https://t.co/6YhRHlL4tq Michael Saylor: "Peringatan Penting kepada Semua Pelabur Individu yang Berinvestasi dalam Bitcoin dan Aset Kripto" | Harga Bitcoin Tahun 2026 Crypto Nutshell #AIRingkasan Masa Depan Bisnis Keuangan yang Diubah oleh Bitcoin dan Stablecoin 🔳 Mekanisme Bank Menghasilkan Keuntungan Pada 19 Oktober 2026, suku bunga simpanan giro di AS rata-rata 0,38%, sedangkan suku bunga rekening giro berbunga 0,07%. Margin bunga bersih industri perbankan pada Q2 2026 mencapai 3,32%, dengan laba bersih sebesar US$90,1 miliar. Model bisnis bank didukung oleh pembayaran suku bunga rendah kepada deposan sambil memperoleh keuntungan tinggi dari pengelolaan dana. 🔳 Bisnis penciptaan kredit yang telah berlangsung lebih dari 330 tahun Bank of England, yang didirikan pada 1694, mengumpulkan £1,2 juta dari 1.268 investor dan meminjamkannya kepada pemerintah dengan bunga tahunan 8%. Para investor memperoleh hak untuk menerbitkan banknote. Michael Saylor berpendapat bahwa mekanisme menerbitkan kredit dan mata uang berdasarkan aset sebagai jaminan adalah apa yang secara historis menciptakan kekayaan besar. 🔳 Strategi kewirausahaan yang disarankan oleh Saylor Michael Saylor dari Strategy menyatakan bahwa jika seseorang ingin memulai bisnis di industri keuangan di masa depan, sebaiknya memilih bisnis penerbitan mata uang digital, bukan pertukaran atau layanan penyimpanan aset kripto. Ia menjelaskan bahwa bahkan hanya mendapatkan 10% dari dana global saja sudah bernilai sekitar US$3 triliun, dan menilai penerbitan mata uang digital sebagai bisnis yang sangat menguntungkan. 🔳 Mata uang digital yang dijamin oleh Bitcoin Yang menjadi tujuan Saylor adalah memanfaatkan Bitcoin sebagai modal digital dan membangun sistem kredit digital serta mata uang digital di atasnya. Ia mengembangkan strategi untuk menarik tidak hanya investor yang secara langsung memegang Bitcoin, tetapi juga investor obligasi dan dana lembaga keuangan yang mencari imbal hasil stabil. 🔳 Fluktuasi harga Bitcoin adalah tantangan terbesar Volatilitas tahunan Bitcoin pada 2026 sekitar 46%, turun dari sekitar 84% pada 2018, tetapi tetap tinggi. Harga Bitcoin turun sekitar 36% dari puncaknya sekitar US$126.080 pada Oktober 2025 menjadi sekitar US$80.000 pada akhir Oktober 2026. Saylor menjelaskan bahwa penting untuk mengelola fluktuasi harga secara tepat sambil menyediakan produk keuangan yang stabil. 🔳 Potensi produk dengan imbal hasil lebih tinggi daripada simpanan bank Saylor menekankan bahwa pengguna tidak mencari aset dengan fluktuasi harga tinggi, tetapi mata uang stabil yang memberikan imbal hasil lebih tinggi daripada simpanan bank. Ia menjelaskan bahwa misalnya, menyediakan produk dengan bunga tahunan 4% di Eropa akan sangat kompetitif. Namun, untuk mencapai imbal hasil tinggi sekaligus likuiditas instan tanpa mengorbankan stabilitas harga, diperlukan manajemen risiko yang hati-hati. 🔳 Profitabilitas bisnis penerbitan mata uang yang dibuktikan oleh Tether Tether, penerbit USDT, dilaporkan mencatat laba bersih lebih dari US$10 miliar pada 2025. Pada akhir 2025, jumlah USDT yang beredar sekitar US$186,5 miliar, dengan investasi dalam aset terkait obligasi AS sebesar sekitar US$141 miliar. Sistem ini menghasilkan keuntungan tinggi karena pemegang USDT pada dasarnya tidak menerima bunga, dan seluruh pendapatan investasi dari aset cadangan diterima oleh operator. 🔳 Regulasi stablecoin AS Undang-Undang GENIUS yang disahkan pada Juli 2025 melarang penerbit stablecoin pembayaran membayar bunga atau imbal hasil langsung kepada pemegangnya. Masih ada perdebatan mengenai pemberian insentif oleh pihak ketiga seperti pertukaran, dan industri perbankan menuntut penguatan regulasi. Desain institusional mendatang akan menentukan struktur pendapatan bisnis mata uang digital. 市场规模 Stablecoin mencapai US$300 miliar Pada 24 Oktober 2026, total sirkulasi stablecoin mencapai sekitar US$300,5 miliar, dengan USDT menyumbang sekitar US$182 miliar. Dari jumlah tersebut, sekitar US$143,6 miliar atau 47,8% berada di atas jaringan Ethereum. Ethereum memainkan peran penting sebagai infrastruktur distribusi mata uang digital berbasis dolar. 🔳 Revolusi pengiriman uang internasional yang diperhatikan oleh Lyn Alden Analis makroekonomi Lyn Alden menilai Bitcoin dan stablecoin sebagai aset digital yang menjanjikan. Dengan menggunakan stablecoin, individu dapat menyimpan dolar hanya melalui smartphone dan mengirim/menerima pembayaran lintas batas. Pengiriman uang tradisional sering memakan waktu beberapa hari hingga lebih dari seminggu, sedangkan stablecoin secara signifikan mengurangi waktu dan biaya. 🔳 Integrasi bank dan stablecoin Alden memprediksi bahwa bank akan semakin mengintegrasikan stablecoin ke dalam sistem pembayaran mereka, dengan skenario di mana pengguna menggunakan stablecoin tanpa menyadarinya. Namun, karena stablecoin bergantung pada penerbit dan regulasi, ia menekankan bahwa stablecoin lebih cocok untuk pembayaran jangka pendek dan penyimpanan dana sementara, sementara Bitcoin tetap menjadi pilihan utama untuk penyimpanan nilai jangka panjang. 🔳 Aset terbesar yang dimiliki oleh Arthur HayesArthur Hayes, salah seorang pendiri BitMEX, secara tegas menyatakan bahwa aset kripto dengan posisi investasi terbesar selain Bitcoin adalah Ethereum. Ia menunjukkan pandangan bullish terhadap Bitcoin, Ethereum, Ethena, Uniswap, dan lainnya, tetapi memilih Ethereum sebagai kandidat utama karena menekankan likuiditas dan keamanan. 🔳 Keterpurukan Harga Ethereum dan Peluang Investasi Ethereum mencatat harga tertinggi sekitar $4.946 pada 24 Agustus 2025, tetapi jatuh hingga sekitar $2.300 pada akhir Oktober 2026, menurun lebih dari 50% dari puncaknya. Hayes menganalisis bahwa penurunan ini disebabkan oleh perhatian pasar yang beralih ke rantai pesaing. Namun, ia menghargai rekam jejak operasional jangka panjang dan keamanan tinggi Ethereum. 🔳 Perluasan Penggunaan Ethereum dan Disparitas Harga Meskipun sekitar separuh dari pasokan stablecoin global berada di atas jaringan Ethereum, harga ETH tetap berada di bawah setengah dari harga tertingginya. Dalam video tersebut, perhatian diberikan pada disparitas antara pertumbuhan penggunaan jaringan dan harga token. Namun, peningkatan volume penggunaan tidak selalu berarti kenaikan harga ETH. 🔳 Kejatuhan Bubble AI dan Prospek Pasar Kripto Hayes menunjukkan bahwa gelombang AI berpotensi berakhir dengan bantuan pemerintah skala besar. Ia memprediksi bahwa pada tahap tersebut, dana investor perorangan akan mengalir ke pasar kripto. Terutama terhadap Ethereum, ia menyatakan harapan bahwa aset ini dapat pulih dari keterpurukan harga sebelumnya. 为主体 dalam pasar keuangan generasi mendatang Kesimpulan video menyatakan bahwa pihak yang memperoleh keuntungan besar di pasar keuangan bukan hanya mereka yang memegang aset secara langsung, tetapi juga pelaku bisnis yang mengeluarkan kredit atau mata uang berdasarkan aset tersebut sebagai jaminan. Saylor menilai Bitcoin sebagai aset jaminan, Alden menilai stablecoin sebagai alat pembayaran, sementara Hayes menilai Ethereum sebagai infrastruktur keuangan penting. 🔳 Fokus Utama Mendatang Fokus utama akan berpusat pada: apakah produk keuangan yang dijamin Bitcoin dapat mempertahankan stabilitasnya selama penurunan harga drastis; bagaimana regulasi stablecoin akan mengubah model pendapatan; dan apakah perluasan penggunaan Ethereum akan tercermin dalam harga ETH. Video tersebut menunjukkan kemungkinan bahwa model penciptaan kredit bank yang telah berlangsung lebih dari 330 tahun akan dibangun ulang berdasarkan aset digital.

