2 Hari 20 Kali Lipat, Tinjau Mekanisme Market Maker Otomatis Snowball si Anjing Baru

深潮Xuất bản vào 2025-12-22Cập nhật gần nhất vào 2025-12-22

Tóm tắt

Snowball, token meme yang diluncurkan di pump.fun pada 18 Desember, menarik perhatian dengan mekanisme "efek bola salju" yang inovatif. Alih-alih mengirim biaya kreator ke dompet pengembang, 100% biaya transaksi (0,05%-0,95%, tergantung kapitalisasi pasar) dialokasikan ke bot market maker on-chain. Bot ini secara berkala membeli token untuk menciptakan daya beli, menambah likuiditas pool, dan membakar 0,1% token untuk deflasi. Dalam empat hari, kapitalisasi pasar Snowball mencapai $10 juta dengan volume perdagangan 24 jam lebih dari $11 juta. Distribusi kepemilikan relatif tersebar, dengan 7.270 alamat pemegang. Namun, likuiditas pool masih terbatas sekitar $380.000. Komunitas crypto berbahasa Inggris memuji transparansi dan struktur yang mencegah pengembang lari dengan dana. Namun, mekanisme ini memerlukan volume perdagangan yang konsisten untuk mempertahankan "efek bola salju". Di pasar yang lesu, risiko penurunan likuiditas dan minat tetap ada. Snowball adalah eksperimen menarik dalam desain mekanisme token, tetapi tetaplah aset spekulatif dengan volatilitas tinggi. Mainlah dengan bijak, jangan serakah.

Pasar crypto di bulan Desember sedingin cuaca.

Transaksi on-chain sudah lama tertidur, narasi baru pun sulit lahir. Lihat saja obrolan dan gosip yang dibicarakan di CT bahasa belakangan ini, sudah jelas pasar ini sudah tidak ada yang main.

Tapi di wilayah Inggris, ada pembahasan tentang sesuatu yang baru.

Sebuah meme coin bernama Snowball, diluncurkan di pump.fun pada 18 Desember, dalam empat hari kapitalisasi pasarnya meroket ke $10 juta, dan masih terus mencetak rekor baru; sementara di kalangan bahasa Mandarin hampir tidak ada yang menyebutnya.

Di lingkungan yang tidak ada narasi baru dan meme coin sudah tidak diminati ini, ini adalah salah satu hal sedikit yang menyegarkan dan memberikan efek kekayaan lokal.

Dan nama Snowball, yang diterjemahkan menjadi efek bola salju, pada dasarnya adalah cerita yang ingin disampaikannya:

Sebuah mekanisme yang membuat token "semakin besar dengan sendirinya".

Mengubah Biaya Transaksi Menjadi Pembelian, Market Maker Bola Salju

Untuk memahami apa yang dilakukan Snowball, pertama-tama harus tahu bagaimana biasanya token di pump.fun menghasilkan uang.

Di pump.fun, siapa pun dapat membuat token dalam hitungan menit. Pembuat token dapat mengatur "biaya kreator", pada dasarnya memotong persentase tertentu dari setiap transaksi ke dompetnya sendiri, biasanya antara 0,5% hingga 1%.

Uang ini secara teori dapat digunakan untuk pembangunan komunitas, promosi pasar, tetapi dalam praktiknya, pilihan sebagian besar Dev adalah: menabung cukup dan kabur.

Ini juga menjadi bagian dari siklus hidup tipikal anjing lokal. Luncur, pump, panen biaya, kabur. Investor tidak bertaruh pada token itu sendiri, tetapi pada hati nurani pengembang.

Cara Snowball adalah, tidak mengambil uang biaya kreator ini.

Tepatnya, 100% biaya kreator tidak masuk ke dompet siapa pun, tetapi secara otomatis dialihkan ke bot market maker on-chain.

Bot ini secara berkala menjalankan tiga hal:

Pertama, menggunakan dana yang terkumpul untuk membeli token di pasar, membentuk支撑 pembelian;

Kedua, menambahkan token yang dibeli dan SOL yang sesuai ke pool likuiditas, membuat depth perdagangan lebih baik;

Ketiga, setiap operasi membakar 0,1% token, menciptakan deflasi.

Selain itu, persentase biaya kreator yang dikenakan token ini tidak tetap, tetapi akan berfluktuasi antara 0,05% hingga 0,95% berdasarkan kapitalisasi pasar.

