Аналитики составили топ регионов РФ с дешевым майнингом

cryptonews.ruPublicado em 2024-07-18Última atualização em 2024-11-18

Иркутская область, Хакасия и Дагестан применяют самые низкие в РФ тарифы на электроэнергию, что позволяет наиболее выгодно добывать криптовалюты. Соответствующие подсчеты привело рейтинговое агентство АКРА.

Аналитики сослались на установленный правительством для майнеров-физлиц лимит энергопотребления на уровне 6000 кВт·ч, не требующий от них регистрации в реестре ФНС. В перечисленных регионах стоимость электроэнергии в этом диапазоне составляет от 9000 до 16 000 рублей в месяц.

Для сравнения в Калмыкии и Тыве затраты при том же лимите выше в три-пять раз — от 43 000 до 47 000 рублей в месяц.

«Такая разница объясняется тем, что в Иркутской области и Хакасии энергопотребление на уровне 6000 кВт·ч пока попадает в первый диапазон и оплачивается по льготному тарифу, а в Калмыкия и Тыве этот объем выходит за пределы второго диапазона и оплачивается по коммерческому тарифу», — объяснили в АКРА.

В Дагестане и Тюменской области тариф для населения пока не дифференцируется.

Ранее ForkLog сообщал, что с 2025 года в РФ начнут действовать дифференцированные тарифы потребления электричества. Пороговые значения регламентируют каждый тариф в отдельности. Первый уровень ограничен 3900 кВт⋅ч в месяц. Второй составит от 3900 до 6000 кВт⋅ч в месяц, все что выше — отнесено к третьему диапазону. Сейчас первая граница в большинстве случаев составляет 10 000-11 000 кВт·ч

По оценке АКРА, объем потребления электроэнергии одного ASIC-майнера в зависимости от модели варьируется от 1 до 5,5 кВт·ч.

«Таким образом, при расчете с использованием усредненного значения 3 кВт·ч потребление одной установки составит 72 кВт·ч в сутки, а в месяц (без учета потребления дополнительной электроэнергии на необходимое кондиционирование воздуха) — 2160 кВт·ч», — пишут эксперты.

В шести регионах, применяющих социальную норму, а также в Калмыкии, Калининградской, Ивановской, Курской и Воронежской областях такой объем потребления будет оплачиваться уже по повышенному тарифу, заключили в АКРА.

«В Иркутской области, в которой граница первой группы тарифов составляет 25 000 кВт·ч и является самой высокой в стране, для превышения действующего лимита необходимо иметь около 12 постоянно работающих майнинг-машин. А лимит 6000 кВт·ч позволяет задействовать для криптодобычи около трех машин», — подсчитали аналитики.

В целом потреблять большие объемы электроэнергии в 2024 году и соответственно добывать криптовалюту дешевле всего в следующих регионах:

  • 10 000-20 000 кВт·ч — в Иркутской области, Хакасии и Дагестане;
  • 30 000-40 000 кВт·ч — в Дагестане, Тюменской и Мурманской областях;
  • 50 000-60 000 кВт·ч — в Дагестане, Тюменской области и Ингушетии.

Напомним, базовое регулирование майнинга в стране приняли в июле. Его влияние на отрасль ForkLog разбирал в отдельном материале.

В дополнительных поправках прописаны полномочия правительства по ограничению майнинга на отдельных территориях. Ранее в Минэнерго РФ назвали регионы для будущего запрета добычи криптовалют, а также определились со сроками таких мер.

Leituras Relacionadas

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

Founder of Baixing.com: I Only Half-Believe the Saying “Large Language Models Will Devour Everything” Author: Wang Jianshuo, Founder of Baixing.com Many proclaim that large models are everything, but the author is skeptical. He argues that such sweeping claims often stem from a limited understanding of the future. Drawing parallels to past technologies like electricity and the internet—which were predicted to “devour everything” but didn’t—he suggests that large language models (LLMs) are better seen as a foundational base. Like electricity, this base is essential for modern development, but its real value emerges only when applied to specific scenarios through various “machines” or “tools” (e.g., Claude Code for programming, Claude Design for design). The author acknowledges that LLMs may indeed replace many existing software systems built on rigid rules, workflows, and forms (e.g., CRMs, SaaS tools), as these are precisely what LLMs excel at processing. However, he emphasizes that beyond software, elements like customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions will not be “devoured.” Instead, he foresees that after streamlining existing software, LLMs will open up a larger space for innovative, next-generation applications. These new tools will likely feature fluid interfaces and rely less on fixed rules, unleashing greater creativity. The author cautions against short-sightedness, recalling how in 2004 many believed internet giants like Sina, Sohu, and NetEase would monopolize the market—only to be proven wrong by subsequent disruptions. In conclusion, while LLMs are a crucial foundation and a current focal point, the true mainstream of this wave lies in the diverse applications built atop them to solve concrete problems. The phrase “devour everything” is imprecise; the real opportunity lies in identifying and leveraging the areas where LLMs do bring transformative change.

marsbitHá 2h

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

marsbitHá 2h

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

The founder of Baixing Wang states that while large language models (LLMs) are an extremely important foundational technology—akin to electricity or the internet—he only "half believes" the notion that they will "consume everything." He argues that LLMs provide a base layer of intelligence, but real-world value and transformation come from integrating this intelligence into specific applications and devices designed for particular scenarios—like how electricity powers various appliances from washing machines to TVs. He agrees LLMs will likely consume or replace a significant portion of existing rule-based, workflow-driven software (e.g., many SaaS systems, CRMs), as these are precisely what LLMs excel at handling. However, numerous other elements—such as customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions—will not be consumed. Wang emphasizes that after LLMs absorb certain software layers, they will open up a much larger space for innovation: new types of "streaming" software with less rigid interfaces, where fixed rules are managed by AI. This next wave of applications built on top of the stable LLM foundation is where the true mainstream opportunity lies. He cautions against the short-sightedness of declaring any technology as all-consuming, drawing parallels to past premature predictions about internet giants monopolizing the web. The key is to find opportunities within the areas LLMs do transform.

链捕手Há 2h

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

链捕手Há 2h

Trading

Spot
活动图片