https://t.co/JV9UaSABHz 【Pengenalan Pertama AI Pengasas】Dokumen rancangan tiba-tiba tercipta pada waktu malam. Rahsia tersembunyi pengasas syarikat tersenarai adalah sesuatu yang dimiliki semua orang. Pengasas Syarikat Tersenarai, Yosuke Akinari [AI × Pengurusan] #AIRingkasan Cara Membina AI Pengasas dan Rahsia Meningkatkan Produktiviti Pengurus sebanyak 10 Kali 🔳 Komen operasi meningkat 5 kali ganda dengan AI Pengasas Dengan pengenalan AI Pengasas, komunikasi operasi kepada kakitangan meningkat kira-kira 5 kali ganda. Proses pengesahan kemajuan projek dan arahan pembuatan dokumen telah diautomatiskan, mencipta sistem di mana AI terus menjalankan operasi walaupun pengurus sedang tidur. 🔳 Bilangan dokumen rancangan meningkat secara dramatik Pembuatan dokumen rancangan telah diautomatiskan oleh AI, membolehkan menghasilkan sekitar 30 rancangan sehari dan sekitar 200 rancangan seminggu. Kini, tugas-tugas yang sebelumnya tidak sempat dilakukan kerana kekurangan masa boleh ditangani, meningkatkan produktiviti secara ketara. 🔳 Cara membina AI Pengasas ternyata mudah Yang diperlukan pada awalnya hanyalah komputer dan alat AI seperti Claude. Yang penting ialah mengajar AI tentang cara berfikir, kriteria penilaian, dan pengalaman lampau anda. Penjelasan menunjukkan bahawa anda boleh membina AI peribadi tanpa memerlukan kemahiran pengaturcaraan khas. 🔳 Belajar dari kerja dan kehidupan peribadi AI Pengasas mesti dibekalkan dengan e-mel, kalender, nota, dan dokumen kerja, serta sejarah pembelian, maklumat kesihatan, dan tabiat harian. Tujuannya bukan sahaja mengoptimumkan kerja, tetapi mengoptimumkan keseluruhan masa hidup. Langkah keselamatan terhadap maklumat peribadi adalah prasyarat. 🔳 Data lampau meningkatkan ketepatan AI Selain maklumat semasa, belajar daripada e-mel, nota, dan rekod kerja lampau membolehkan AI memahami perubahan dalam cara berfikir dan pengambilan keputusan anda. Semakin lama data dikumpulkan, semakin hampir AI itu mereplikasi cara berfikir anda. 🔳 Rahsia tersembunyi AI Pengasas ialah e-mel Data pembelajaran paling penting yang dinyatakan ialah e-mel. Ia mengandungi maklumat tentang urusan kerja, pembelian, transaksi bank, dan jadual—mengumpulkan kira-kira 70% maklumat yang diperlukan untuk memahami anda. Orang yang menggunakan alamat e-mel yang sama dalam jangka masa panjang lebih mudah membina AI peribadi. 🔳 Optimumkan hari dengan perbincangan pagi Setiap pagi, AI Pengasas menghasilkan secara automatik jadual hari itu, perkara penting, status persiapan mesyuarat, serta cadangan berkaitan kerja dan kehidupan. Maklumat yang biasanya mengambil 12 jam untuk disemak kini boleh diperiksa dalam hanya 3 minit, membolehkan anda mengetahui tugas utama hari itu. 🔳 Mengurangkan masa mesyuarat secara besar-besaran AI menilai dokumen mesyuarat terlebih dahulu dan memberi arahan kepada kakitangan untuk persiapan yang diperlukan, membolehkan pengurus fokus hanya pada keputusan akhir. Kes-kes yang sebelumnya memerlukan beberapa mesyuarat kini boleh diputuskan dalam satu sesi sahaja melalui peningkatan kualiti persiapan awal, menjadikan masa mesyuarat jauh lebih singkat. 🔳 AI menilai dokumen kakitangan secara awal Dokumen yang dicipta oleh kakitangan akan disemak terlebih dahulu oleh AI mengikut kriteria penilaian pengurus. Hanya dokumen yang lulus semakan sahaja yang sampai kepada pengurus—mengurangkan beban pengesahan. Ini meningkatkan kualiti pengambilan keputusan sambil mengurangkan masa yang diperlukan untuk membuat keputusan. 🔳 Automasi pembuatan dokumen rancangan oleh AI Dengan belajar daripada dokumen rancangan dan corak pemikiran lampau anda, AI boleh menghasilkan dokumen rancangan yang hampir serupa dengan hasil ciptaan anda hanya dengan arahan ringkas. Dalam demonstrasi video, arahan selama 15 saat sahaja mampu menghasilkan beberapa cadangan rancangan. Cadangan yang dihasilkan juga mencerminkan pengalaman dan latar belakang anda. 🔳 Tingkatkan kemampuan AI dengan dokumen orang cemerlang Walaupun data peribadi anda terhadap, kualiti output boleh ditingkatkan dengan belajar daripada dokumen rancangan orang cemerlang atau laporan pengurusan awam. Keunikan anda dipelajari daripada data peribadi seperti e-mel, manakala pengetahuan profesional dan kemampuan rancangan diperkukuh melalui sumber luaran. 🔳 Boleh bermula dengan RM3000–RM4000 sebulan Pengasas membayar kira-kira USD400 sebulan untuk AI, tetapi dijelaskan bahawa kurang daripada USD100 sebulan sudah mencukupi. Dengan bayaran sebanyak RM3000–RM4000 sebulan sahaja, potensi pengurangan masa kerja sebanyak 50–100 jam sebulan boleh dicapai. 🔳 Langkah keselamatan adalah wajib Apabila memasukkan maklumat syarikat atau peribadi ke dalam AI, langkah pencegahan kebocoran maklumat adalah penting. Pengasas merekomendasikan pengurusan data dalam persekitaran tempatan dan menghadkan penghantaran ke luar. Namun, keselamatan mutlak tidak dijamin—kebenaran syarikat dan pengurusan yang betul adalah prasyarat. 🔳 Mulakan dengan bertanya strategi pengurusan syarikat kepada AI Sebagai titik permulaan penggunaan AI, disarankan untuk memuatkan data jualan, keuntungan, data kewangan, dan strategi pengurusan syarikat anda sendiri. Analisis strategi untuk mencapai jualan RM10 juta hingga RM100 juta, pembezalayan daripada pesaing, atau inisiatif baharu berdasarkan kemampuan kakitangan boleh membantu menyokong keputusan pengurusan. 🔳 Lebih penting jumlah percubaan daripada kesempurnaan prompt Tidak perlu membuat prompt yang sempurna dari awal; yang penting ialah memberi arahan berulang kali kepada AI menggunakan kaedah seperti input suara. Lebih cepat belajar jika anda mencuba 100 kali berbanding menghabiskan tiga hari untuk menyusun arahan. Juga penting untuk tidak menerima jawapan AI secara mentah-mentah—gunakan pengalaman dan intuisi anda sendiri untuk membuat penilaian. 🔳 Tahap penggunaan AI oleh pengurus terbahagi kepada 8 peringkatTahap 1 adalah menjawab soalan, tahap 2 adalah menyediakan bahan, tahap 3 adalah mengintegrasikan data peribadi, tahap 4 adalah briefing pagi, tahap 5 adalah agen AI yang beroperasi 24 jam. Pada tahap 6, ia mampu memberikan cadangan yang melampaui kemampuan individu, tahap 7 adalah meluaskan ke seluruh pekerja, dan tahap 8 bertujuan untuk meluaskan ke perusahaan lain. 🔳 AI ketua eksekutif telah bermula melampaui kemampuan individu Individu tersebut menjelaskan bahawa ia telah mencapai tahap 6. AI yang telah belajar daripada rekod 16 tahun lalu kini mampu mencadangkan idea dan strategi pengurusan yang tidak mungkin dihasilkan hanya berdasarkan pengalaman individu tersebut. Output yang melampaui kemampuan individu muncul kerana model AI itu sendiri terus berkembang. 🔳 Penyebaran pengurusan AI yang dicita-citakan oleh Lancers Selain platform perantaraan freelancer tradisional, Lancers memperkuat usaha AI-nya. Ia mendorong penggunaan AI di kalangan pekerja serta mengendalikan komuniti lebih kurang 10,000 tenaga AI. Lancers membantu perusahaan dengan memperkenalkan agen AI yang mereplikasi pemikiran dan kriteria pengambilan keputusan pengurus, untuk meningkatkan produktiviti keseluruhan organisasi. 🔳 Matlamat akhir penggunaan AI adalah meningkatkan produktiviti pengurusan sebanyak 10 kali ganda Matlamat AI ketua eksekutif bukan sekadar mengautomasi tugas ringkas, tetapi meningkatkan kualiti keputusan pengurus sambil mengurangkan masa. Secara keseluruhan, ia bertujuan agar setiap pekerja mampu menggunakan agen AI canggih secara mahir, sehingga meningkatkan produktiviti keseluruhan syarikat sebanyak 10 kali ganda.