Saat kapitalisasi rendah, dipotong lebih banyak, agar bot lebih cepat mengumpulkan amunisi; saat kapitalisasi tinggi, diturunkan, mengurangi gesekan perdagangan.

Dengan satu kalimat, logika mekanisme ini adalah, setiap kali Anda bertransaksi, sejumlah uang secara otomatis berubah menjadi pembelian dan likuiditas, bukan masuk ke kantong pengembang.

Karena itu, Anda juga mudah memahami efek bola salju ini:

Transaksi menghasilkan biaya → biaya menjadi pembelian → pembelian mendorong harga naik → harga menarik lebih banyak transaksi → lebih banyak biaya... secara teori dapat bergulir sendiri.

Situasi Data On-Chain

Mekanisme selesai, lihat data on-chain.

Snowball diluncurkan pada 18 Desember, sampai sekarang empat hari. Kapitalisasi pasar dari nol meroket ke $10 juta, volume perdagangan 24 jam lebih dari $11 juta.

Untuk token anjing lokal di pump.fun, prestasi ini sudah termasuk yang bertahan lama di lingkungan seperti sekarang.

Dalam hal struktur kepemilikan, saat ini ada 7270 alamat pemegang. Sepuluh pemegang terbesar bersama-sama menyumbang sekitar 20% dari total pasokan, pemegang tunggal terbesar menyumbang 4,65%.

(Sumber data: surf.ai)

Tidak ada alamat yang memegang dua tiga puluh persen pasokan, distribusinya relatif tersebar.

Dalam hal data transaksi, sejak peluncuran累计 58000+ transaksi,其中 33000 pembelian, 24000 penjualan. Total jumlah pembelian $4,4 juta, penjualan $4,3 juta, inflow bersih sekitar $100,000. Pembelian dan penjualan基本持平, tidak ada tekanan jual sepihak.

Di pool likuiditas ada sekitar $380,000, setengah token setengah SOL. Untuk ukuran kapitalisasi ini, depth tidak terlalu tebal, order besar masuk keluar masih akan ada滑点 yang明显.

Poin lain yang perlu diperhatikan adalah, Bybit Alpha mengumumkan listing token ini dalam waktu kurang dari 96 jam setelah peluncuran, sampai batas tertentu juga membuktikan热度 jangka pendek.

Mesin Abadi Bertemu Pasar Dingin

Setelah melihat sekeliling, dapat dilihat diskusi komunitas Inggris tentang Snowball terutama terfokus pada mekanisme itu sendiri. Logika pendukungnya langsung:

Ini adalah meme coin pertama yang mengunci 100% biaya kreator ke dalam protokol, pengembang tidak bisa mengambil uang dan kabur, setidaknya secara struktural lebih aman dari anjing lokal lain.

Dev pengembang juga mendukung narasi ini. Dompet pengembang, dompet bot market maker, log transaksi semuanya dipublikasikan, menekankan "dapat diperiksa on-chain".

@bschizojew memberi label dirinya sebagai "skizofrenia on-chain, pasukan khusus 4chan, veteran meme coin generasi pertama", aroma degen yang penuh sindiran diri, sangat cocok dengan selera komunitas asli crypto.

Tapi mekanisme aman dan bisa menghasilkan uang adalah dua hal berbeda.

Prasyarat efek bola salju adalah, ada volume perdagangan yang cukup untuk terus menghasilkan biaya, memberi makan bot untuk melakukan buyback. Semakin banyak perdagangan, semakin banyak amunisi bot, semakin kuat pembelian, semakin tinggi harga, menarik lebih banyak orang bertransaksi...

Ini juga adalah kondisi ideal dimana flywheel buyback apa pun yang disebut meme coin berputar di bull market.

Masalahnya, flywheel membutuhkan kekuatan eksternal untuk memulai.

Lingkungan pasar crypto saat ini apa? Aktivitas on-chain rendah,热度 meme coin secara keseluruhan menurun, dana yang愿意冲anjing lokal本来就少. Dalam konteks ini, jika pembelian baru tidak mengikuti, volume perdagangan menyusut, biaya yang diterima bot akan semakin sedikit, kekuatan buyback melemah, dukungan harga melemah, keinginan bertransaksi semakin turun.

Flywheel bisa berputar positif, juga bisa berputar negatif.

