительный рост. Однако риск эскалации торговой войны между США и Китаем еще сохраняется, что может спровоцировать дальнейшее падение», — заявил Доусон.

Ранее Гендиректор JAN3 Самсон Моу (Samson Mow) предположил, что следующее бычье ралли биткоина превзойдет скорость роста стоимости золота.

Letture associate

Dwarkesh Patel: The Next Generation of AI May Be Built Through Actual Work

In his latest podcast, Dwarkesh Patel explores the next paradigm for AI training. While current progress in fields like coding and math relies on Reinforcement Learning with Verifiable Rewards (RLVR), which requires tasks that are both verifiable and highly scalable ("grindable"), Patel questions whether this is sufficient for complex real-world objectives like starting a business, winning a legal case, or managing an organization. These tasks provide verifiable outcomes but lack the resetable, parallelizable environments needed for efficient RLVR training. Patel argues the key limitation of current models is their inability to convert valuable in-context learning from real deployment into permanent weight updates—a process he terms "learning back to the weights." He proposes two potential solutions: On-Policy Self-Distillation (OPSD), where a model distills knowledge from long, task-specific sessions back into its base weights, and "dreaming," where an AI constructs simulated environments from real-world observations to practice and refine strategies. Ultimately, Patel envisions a future training paradigm where AI advances not just through pre-training on static datasets but through continual, post-deployment learning from real-world experience. This shift would enable AI to move beyond "grindable" tasks and develop robust, generalizable agent capabilities for complex, real-world challenges.

marsbit25 min fa

Dwarkesh Patel: The Next Generation of AI May Be Built Through Actual Work

marsbit25 min fa

Trading

Spot
活动图片