DATA_SOURCE: TradingView host bridge ★★★Waktu Timur AS 10:00 (Waktu Jepang 23:00) - Keadaan★★★ #SahamAmerika #usstocks ETF Berdasarkan Sektor / Sector ETF === Keterangan (berdasarkan pulangan) === Ticker Nama (Bahasa Jepun) Harga Semasa (dinormalisasi) Pulangan (%) Perubahan Hari Sebelumnya (%) ^SOX Indeks SOX 151.50 51.50 3.90 IYE Energi (IYE) 148.47 48.47 -0.56 SMH Semikonduktor (SMH) 143.76 43.76 1.85 IYH Kesihatan (IYH) 119.75 19.75 0.46 IYW Teknologi (IYW) 119.35 19.35 0.79 IYK Barang Keperluan Asas (IYK) 116.50 16.50 -1.24 ^GSPC S&P500 110.48 10.48 0.28 IYR Harta Tanah (IYR) 107.21 7.21 -0.24 IYF Kewangan (IYF) 102.52 2.52 -0.59 IDU Perkhidmatan Awam (IDU) 102.49 2.49 -0.55 ITA Pertahanan (ITA) 100.73 0.73 0.73 IYC Barangan Pengguna Umum (IYC) 98.46 -1.54 -1.02

DATA_SOURCE: TradingView host bridge ★★★Waktu Timur AS 10:00 (Jepang 24:00) Keadaan★★★ #SahamAmerika #USSTOCKS #SahamJepang 3 indeks, FANG+, emas, USD/JPY (berdasarkan dolar) Emas: Imbal hasil -8.67%, perubahan -0.08% SP500: Imbal hasil 10.49%, perubahan +0.30% NASDAQ100: Imbal hasil 11.85%, perubahan +0.90% All Country World: Imbal hasil 10.30%, perubahan +0.15% NYSE FANG+: Imbal hasil 10.13%, perubahan +0.54% USD/JPY: Perubahan +0.23%

https://t.co/G8vEQTjck8 Saya sempat ragu-ragu untuk membeli properti di Dubai, tetapi akhirnya memutuskan tidak membelinya. #MigrasiLuarNegeri #Dubai #SelandiaBaru 海外Yパパラジオ　世界を読み解く　#AI要約 Apakah sekarang saat yang tepat untuk membeli properti di Dubai? Penurunan akibat perang Iran dan risiko struktural pasar 🔳 Kesimpulan: Tidak perlu terburu-buru berinvestasi di properti Dubai Pembicara berpendapat bahwa bagi investor yang tidak berniat tinggal di Dubai, tidak perlu membeli properti saat ini. Kemungkinan penyesuaian harga akibat perang baru saja dimulai, sehingga risiko penurunan lebih lanjut perlu diwaspadai. 🔳 92% populasi Dubai adalah warga asing Menurut pembicara, 92% populasi Dubai adalah warga asing, sementara warga negara lokal hanya 8%. Banyak penduduk yang datang demi manfaat ekonomi seperti insentif perpajakan dan sistem visa; struktur ini rentan terhadap keluarnya populasi jika kondisi memburuk. 🔳 Properti Dubai rentan terhadap pergerakan modal spekulatif Pembicara membandingkan struktur di mana orang dan modal berkumpul saat kondisi baik, tetapi cepat mengalir keluar saat kondisi memburuk, dengan "menara belalang". Jika kalangan kaya meninggalkan pasar, hal ini dapat berdampak pada lapangan kerja dan permintaan perumahan terkait. 🔳 Penurunan indeks properti 30% berbeda dengan harga properti aktual Penurunan hampir 30% dalam dua minggu terakhir merujuk pada indeks harga saham properti DFM, yang terdiri dari saham perusahaan pengembang properti. Menurut pembicara, penurunan harga properti aktual hanya sekitar 4–7%, sehingga keduanya tidak boleh disamakan. 🔳 Pelemahan pasar properti muncul lebih lambat daripada pasar saham Pembicara menjelaskan bahwa jumlah transaksi properti pada Q1 2026 naik 5,5% YoY, dan nilai transaksi naik 23,4%. Namun, karena penyesuaian harga properti memerlukan waktu, pembicara menilai terlalu dini untuk menilai ketahanan pasar hanya berdasarkan data transaksi saat ini. 🔳 Waspadai penurunan penerbangan dan memburuknya lingkungan pembiayaan Pembicara menunjukkan penurunan 68% jumlah penerbangan, pertimbangan evakuasi karyawan oleh lembaga keuangan, serta enam obligasi korporasi perusahaan pengembang properti yang telah mencapai tingkat krisis, menunjukkan tekanan penurunan sedang terakumulasi di pasar. Falsy dari sebelum perang, bubble properti sudah menjadi kekhawatiran Menurut pembicara, dalam Global Real Estate Bubble Index versi UBS 2025, Dubai naik dari peringkat 14 menjadi peringkat 5. Harga properti meningkat lebih dari 50% dalam lima tahun terakhir, sehingga sebelum perang pun sudah dianggap terlalu mahal. 🔳 Pemulihan setelah krisis masa lalu tidak menjamin pemulihan kali ini Pada krisis keuangan 2008, harga turun 50–60% dan butuh 4–5 tahun untuk pulih. Selama pandemi, harga turun sekitar 10% dan pulih dalam waktu sekitar 1,5 tahun. Namun, kali ini penyesuaian terjadi dari tingkat harga yang sudah mahal, sehingga tidak bisa diasumsikan akan mengikuti jalur pemulihan yang sama. 🔳 Peningkatan pasokan properti baru pada 2026 juga menjadi faktor penurunan Diperkirakan sekitar 120.000 unit properti baru akan selesai pada tahun 2026. Dalam kondisi permintaan perumahan yang melemah akibat perang, peningkatan pasokan dapat memperburuk keseimbangan pasokan-permintaan dan menjadi tekanan penurunan harga. Falsy Penurunan kepercayaan terhadap keamanan adalah risiko jangka panjang Pembicara menggunakan Beirut, Lebanon yang mengalami perang saudara sebagai contoh: kota yang kehilangan kepercayaan terhadap keamanannya membutuhkan waktu lama untuk pulih. Jika Dubai kehilangan reputasinya sebagai tempat tinggal yang aman, pemulihan pasar bisa tertunda. 🔳 Risiko properti bervariasi menurut wilayah Wilayah dengan banyak penduduk jangka panjang berbeda stabilitas pasarnya dibanding wilayah yang bergantung pada modal investasi jangka pendek. Pembicara mengakui perbedaan wilayah ini, tetapi tetap menilai bahwa risiko struktural pasar secara keseluruhan—ketergantungan pada penduduk asing—masih ada. 🔳 Dalam pengambilan keputusan investasi, tujuan tinggal dan harga yang murah sangat penting Pembicara menyimpulkan bahwa jika Anda tidak berniat tinggal di Dubai, tidak perlu berinvestasi di pasar yang tidak stabil ini. Saat ini belum ada indikasi harga yang cukup murah; sebaiknya kita tunggu dan amati penyesuaian harga serta perubahan pasokan-permintaan.