Masalah yang lebih realistis adalah, mekanisme menyelesaikan satu titik risiko "pengembang mengambil uang dan kabur", tetapi risiko yang dihadapi meme coin jauh lebih dari ini.

Whale jual besar, likuiditas tidak mencukupi, narasi ketinggalan zaman, salah satu dari hal-hal ini terjadi, buyback biaya 100% dapat berperan sangat terbatas.

Semua orang sudah takut dipotong,老哥 di kalangan Mandarin juga menyimpulkan dengan tepat:

Main saja, jangan serius.

Bukan Hanya Satu Bola Salju yang Bergulir

Snowball bukan satu-satunya proyek yang bercerita tentang market maker otomatis ini.

Di生态 pump.fun yang sama, sebuah token bernama FIREBALL juga melakukan hal serupa: buyback otomatis plus burn, mengemasnya menjadi protokol yang dapat diintegrasikan token lain. Tapi kapitalisasi pasar jauh lebih kecil dari Snowball.

Ini menunjukkan pasar sekarang bereaksi terhadap arah "meme coin bertipe mekanisme".

Permainan传统喊单, pump,炒作 komunitas semakin sulit menarik dana, menggunakan desain mekanisme untuk bercerita tentang "keamanan struktural", mungkin adalah salah satu套路 meme coin belakangan ini.

Tapi berbicara tentang membuat mekanisme tertentu secara buatan, bukan permainan baru.

OlympusDAO (3,3) pada tahun 2021 adalah kasus paling tipikal, menggunakan teori permainan untuk mengemas mekanisme staking, cerita yang diceritakan adalah "jika semua tidak jual, bisa赚 bersama", pada puncaknya kapitalisasi pasar meroket ke miliaran dolar. Akhirnya大家 juga tahu, spiral turun, jatuh lebih dari 90%.

Lebih awal还有 Safemoon permainan "memotong pajak setiap transaksi dibagikan ke pemegang", juga narasi inovasi mekanisme, akhirnya dituntut SEC, pendiri dituduh penipuan.

Mekanisme bisa menjadi kail narasi yang bagus, dapat mengumpulkan dana dan perhatian dalam jangka pendek, tetapi mekanisme itu sendiri tidak menciptakan nilai.

Ketika dana eksternal berhenti mengalir, flywheel secanggih apa pun akan berhenti.

Akhirnya, mari kita urutkan lagi apa yang sebenarnya dilakukan anjing kecil ini:

Mengubah biaya kreator meme coin menjadi "bot market maker otomatis". Mekanisme本身 tidak rumit, masalah yang diselesaikan也很明确,就是 membuat pengembang tidak bisa langsung mengambil uang dan kabur.

Pengembang tidak bisa kabur, tidak等于 Anda bisa赚钱.

Jika Anda merasa mekanisme ini menarik setelah membacanya, ingin berpartisipasi, ingat satu kalimat: ini pertama-tama adalah meme coin, baru kemudian eksperimen mekanisme baru.

Tiền kỹ thuật số thịnh hành

Câu hỏi Liên quan

QApa yang dimaksud dengan mekanisme 'Snowball' dalam token meme yang dibahas dalam artikel?

AMekanisme Snowball' adalah sistem di mana 100% biaya kreator dari setiap transaksi tidak masuk ke dompet pengembang, tetapi secara otomatis dialihkan ke bot market maker on-chain. Bot ini secara berkala menggunakan dana yang terkumpul untuk membeli token (membentuk daya beli), menambahkannya ke pool likuiditas, dan membakar 0.1% token, menciptakan efek deflasi dan 'efek bola salju' di mana perdagangan menghasilkan lebih banyak pembelian dan likuiditas.

QBagaimana performa Snowball di pasar sejak diluncurkan berdasarkan data on-chain?

ASejak diluncurkan pada 18 Desember, Snowball telah mencapai kapitalisasi pasar hingga $10 juta dalam empat hari, dengan volume perdagangan 24 jam lebih dari $11 juta. Token ini memiliki sekitar 7.270 alamat pemegang, dengan 10 pemegang terbesar memegang sekitar 20% pasokan. Ada 58.000+ transaksi dengan pembelian dan penjualan yang hampir seimbang, serta pool likuiditas sekitar $380.000.

QApa perbedaan utama antara Snowball dan token meme biasa di pump.fun?

APerbedaan utamanya adalah bahwa Snowball mengalihkan 100% biaya kreator ke bot market maker otomatis untuk membeli token dan menambah likuiditas, bukan ke dompet pengembang. Ini mengurangi risiko pengembang mengambil uang dan lari (rug pull), setidaknya secara struktural. Biaya kreator juga berfluktuasi berdasarkan kapitalisasi pasar (0,05% hingga 0,95%), berbeda dengan token biasa yang biasanya memiliki biaya tetap 0,5-1% untuk pengembang.

QApa saja risiko atau tantangan yang dihadapi oleh mekanisme seperti Snowball?

ARisiko utamanya adalah mekanisme 'efek bola salju' bergantung pada volume perdagangan yang berkelanjutan untuk menghasilkan biaya yang memberi makan bot. Jika pasar lesu dan volume perdagangan turun, daya beli bot melemah, yang dapat menyebabkan penurunan harga dan minat. Selain itu, token ini tetap menghadapi risiko seperti manipulasi pasar, likuiditas rendah, dan keusangan narasi, di mana mekanisme otomatis saja tidak cukup untuk menjamin profit.

QApakah ada proyek lain yang menggunakan mekanisme serupa dengan Snowball?

AYa, artikel menyebutkan token lain di pump.fun called FIREBALL yang juga menggunakan mekanisme serupa dengan回购 otomatis dan pembakaran, yang diposisikan sebagai protokol yang dapat diadopsi oleh token lain. Namun, kapitalisasi pasarnya jauh lebih kecil daripada Snowball. Ini menunjukkan minat pasar terhadap 'meme token mekanisme' yang menawarkan keamanan struktural, mirip dengan proyek sebelumnya seperti OlympusDAO dan Safemoon yang menggunakan narasi inovasi mekanis.

Nội dung Liên quan

Rubin Ultra bị cắt giảm mạnh cấu hình, NVIDIA cũng không chịu nổi giá bộ nhớ tăng?

Tuần qua, một báo cáo từ công ty nghiên cứu SemiAnalysis đã gây xôn xao ngành AI, tiết lộ thông số kỹ thuật của Rubin Ultra - phiên bản cao cấp nhất trong kiến trúc Rubin mới của NVIDIA - đã bị giảm mạnh so với kỳ vọng trước đó. Theo báo cáo, Rubin Ultra sẽ giữ nguyên hiệu suất tính toán lý thuyết đỉnh (35 PFLOPs) so với Rubin thông thường, nhưng dung lượng bộ nhớ (VRAM) bị cắt giảm nghiêm trọng, chỉ còn 192GB (8-Hi), thậm chí thấp hơn Rubin tiêu chuẩn (288GB, 12-Hi). Băng thông bộ nhớ gần như không cải thiện và mức tiêu thụ điện năng thậm chí còn tăng nhẹ. Thay vào đó, nâng cấp chính của Rubin Ultra tập trung vào khả năng mở rộng kết nối hệ thống, có thể liên kết tối đa 576 GPU thành một "siêu GPU logic" duy nhất thông qua NVLink. Nguyên nhân chính của việc giảm cấu hình được cho là do chi phí HBM (High Bandwidth Memory) tăng quá cao, ảnh hưởng đến tính kinh tế chung của hệ thống AI. Giá HBM3 đã tăng mạnh từ mức 180-220 USD (Q2/2025) lên 700-850 USD (Q2/2026). Việc điều chỉnh thiết kế giúp giảm chi phí nguyên vật liệu (BOM) cho một tủ máy từ khoảng 8 triệu USD xuống còn 6,4 triệu USD, chuyển trọng tâm đầu tư từ HBM đắt đỏ sang khả năng kết nối mở rộng. Thông tin này đã khiến thị trường lo ngại về đỉnh cao nhu cầu HBM, dẫn đến cổ phiếu của các hãng sản xuất bộ nhớ hàng đầu như SK Hynix và Samsung giảm khoảng 8%. Động thái của NVIDIA cho thấy ngay cả gã khổng lồ dẫn đầu về sức mạnh tính toán cũng đang bắt đầu tính toán kỹ lưỡng chi phí, đánh dấu sự dịch chuyển trong ngành AI từ việc "tích trữ linh kiện và tăng giá vô tội vạ" sang tối ưu hóa hiệu quả chi phí toàn hệ thống.

Odaily星球日报24 phút trước

Rubin Ultra bị cắt giảm mạnh cấu hình, NVIDIA cũng không chịu nổi giá bộ nhớ tăng?