Artikel ini 3 bulan yang lalu (AI katakan lihat ini) https://t.co/odEWCZRmhs Bersiaplah! Perpindahan aset terbesar dalam sejarah Jepang telah bermula!! 海外Yパパラジオ Membongkar Dunia #AIRingkasan Masa Warisan Besar Jepang: Dampak Perpindahan Aset 65 Triliun Yen terhadap Harga Saham, Bank, dan Ketimpangan 🔳 Sekitar 65 triliun yen aset keuangan akan diwariskan dalam 30 tahun ke depan Di Jepang, sekitar 1,6 juta orang meninggal setiap tahun, lebih dari 70% di antaranya berusia di atas 80 tahun. Menurut perkiraan Sumitomo Mitsui Trust Bank, aset keuangan yang akan diwariskan dalam 30 tahun ke depan diperkirakan mencapai sekitar 65 triliun yen, dan jika termasuk properti, melebihi 100 triliun yen. 🔳 Tiga perubahan yang dibawa oleh masa warisan besar Pembicara memprediksi bahwa harga aset seperti saham dan emas akan terdorong naik akibat warisan besar, dana akan berpindah dari bank lokal ke lembaga keuangan besar perkotaan, serta perselisihan mengenai warisan akan meningkat di tingkat rumah tangga dan masyarakat. 🔳 Inti warisan adalah perpindahan aset dari lansia ke lansia Lebih dari separuh ahli waris berusia di atas 60 tahun, sementara yang berusia di bawah 40 tahun kurang dari 10%. Warisan utama adalah “warisan antar-lansia”—dari orang tua berusia sekitar 90 tahun kepada anak-anak berusia 60-an—dengan perpindahan aset langsung ke generasi muda yang sangat terbatas. 🔳 Lansia cenderung tidak mengonsumsi aset warisan, tetapi mempertahankannya Menurut pembicara, rumah tangga lansia Jepang jarang mencairkan aset mereka bahkan setelah berusia 80 tahun. Aset yang diwarisi pun sulit dihabiskan karena kekhawatiran akan masa pensiun, sehingga tetap terakumulasi dalam bentuk simpanan atau aset keuangan. 🔳 Penguatan aset akibat demensia juga berlangsung Aset keuangan yang dimiliki oleh penderita demensia dan calon penderita diperkirakan mencapai sekitar 30 triliun yen. Penurunan fungsi kognitif membuat pengelolaan dan pelepasan aset menjadi sulit, sehingga menjadi faktor yang menghambat aliran dana ke pasar atau konsumsi. ListItemIcon Peningkatan pengelolaan dana warisan menjadi angin segar bagi saham dan emas Survei Fidelity menunjukkan hanya sekitar 7% orang yang pernah mengalihkan aset warisan ke investasi. Di masa depan, ahli waris yang terbiasa dengan NISA dan broker daring akan mengalihkan sebagian simpanan mereka ke saham dan emas—sehingga dapat mendorong kenaikan harga aset. ListItemIcon Sekitar 20% dana warisan berpindah lintas prefektur Sekitar 20% aset keuangan yang dipindahkan melalui warisan berpindah lintas prefektur. Diperkirakan dana simpanan orang tua di daerah akan berpindah ke rekening anak-anak yang pindah ke kota untuk kuliah atau pekerjaan, memperkuat konsentrasi dana di perkotaan. ListItemIcon Arus keluar dana dari bank lokal ke lembaga keuangan besar Menurut pembicara, hanya sekitar 40% simpanan bank lokal tetap tersimpan di bank yang sama setelah warisan. Sisanya berpindah ke bank kota atau broker daring, sehingga basis simpanan bank lokal dan koperasi kredit berpotensi melemah. ListItemIcon Peluang bisnis bagi bank besar dan perusahaan sekuritas di Tokyo Perpindahan dana akibat warisan memberi peluang bagi lembaga keuangan besar perkotaan untuk memperoleh aset klien. Diperkirakan bisnis terkait warisan seperti trust wasiat dari trust bank dan layanan bantuan warisan dari perusahaan sekuritas akan berkembang pesat. ListItemIcon Peningkatan rumah kosong dan tanah tanpa pemilik di daerah Jumlah rumah kosong di Jepang mencapai sekitar 9 juta unit, dan pembicara menjelaskan bahwa sekitar 60% penyebabnya adalah warisan. Ketika ahli waris tinggal di kota, rumah lama di daerah dibiarkan terbengkalai, memperparah masalah biaya pemeliharaan dan pajak properti. ListItemIcon Peningkatan perselisihan warisan di rumah tangga biasa Jumlah kasus pembagian harta warisan yang diajukan ke pengadilan keluarga meningkat menjadi sekitar 15.000 kasus per tahun—1,7 kali lebih banyak dari masa lalu. Sekitar 80% perselisihan terjadi pada keluarga dengan harta kurang dari 50 juta yen, menunjukkan bahwa ini bukan hanya masalah kalangan kaya. ListItemIcon Properti yang sulit dibagi menjadi penyebab perselisihan warisan Properti seperti rumah keluarga tidak dapat dibagi secara mudah seperti uang tunai. Ketika saudara lansia membagi simpanan terbatas dan properti, situasi hidup masing-masing sering memicu konflik. ListItemIcon Pajak warisan Jepang secara internasional sangat memberatkan Pembicara menyebutkan bahwa menurut perbandingan OECD, hanya Jepang, Korea Selatan, Prancis, dan Belgia yang memiliki proporsi pajak terkait warisan lebih dari 1% dari total penerimaan pajak. Setelah penurunan batas pengurangan dasar pada 2015, sekitar 10% orang yang meninggal kini menjadi subjek pajak warisan. ListItemIcon Pemerintah mendorong perpindahan aset lebih awal melalui hadiah hidup Periode penambahan hadiah sebelum warisan ke dalam harta warisan diperpanjang dari 3 tahun menjadi 7 tahun. Di sisi lain, sistem perhitungan pajak warisan saat ini dilengkapi dengan pengurangan dasar tahunan sebesar 1,1 juta yen untuk mendorong perpindahan aset lebih awal. ListItemIcon Kekhawatiran terhadap pengkristalan ketimpangan aset akibat warisan Pembicara menunjukkan bahwa keluarga yang memiliki aset lebih mudah mewariskan kekayaan kepada generasi berikutnya. Dalam masyarakat dengan pertumbuhan ekonomi melambat, tingkat hidup lebih ditentukan oleh aset yang diterima dari orang tua daripada pendapatan kerja, sehingga ketimpangan berpotensi melebar. ListItemIcon Inti dari masa warisan besar bukanlah perpindahan aset, tetapi stagnasi asetPembicara mempermasalahkan struktur di mana aset yang diwarisi dari orang tua yang berusia 90-an tidak digunakan oleh anak yang berusia 60-an, lalu diteruskan lagi ke generasi berikutnya. Karena dana tidak dialirkan ke konsumsi, ekonomi riil sulit untuk diaktifkan, sementara harga aset keuangan cenderung tetap didukung. 🔳 Ketimpangan memperlebar antara pemilik aset dan rumah tangga yang bergantung pada pendapatan tenaga kerja Apabila aset warisan mengalir ke pasar keuangan daripada konsumsi, individu yang memiliki saham, emas, dan aset serupa akan lebih mudah mendapat manfaat. Pembicara menunjukkan bahwa ketimpangan ekonomi antara pemilik aset dan mereka yang hanya bergantung pada pendapatan upah berpotensi memperlebar secara struktural. 🔳 Untuk mencegah sengketa warisan, konsultasi sebelumnya antar keluarga sangat penting Pembicara menyarankan agar orang tua membahas situasi aset dan harapan warisan dengan keluarga selagi masih sehat. Persiapan wasiat dan pembagian aset dianggap sebagai langkah efektif untuk mencegah konflik di masa depan. 🔳 Generasi muda harus memulai pembentukan aset tanpa menunggu warisan Meskipun terjadi perpindahan aset sekitar 65 triliun yen, tidak semua orang akan mendapat manfaat dari warisan. Pembicara menyimpulkan bahwa senjata terbesar bagi generasi muda adalah waktu, dan lebih penting untuk segera memulai pembentukan aset pribadi daripada mengandalkan warisan.