Odaily星球日报24 phút trước

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

Mô hình tạo sinh (generative models) từ lâu đã phụ thuộc vào các phương pháp đào tạo nhiều giai đoạn (như diffusion, autoregressive), dẫn đến "exposure bias" - sự khác biệt giữa cách huấn luyện và suy luận. Bài báo "Explorative Modeling" (XM) từ UIUC và Harvard đề xuất một giải pháp đơn giản nhưng mạnh mẽ: thay vì tách quá trình tạo mẫu, hãy tách vòng lặp huấn luyện. Trong mỗi bước huấn luyện, mô hình tạo ra K ứng viên, sau đó chỉ chọn ứng viên gần nhất với dữ liệu thực để cập nhật gradient. Vòng lặp `for` đơn giản này giải quyết vấn đề "mode blurring" - xu hướng của hàm mất mát tái tạo đẩy đầu ra về trung bình của các mode hợp lệ, tạo ra kết quả mờ nhạt. Bằng cách khám phá nhiều ứng viên, mô hình học cách bao phủ nhiều mode khác nhau trong phân phối dữ liệu. Khả năng này được gọi là "biểu đạt tạo sinh" (generative expressivity). Thí nghiệm cho thấy "khám phá" (exploration) trở thành một trục mở rộng quy mô hiệu quả thứ ba, bên cạnh quy mô dữ liệu và tham số. Khi quy mô tăng, lợi ích từ việc khám phá càng lớn, cải thiện hiệu suất FLOP, mẫu và tham số. XM đạt được kết quả tạo ảnh trên ImageNet (FID 1.43 không guidance) ngang bằng các mô hình hàng đầu. Quan trọng hơn, XM cho phép huấn luyện mô hình tạo sinh "end-to-end" thực sự. Trong thí nghiệm điều khiển robot, Explorative Policy chỉ cần một lượt truyền thẳng mạng, đạt hiệu suất tương đương Diffusion Policy cần hàng trăm bước suy luận. Điều này chuyển chi phí tính toán từ giai đoạn suy luận sang giai đoạn huấn luyện, mở ra khả năng cho các mô hình tạo sinh nhanh và hiệu quả hơn. Công trình dựa trên lý thuyết "Mode Forcing" trước đó của nhóm tác giả. Hạn chế hiện tại bao gồm chi phí tính toán cho "Forward XM" trên phân phối nhiều mode và thách thức với mô hình ngôn ngữ tự hồi quy thuần túy.

marsbit1 giờ trước

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

marsbit1 giờ trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

Tác giả Google DeepMind Dan Roy đã khởi xướng một kiến nghị trào phúng nhằm phản đối quy định mới của hội nghị AI hàng đầu ICLR, giới hạn mỗi tác giả chỉ được đăng ký tối đa 20 bài báo tham dự ICLR 2027. Quy định này được đưa ra do số lượng bài nộp tăng đột biến 68% vào năm 2026, gây áp lực nặng nề lên hệ thống phản biện. Trong bài đăng của mình, Dan Roy giả vờ ủng hộ việc để AI Agent tạo ra càng nhiều nghiên cứu gia tăng càng tốt, và cho rằng giới hạn này sẽ "làm chậm sự phát triển của AI". Anh còn mỉa mai nhận xét rằng "tất cả công việc phản biện giờ đã được giao cho các mô hình ngôn ngữ lớn xử lý", ám chỉ đến một nghiên cứu trước đó phát hiện khoảng 21% ý kiến phản biện tại ICLR 2026 có khả năng cao là do AI tạo ra. Bài viết chỉ ra rằng thông điệp trào phúng của Roy thực chất phản ánh mối lo ngại về một vòng luẩn quẩn: AI tạo ra bài báo hàng loạt, nhà nghiên cứu gửi đi hàng loạt, và phản biện viên lại dùng AI để đánh giá hàng loạt. Qua đó, tác giả đặt câu hỏi liệu biện pháp giới hạn số lượng cứng nhắc có phải là giải pháp tối ưu cho những thách thức căn bản về chất lượng học thuật trong kỷ nguyên AI này.