https://t.co/Rsm2ijLCtL 【Laporan Keuntungan Q3 Palantir】Pendapatan meningkat 96%, sektor komersial AS meningkat 148% melebihi sektor pemerintah. Dikupas tuntas dalam 46 menit: kerugian Anthropic, guncangan Intel, Apple, dan akuisisi Marvell Kashiwabara Jin | Strategi Pemasaran AI #AIringkasan Tren terkini dalam laporan keuangan industri AI, AI kedaulatan, semikonduktor, dan komunikasi optik 🔳 Pendapatan Palantir meningkat 96% YoY Pendapatan Palantir mencapai US$2.313 miliar, meningkat 96% dibandingkan tahun sebelumnya. Pendapatan dari sektor komersial AS pertama kali melampaui sektor pemerintah, mendorong pertumbuhan melalui adopsi AI oleh perusahaan. 🔳 Sektor komersial AS melampaui sektor pemerintah Pendapatan sektor komersial AS mencapai US$984 juta, meningkat 148% YoY, sementara sektor pemerintah mencapai US$953 juta, meningkat 96% YoY. Strategi memperluas teknologi yang dikembangkan untuk pemerintah ke perusahaan swasta berhasil membuahkan hasil. 🔳 AI Kedaulatan mempercepat pertumbuhan Palantir Permintaan akan “AI Kedaulatan”—penggunaan AI yang aman tanpa kebocoran data perusahaan ke luar—terus meluas. Palantir membantu perusahaan dalam pengelolaan data dan adopsi AI dengan memanfaatkan AIP dan ontologi. 🔳 Data unik perusahaan lebih penting daripada model AI CEO Alex Cap mengantisipasi komoditisasi model bahasa besar. Ia berpendapat bahwa daya saing akan datang dari kombinasi model terbuka berbiaya rendah dengan data unik perusahaan, bukan dari penggunaan model AI mahal. 🔳 Kolaborasi dengan NVIDIA memperkuat ekspansi ke industri manufaktur Palantir bekerja sama dengan NVIDIA untuk mempercepat visualisasi dan optimasi rantai pasok yang kompleks. Dengan menggabungkan model terbuka “Nemotron” dan ontologi, mereka bertujuan meningkatkan efisiensi dari manufaktur hingga pemrosesan AI. 🔳 Profitabilitas dan nilai pelanggan Palantir meningkat Rule of 40 (total pertumbuhan dan margin laba) mencapai 158%. Margin operasional yang disesuaikan mencapai 62%, dan net dollar retention berada di sekitar 163–165%, menunjukkan pertumbuhan didukung oleh perluasan transaksi dengan pelanggan yang sudah ada. 🔳 Kekhawatiran terhadap kontrak besar dan backlog pesanan Jumlah pelanggan meningkat menjadi 1.090 perusahaan, tetapi jumlah kontrak besar menurun. RPO (Revenue Performance Obligation), yang menjadi indikator pendapatan masa depan, turun dari sekitar US$4.9 miliar menjadi US$4.88 miliar, sehingga tren kontrak mendatang menjadi perhatian utama. 🔳 Palantir merevisi proyeksi pendapatan tahunan ke atas Proyeksi pendapatan tahunan dinaikkan menjadi US$8.53–8.534 miliar, dengan perkiraan pertumbuhan 91% YoY. Sektor komersial AS diproyeksikan tumbuh 143%, menunjukkan terus meningkatnya permintaan AI dari perusahaan swasta. 🔳 Pendapatan Anthropic meningkat sekitar 12 kali lipat YoY Pendapatan Anthropic periode Juli–September mencapai US$16.956 miliar, meningkat sekitar 12 kali lipat dibandingkan tahun sebelumnya. Namun, operasional rugi mencapai US$567 juta, karena pengeluaran besar untuk sumber daya komputasi AI. 🔳 Anthropic memperluas pemesanan sumber daya komputasi dari Google Anthropic memperbesar pembayaran untuk sumber daya komputasi dari Google, mencapai sekitar US$187 miliar. Ketergantungan pada layanan yang menggabungkan TPU dan infrastruktur cloud Google semakin meningkat. 🔳 Pemulihan investasi infrastruktur AI menjadi tantangan utama Google dan Amazon terus melanjutkan investasi besar dalam infrastruktur AI. Investasi modal Google mencapai US$51.4 miliar, dengan arus kas bebas menjadi negatif. Fokus utama adalah kapan investasi ini akan dapat dipulihkan mengingat pertumbuhan permintaan AI. 🔳 Perlambatan pertumbuhan pencarian Google dan monetisasi AI Meskipun Google Cloud tetap tumbuh pesat, tingkat pertumbuhan bisnis pencarian melambat menjadi 12%. Penayangan jawaban berbasis AI memengaruhi profitabilitas iklan, sehingga tantangannya adalah menyeimbangkan ekspansi penggunaan pencarian dengan pendapatan iklan. 🔳 Dampak kendala pasokan memori pada Intel dan Qualcomm Permintaan memori terkonsentrasi pada pusat data AI, menyebabkan kelangkaan dan kenaikan harga untuk PC dan smartphone. Intel mengalami proyeksi pendapatan di bawah perkiraan pasar, sementara Qualcomm menghadapi perlambatan dalam bisnis terkait smartphone. 🔳 Apple mempertahankan pertumbuhan meskipun ada kendala pasokan Pendapatan Apple mencapai US$114.477 miliar, meningkat 12% YoY. Dengan mengamankan stok dan menurunkan harga komponen lainnya, Apple berhasil mengurangi dampak kenaikan harga memori sambil membatasi investasi besar dalam infrastruktur AI. 🔳 Marvell mengumumkan akuisisi Lumentum Dalam video ini, Marvell mengumumkan akuisisi perusahaan komunikasi optik Lumentum. Strategi ini menarik perhatian karena menggabungkan teknologi semikonduktor dan komunikasi optik untuk memenuhi permintaan komunikasi cepat di pusat data AI. 🔳 Perpindahan ke komunikasi optik di pusat data AI dipercepat Kabel tembaga tradisional menghadapi tantangan dalam kecepatan komunikasi, panas, dan konsumsi daya. Komunikasi optik tidak hanya digunakan untuk koneksi jarak jauh, tetapi juga semakin banyak diterapkan di dalam rak dan bahkan di dalam paket semikonduktor, menjadikannya teknologi penting dalam infrastruktur AI. ⭕ Pasar komunikasi optik akan mencapai US$90 miliar pada tahun 2030 Video ini menyajikan proyeksi bahwa pasar komunikasi optik untuk AI akan melebihi US$90 miliar pada tahun 2030, dengan pertumbuhan tahunan sekitar 40%. Marvell dan Lumentum menargetkan ekspansi pasar melalui integrasi semikonduktor dan komunikasi optik. ⭕ Permintaan komunikasi optik juga meningkat untuk komputer kuantumTeknologi sambungan cahaya dianggap penting tidak hanya untuk pusat data AI, tetapi juga untuk komputer kuantum dan jaringan kuantum. Selain perusahaan berkaitan kuantum seperti IonQ, usaha komunikasi optik Coherent dan Corning juga mendapat perhatian. 🔳 Tiga tema utama yang akan diperhatikan dalam pasaran AI ke depan Dalam keseluruhan video, tema utama yang ditekankan ialah AI kedaulatan yang melindungi data perusahaan, profitabilitas terhadap pelaburan besar dalam infrastruktur AI, serta peningkatan rantaian bekalan termasuk semikonduktor dan komunikasi optik. Pandangan yang diberikan ialah bahawa bukan sahaja prestasi AI, tetapi juga kos pengenalan, pulangan pelaburan, dan kapasiti bekalan akan menentukan daya saing perusahaan ke depan.

#Claude #Codex # Saya mencuba LLM tempatan di GPU Ryzen Zen3 (Perbandingan dan Analisis Prestasi Qwen3-8B Heretic CPU dan GPU) Kerja keras, AMD, kerja keras Vulkan Saya fikir ia hanya GPU untuk permainan jadi tidak begitu hebat, dan ternyata betul Dikatakan bahawa lebar pita memori menjadi penghalang (kerana VRAM kecil, maka menggunakan memori utama, tunggu Mac M5 Studio) AMD terkini ialah Zen6, jadi CPU ini adalah generasi ketiga sebelumnya (dengan GPU terbina dalam) ---- # Perbandingan dan Analisis Prestasi Qwen3-8B Heretic CPU dan GPU Tarikh pengukuran: 2026-11-02 / Sasaran: Mesin Ubuntu ## Kesimpulan - **GPU (GPU terbina dalam Radeon) lebih pantas dalam pemuatan prompt, sekitar 2.5 kali lebih pantas daripada CPU.** - **Penghasilan teks hanya 1.1–1.2 kali lebih pantas daripada CPU.** Kelajuan penghasilan terhad oleh kelajuan pemindahan memori, kerana GPU terbina dalam berkongsi memori yang sama dengan CPU. - Dalam penggunaan yang menghantar arahan panjang setiap kali seperti OpenClaw, **cache prompt** memberi kesan lebih besar daripada GPU, dan selepas prompt kedua, masa berkurang dari sekitar 7 minit menjadi sekitar 1 minit. ## Lingkungan Pengukuran | Item | Kandungan | |---|---| | CPU | AMD Ryzen 7 7730U (8 core, 16 thread, Zen 3) | | GPU | GPU terbina dalam AMD Radeon Graphics (Barcelo, setara Vega 8) | | Memori | 30GB (spesifikasi: DDR4-3200 dual-channel. Tidak disahkan pada peranti sebenar) | | Memori GPU | VRAM eksklusif 512MB + memori berkongsi (GTT) sekitar 15.4GB. LM Studio hanya boleh gunakan 10.59GiB | | OS / Pemacu | Ubuntu 24.04.5 LTS, Mesa 25.2.8 (RADV) | | LM Studio | Versi tanpa antaramuka (llmster), llama.cpp 2.66.0 | | Runtime CPU | `llama.cpp-linux-x86_64-avx2` | | Runtime GPU | `llama.cpp-linux-x86_64-vulkan-avx2` (semua lapisan ditempatkan pada GPU, `--gpu max`) | | Model | DreamFast/qwen3-8b-heretic Q4_K_M (5.03GB) | | Tetapan pemuatan | Panjang konteks 32768, bilangan pemprosesan serentak 1 | ## Kaedah Pengukuran - Menghantar prompt yang sama ke API LM Studio (`/api/v0/chat/completions`) dan membandingkan CPU dan GPU. - Setiap kondisi dijalankan dua kali. Pada percubaan kedua, prompt yang telah diproses digunakan semula dari cache, jadi **kelajuan pemuatan menggunakan nilai percubaan pertama**. - Kelajuan penghasilan merujuk kepada `tokens_per_second` yang dikembalikan oleh LM Studio. - Pemikiran sebelum jawapan dihentikan dengan `/no_think`, dan `temperature` ditetapkan ke 0. - Selepas pengukuran GPU, sistem didinginkan selama 2 minit sebelum mengukur CPU. - Skrip dan rekod disimpan di `~/bench/bench.py`, `~/bench/run.sh`, dan `~/bench/result.log` pada mesin Ubuntu. ## Hasil ### Ringkasan Perbandingan | Kandungan | Item | CPU | GPU | Perbezaan | |---|---|---|---|---| | Pertanyaan pendek (24 token) menghasilkan 256 token | Kelajuan penghasilan | 7.3 token/detik | 8.2 token/detik | 1.13x | | | Masa yang diperlukan | 35.7 saat | 31.4 saat | | | Prompt 921 token | Kelajuan pemuatan | 30.5 token/detik | 76.3 token/detik | **2.5x** | | | Hingga huruf pertama | 30.2 saat | 12.1 saat | | | | Kelajuan penghasilan | 7.0 token/detik | 8.0 token/detik | 1.13x | | Prompt 3,621 token | Kelajuan pemuatan | 35.4 token/detik | 87.5 token/detik | **2.5x** | | | Hingga huruf pertama | 102.3 saat | 41.4 saat | | | | Kelajuan penghasilan | 5.9 token/detik | 7.2 token/detik | 1.2x | ### Butiran Nilai Pengukuran | Kaedah | Kandungan | Ujian | Prompt | Penghasilan | Masa yang Diperlukan | Hingga Huruf Pertama | Kelajuan Penghasilan | |---|---|---|---|---|---|---|---| | GPU | Pertanyaan pendek | 1 | 24 | 256 | 31.4 saat | 0.50 saat | 8.26 | | GPU | Pertanyaan pendek | 2 | 24 | 256 | 31.2 saat | 0.12 saat | 8.23 | | GPU | Prompt sekitar 1,000 | 1 | 921 | 32 | 16.0 saat | 12.07 saat | 7.97 | | GPU | Prompt sekitar 1,000 (cache) | 2 | 921 | 32 | 4.0 saat | 0.14 saat | 7.98 | | GPU | Prompt sekitar 4,000 | 1 | 3,621 | 32 | 45.7 saat | 41.38 saat | 7.18 || GPU | Prompt sekitar 4,000 | 2 (cache) | 3,621 | 32 | 4.5 saat | 0.14 saat | 7.22 | | CPU | Pertanyaan singkat | 1 | 24 | 256 | 35.7 saat | 0.73 saat | 7.29 | | CPU | Pertanyaan singkat | 2 | 24 | 241 | 32.8 saat | 0.14 saat | 7.36 | | CPU | Prompt sekitar 1,000 | 1 | 921 | 32 | 34.7 saat | 30.21 saat | 7.03 | | CPU | Prompt sekitar 1,000 | 2 (cache) | 921 | 32 | 4.6 saat | 0.15 saat | 6.96 | | CPU | Prompt sekitar 4,000 | 1 | 3,621 | 32 | 107.5 saat | 102.30 saat | 5.94 | | CPU | Prompt sekitar 4,000 | 2 (cache) | 3,621 | 32 | 5.4 saat | 0.17 saat | 5.96 | Unit prompt dan generasi adalah token, unit kecepatan generasi adalah token/detik. ### Koreksi Pada pengukuran awal sederhana, saya menyatakan bahwa kecepatan generasi pada GPU meningkat sekitar 2,2 kali, tetapi itu salah. Nilai 3,86 token/detik pada CPU merujuk pada saat bot2 memproses prompt sekitar 14.000 token. Karena generasi menjadi lebih lambat dengan prompt yang lebih panjang, membandingkannya dengan nilai pertanyaan singkat adalah kesalahan. Jika dibandingkan dalam kondisi yang sama, perbedaan generasi hanya sekitar 1,1–1,2 kali. ## Alasan Mengapa GPU Tidak Lebih Cepat Seperti Diharapkan ### 1. Generasi Terbatas oleh Kecepatan Transfer Memori Setiap kali LLM menghasilkan satu token, ia harus membaca seluruh bobot model dari memori. Batas atas kecepatan generasi ditentukan kira-kira oleh: “kecepatan transfer memori ÷ ukuran model”. | Item | Nilai | |---|---| | Kecepatan transfer memori (teoretis) | Sekitar 51 GB/detik dengan DDR4-3200 dual-channel | | Jumlah yang dibaca per token | Sekitar 5 GB (seluruh model) | | Batas atas teoretis kecepatan generasi | 51 ÷ 5,03 ≒ **sekitar 10 token/detik** | | Hasil pengukuran (GPU) | 8,2 token/detik (sekitar 80% dari batas atas) | | Hasil pengukuran (CPU) | 7,3 token/detik (sekitar 70% dari batas atas) | GPU internal berbagi memori utama yang sama dengan CPU, sehingga batas atasnya hampir identik. Bahkan dengan GPU, hanya tersisa ruang sekitar 10–20% untuk mendekati batas atas. GPU eksternal memiliki memori khusus berkecepatan tinggi, sehingga batas atasnya jauh lebih tinggi. | GPU | Kecepatan transfer memori | Perbandingan dengan mesin Ubuntu ini | |---|---|---| | GPU internal mesin Ubuntu ini | Sekitar 51 GB/detik (berbagi dengan CPU) | 1x | | RTX 4060 | Sekitar 272 GB/detik | Sekitar 5x | | RTX 4090 | Sekitar 1.008 GB/detik | Sekitar 20x | ### 2. Pembacaan Ditentukan oleh Beban Komputasi, Tetapi Daya Komputasi GPU Internal Kecil Pada pembacaan