marsbit1 giờ trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

marsbit1 giờ trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

OpenAI đã điều chỉnh giá, giảm 80% cho mô hình GPT-5.6 Luna và 20% cho Terra, đồng thời giới thiệu chế độ Fast cho mô hình mạnh nhất Sol. Động thái này, cùng với việc Anthropic giới thiệu Claude Opus 5 với giá bằng một nửa so với flagship Fable 5, đánh dấu sự thay đổi chiến lược quan trọng: các hãng không còn chỉ tập trung bán mô hình mạnh nhất. Thay vào đó, họ khuyến nghị người dùng kết hợp các mô hình theo nhiệm vụ: dùng Sol (đắt, mạnh) để phân tích và lập kế hoạch phức tạp, sau đó giao cho Luna (rẻ, hiệu quả) thực thi. Điều này cho thấy trọng tâm thương mại đang chuyển từ các mô hình flagship (chứng minh năng lực kỹ thuật) sang các mô hình tầm trung, phục vụ cho lượng truy vấn API khổng lồ hàng ngày của doanh nghiệp, nơi hiệu quả chi phí (ROI) và độ ổn định là yếu tố quyết định. Một yếu tố then chốt giúp giảm chi phí là việc chính các mô hình AI (như Sol) tham gia tối ưu hóa mã nguồn và quy trình vận hành của chính chúng, tạo ra một vòng lặp tự thúc đẩy giảm chi phí. Điều này có thể đẩy nhanh hơn nữa đà giảm giá trong tương lai. Cạnh tranh đang chuyển từ "mô hình thông minh nhất" sang "hệ sinh thái hiệu quả nhất". OpenAI muốn biến các mô hình như Luna thành lựa chọn mặc định cho các tác vụ thường ngày, từ đó gia tăng độ phụ thuộc và chi phí chuyển đổi cho doanh nghiệp. Tương tự như ngành điện hay điện toán đám mây, mục tiêu cuối cùng là AI trở thành một tiện ích phổ biến, hoạt động âm thầm và không thể thiếu trong mọi quy trình, thay vì chỉ là một sản phẩm công nghệ đình đám.

marsbit3 giờ trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

marsbit3 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

Cuộc đua AI đang vấp phải nút thắt mới: thiếu hụt nghiêm trọng lao động lành nghề như thợ điện và công nhân xây dựng để xây dựng các trung tâm dữ liệu quy mô lớn. Tại Mỹ, dự báo cần thêm 130.000 thợ điện và 240.000 công nhân xây dựng từ 2023-2030 cho hạ tầng AI, trong khi mỗi năm có 80.000 vị trí thợ điện không thể lấp đầy. Các công ty AI sẵn sàng trả lương cao (thợ điện giỏi có thể kiếm 240.000-280.000 USD/năm), nhưng sự chậm trễ xây dựng vẫn gây thiệt hại hàng chục triệu USD. Độ phức tạp của các trung tâm dữ liệu AI, với công suất điện khổng lồ, hệ thống phân phối điện và làm mát phức tạp, đòi hỏi lao động có kỹ năng đặc biệt. Để giải quyết, các gã khổng lồ công nghệ như Meta và Google đang đầu tư hàng trăm triệu USD vào đào tạo. Meta mở trường dạy nghề miễn phí, cung cấp cả trợ cấp sinh hoạt, trong khi OpenAI hợp tác với công đoàn xây dựng. Chiến dịch tuyển dụng nhắm đến cả học sinh trung học, góp phần làm tăng mạnh tỷ lệ Gen Z theo học trường nghề. Tuy nhiên, nhu cầu điện cho AI tiếp tục bùng nổ, chiếm phần ngày càng lớn trong tổng tiêu thụ điện và đẩy giá điện lên cao. Một nghịch lý tồn tại: các dự án xây dựng cần hàng nghìn lao động cùng lúc, nhưng khi hoàn thành chỉ cần số ít vận hành, dẫn đến rủi ro dư thừa lao động lành nghề trong tương lai.

marsbit3 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

marsbit3 giờ trước

Giao dịch

Giao ngay

Bài viết Nổi bật

Làm thế nào để Mua QUICK

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Quickswap (QUICK) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Quickswap (QUICK) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Quickswap (QUICK) của BạnSau khi mua Quickswap (QUICK), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Quickswap (QUICK)Giao dịch Quickswap (QUICK) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 358Xuất bản vào 2024.12.11Cập nhật vào 2026.06.02

Làm thế nào để Mua QUICK

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến ​​của người dùng về giá của QUICK (QUICK) được trình bày dưới đây.

活动图片