prompt, banyak token diproses secara bersamaan, sehingga kecepatannya ditentukan oleh daya komputasi, bukan memori. Efek GPU terlihat di sini, dan hasil pengukuran menunjukkan peningkatan hingga 2,5 kali. Namun, GPU ini memiliki beberapa batasan yang membuat peningkatan terhenti di angka 2,5 kali: | Batasan | Detail | |---|---| | Jumlah unit komputasi sedikit | Hanya 8 unit. Diperkirakan sekitar 2 TFLOPS presisi tunggal, kurang dari sepersepuluh GPU gaming | | Tidak ada sirkuit khusus untuk operasi matriks | Tidak ada sirkuit khusus AI seperti Tensor Core milik NVIDIA | | ROCm tidak didukung | Platform komputasi AMD untuk GPU tidak secara resmi mendukung GPU internal ini. Berjalan menggunakan Vulkan generik | Untuk model 8B, diperlukan sekitar 16 GFLOP komputasi per token. Dengan daya sekitar 2 TFLOPS, batas atas teoretisnya adalah sekitar 120 token/detik. Hasil pengukuran aktual sebesar 76–88 token/detik mencapai sekitar 6–7% dari batas tersebut. ### 3. Prompt yang Lebih Panjang Menyebabkan Kecepatan Lebih Lambat Semakin panjang konteks, semakin banyak token masa lalu yang dirujuk setiap token, sehingga baik pembacaan maupun generasi menjadi lebih lambat. | Kondisi | Kecepatan pembacaan | Kecepatan generasi | |---|---|---| | GPU, prompt sekitar 1.000 token | 76 token/detik | 8,0 token/detik | | GPU, prompt sekitar 3.600 token | 88 token/detik | 7,2 token/detik | | GPU, OpenClaw (15.686 token), awalnya 2.048 token | 78,7 token/detik | — | | GPU, OpenClaw (15.686 token), rata-rata keseluruhan | 44,1 token/detik | 5,1 token/detik | | CPU, OpenClaw (14.021 token) | Sekitar 19,5 token/detik | 3,86 token/detik |Hingga 3,600 token, pemuatan justru menjadi lebih cepat kerana jumlah yang boleh diproses secara bersamaan meningkat. Di atas 15,000 token, kadar pemuatan turun hingga 46 token/detik pada akhir proses. ## Pengesahan Cache di OpenClaw (bot2 mei) Dua mesej berturut-turut telah dihantar ke sesi pengesahan, menggunakan Qwen3 yang berjalan di GPU. | Item | Mesej Pertama | Mesej Kedua | |---|---|---| | Prompt yang dihantar oleh OpenClaw | 15,686 token | 15,744 token | | Token yang sebenarnya dimuatkan | 15,686 (semua) | **135 (hanya token baharu)** | | Masa pemuatan | 356.1 saat | **6.1 saat** | | Penghasilan | 247 token, 48.1 saat (5.11 token/detik) | 249 token, 48.5 saat (5.11 token/detik) | | Jumlah | **410 saat** | **58 saat** | - OpenClaw sentiasa menghantar awal arahan dengan kandungan yang sama, jadi mesej kedua memanfaatkan semula bahagian yang telah diproses (98%). - Sebahagian besar masa tunggu mesej kedua adalah untuk pemikiran sebanyak kira-kira 240 token. Walaupun `--thinking off` ditetapkan, pemikiran tidak berhenti. Jika pemikiran boleh dimatikan, masa tunggu diperkirakan akan berkurang kepada sekitar 10 saat. - Cache tidak hilang berdasarkan masa. Ia hanya hilang apabila model dikeluarkan, proses lain menyusup (kerana hanya satu proses serentak dibenarkan), atau percakapan dikompres. ## Pilihan untuk Mempercepatkan Kerana kelajuan penghantaran memori tidak boleh diubah, cara yang paling berkesan adalah mengurangkan jumlah data yang dimuatkan setiap token. | Kaedah | Kesan yang Dijangka | Perhatian | |---|---|---| | Memanfaatkan cache prompt | Pemuatan mesej kedua dan seterusnya hanya memakan beberapa saat (sudah disahkan) | Boleh hilang akibat penyusupan atau kompresi | | Mematikan pemikiran Qwen3 | Mengurangkan masa sebanyak kira-kira 48 saat setiap mesej | Kualiti jawapan mungkin sedikit menurun | | Menukar ke Qwen3-30B-A3B jenis MoE | Setiap token hanya menggunakan berat sekitar 3B. Penghasilan dijangka 2–3 kali lebih pantas, dan kecerdasan meningkat | Saiznya sekitar 18GB, melebihi kapasiti GPU 10.6GiB, jadi sebahagian diproses oleh CPU. Keberadaan versi tanpa sensor belum disahkan | | Menggunakan model lebih kecil (Qwen3-4B) | Penghasilan kira-kira 2 kali lebih pantas | Kecerdasan menurun | | Menggunakan speculative decoding | Menggunakan Qwen3-0.6B sebagai draf. Penghasilan 1.3–2 kali lebih pantas | Kesannya berbeza mengikut kandungan | | Mengurangkan kuantisasi lebih lanjut (Q3 dsb.) | Peningkatan 10–20% | Ketepatan menurun | | Memendekkan arahan | Masa pemuatan mesej pertama dan selepas cache hilang menjadi lebih pendek | Fungsi akan dikurangkan | Kesan dalam jadual ini, selain cache prompt, adalah anggaran dan belum diukur secara langsung. ## Keadaan Semasa (sehingga 2026-11-03) | Item | Keadaan | |---|---| | LM Studio | Dihentikan. Auto-start dinonaktifkan | | Runtime yang dipilih | Vulkan (GPU) | | bot2 (mei) | gpt-5.4-mini | | Port penghantaran untuk bot2 | Dihentikan. Auto-start dinonaktifkan | | Tetapan bot2 untuk Qwen3 | `~/.openclaw-bot2/openclaw.json.bak-qwen3-active-*` |

#Claude #Codex Hal yang biasa, Kosuke belum pernah digunakan, tetapi untuk laman web yang memperhatikan tampilan, pembuatan spesifikasi dan pengkodean dipisahkan. https://t.co/6ePkAFL6y4 【Kesalahan yang Dilakukan 90% Orang】Mengapa aplikasi yang dibuat oleh AI menjadi “berbeda dari yang diharapkan”? Pemeriksaan Mendalam tentang Alur Pengembangan untuk Menghindari Kebingungan dan Lingkungan Pengembangan Cloud “Kosuke” #chatgpt #claude Hutan Pengetahuan Reck #AIringkasan Pemeriksaan Mendalam tentang Layanan Baru “Kosuke” untuk Mengurangi Kegagalan dalam Pengembangan AI dan Perbedaannya dengan Codex 🔳Alasan Mengapa Hasil Pengembangan AI Tidak Sesuai Harapan Ketika AI diminta membuat aplikasi web, ia sering mengisi kondisi yang ambigu dengan asumsi, atau keputusan penting terlewatkan di tengah percakapan panjang, sehingga hasilnya sering tidak sesuai dengan maksud. Solusinya adalah membagi proses menjadi tahapan: merapikan tujuan, menyerahkan ke implementasi, dan melakukan verifikasi operasional. 🔳Fitur dan Mekanisme Kosuke Kosuke adalah layanan yang mengintegrasikan lingkungan pengembangan cloud dan prosedur pengembangan khusus untuk agen AI. Peran “Guru” yang bertanggung jawab atas penyusunan persyaratan dan manajemen progres dipisahkan dari “Sesi Pengembangan” yang menulis kode secara langsung, memungkinkan informasi konsultasi dirapikan dan diserahkan kepada tim implementasi. 🔳Lingkungan Pengembangan dan Integrasi AI Setiap sesi pengembangan menyediakan branch, lingkungan eksekusi, dan tampilan pratinjau yang terpisah, mendukung eksekusi paralel banyak tugas. Kosuke dapat terhubung dengan akun AI seperti Codex dan GitHub, memungkinkan pengembangan tanpa mengganggu kode yang sudah ada. 🔳Aplikasi ToDo Mingguan yang Diperagakan Membuat aplikasi pribadi yang menetapkan satu tugas satu jam berdasarkan waktu tersedia minggu ini, diurutkan berdasarkan prioritas. Aplikasi ini menangani pencatatan tujuan, kondisi penyelesaian, hasil pekerjaan, dan perencanaan ulang saat jadwal berubah; namun fitur seperti login, berbagi, integrasi kalender eksternal, dan notifikasi tidak termasuk. 🔳Penyusunan Persyaratan Sebelum Implementasi Tidak langsung menulis kode dari awal, melainkan meminta AI untuk mengajukan pertanyaan tentang hal-hal yang belum diputuskan agar spesifikasi menjadi lebih jelas. Tujuan, fitur yang diperlukan, fitur yang tidak dibuat, dan kondisi penyelesaian dirapikan; rencana yang diusulkan kemudian diverifikasi oleh manusia sebelum melanjutkan ke implementasi, sehingga mengurangi ketidaksesuaian pemahaman. 🔳Penerusan Instruksi ke Tim Implementasi Spesifikasi yang telah dipastikan dialihkan dari “Guru” ke sesi pengembangan independen. Dengan memisahkan percakapan penyusunan persyaratan dari implementasi, risiko masuknya informasi latar belakang yang tidak perlu atau terlewatnya keputusan penting dapat diminimalkan. Mekanisme ini menjadi poin utama yang dihargai oleh penulis postingan. 🔳Konfirmasi dan Persetujuan Desain Antarmuka Sebelum implementasi penuh, dibuatkan desain antarmuka yang dapat dilihat di browser untuk memverifikasi arah tata letak dan interaksi; jika diperlukan, revisi dapat diminta. Desain ini hanya bertujuan untuk verifikasi visual dan tidak menjamin fungsi seperti penyimpanan data berjalan dengan benar. 🔳Ulasan Kode dan QA Otomatis Setelah persetujuan desain antarmuka, proses berlanjut ke implementasi, ulasan kode oleh AI, perbaikan, dan QA otomatis. Aplikasi aktual dapat diuji langsung di browser, dengan rekaman dan hasil pemeriksaan disimpan sebagai bukti. Dalam verifikasi awal, masalah seperti eksekusi proses lama setelah pembatalan pengeditan berhasil terdeteksi dan diperbaiki. 🔳Verifikasi Operasional Aplikasi Akhir Pada aplikasi yang telah diimplementasikan, verifikasi dilakukan terhadap pendaftaran tujuan dan kondisi penyelesaian, penambahan ToDo, pengaturan prioritas, alokasi waktu, dan perencanaan ulang. Fungsi dasar berjalan dengan baik, tetapi ditemukan beberapa area yang perlu diperbaiki seperti warna dan ukuran font. Pada kesempatan ini, prioritas diberikan pada versi minimum yang berfungsi. 🔳Pembaruan ke GitHub Setelah implementasi dan verifikasi selesai, perubahan dikonfirmasi melalui pull request di GitHub dan digabungkan ke branch utama. Tujuan kali ini adalah penerimaan resmi kode; publikasi umum ke server eksternal tidak termasuk cakupan. 🔳Perbedaan dengan Codex Codex secara mandiri juga dapat mencapai alur pengembangan serupa dengan menggabungkan mode rencana, Skills, dan lingkungan pengembangan lokal. Namun, Anda harus membangun sendiri alur seperti penyusunan persyaratan, penerusan ke implementasi, pratinjau, ulasan, QA, dan integrasi GitHub. Keunggulan Kosuke terletak pada integrasi bawaan semua tahapan ini. 🔳Paket Harga dan Biaya Tambahan Pada Oktober 2026, biaya bulanan adalah: Starter seharga $20/bulan dengan kuota penggunaan lingkungan senilai $25; Pro seharga $190/bulan dengan kuota penggunaan senilai $250. Lingkungan kecil standar menghabiskan $0.15/jam, dengan kuota dikurangi sesuai durasi penggunaan. Kuota penggunaan layanan AI seperti Codex diperlukan secara terpisah. 🔳Masalah yang Terjadi Secara Nyata Dalam verifikasi awal, muncul masalah seperti preview gagal terbuka karena error 403 meskipun deploy berhasil ditampilkan, serta penolakan merge oleh sistem karena persetujuan ulasan tidak mencukupi. Masalah ini diatasi dengan koreksi pengaturan dan merge manual dari GitHub; hal ini menegaskan bahwa pengembangan tidak dapat sepenuhnya dibiarkan otomatis hingga selesai. 🔳Catatan Saat Menggunakan Layanan Ini Meskipun pemrosesan otomatis oleh AI semakin maju, konfirmasi dan persetujuan visual oleh manusia tetap diperlukan. Biaya penggunaan lingkungan pengembangan dan kuota AI adalah terpisah; biaya bulanan tidak memberikan akses tanpa batas. Selain itu, verifikasi ini bukan eksperimen perbandingan dalam kondisi identik, sehingga tidak dapat disimpulkan bahwa Kosuke lebih unggul dalam kecepatan atau tingkat penyelesaian dibanding Codex. 🔳Cara Meminta Bantuan Melalui Chat AI Biasa Dalam permintaan ke AI, jelas kan tiga hal: “Apa yang ingin Anda lakukan”, “Kapan dianggap selesai”, dan “Apa yang tidak akan dilakukan kali ini”. Setelah itu, minta AI mengajukan pertanyaan tentang hal-hal yang belum diputuskan sebelum eksekusi; kemudian kumpulkan tujuan, batasan, keputusan tetap, hal yang belum diputuskan, dan metode verifikasi sebelum menyerahkannya ke tim implementasi—cara ini membantu mencegah pengembangan yang tidak diinginkan.🔳 Pengguna yang sesuai untuk Kosuke Cocok untuk mereka yang merasa terbebani dengan harus menyusun prosedur pengembangan AI secara mandiri setiap kali, atau mereka yang ingin melanjutkan proses dari pengumpulan persyaratan hingga verifikasi dalam lingkungan terpadu. Sebaliknya, pengguna yang mampu mengelola lingkungan dan prosedur kerja secara fleksibel melalui alat seperti Codex, dapat menerapkan pendekatan serupa hanya dengan alat yang sudah ada. 🔳 Syarat pengujian dan hadiah rujukan Video ini diuji dalam lingkungan gratis dengan pengaturan khusus: paket Pro selama 3 bulan tanpa batas penggunaan. Sistem hadiah diberikan kepada penulis jika terjadi kontrak berbayar melalui tautan rujukan. Manfaat pendaftaran atau syarat penggunaan biasa berbeda dari penawaran khusus ini. 🔳 Pemikiran paling penting dalam pengembangan AI Jangan menyerahkan seluruh tugas kepada AI; penting untuk menetapkan tujuan dan kriteria selesai dengan jelas, meneruskan keputusan secara akurat, serta memperbaiki hasil yang berjalan berdasarkan verifikasi. Kunci untuk mencapai hasil yang diharapkan adalah membangun prosedur pengembangan di mana manusia tetap bertanggung jawab atas penilaian dan persetujuan, bukan hanya mengandalkan kemampuan AI.

DATA_SOURCE: TradingView host bridge ★★★Waktu Timur AS 10:00 (Waktu Jepang 23:00) Keadaan★★★ #SahamAmerika #USSTOCKS #SahamJepang 3 indeks, FANG+, emas, USD/JPY (berdasarkan dolar) Emas: Imbal hasil -9.20%, perubahan -2.56% SP500: Imbal hasil 11.41%, perubahan -1.22% NASDAQ100: Imbal hasil 13.36%, perubahan -2.65% All-World: Imbal hasil 11.03%, perubahan -1.08% NYSE FANG+: Imbal hasil 12.10%, perubahan -2.25% USD/JPY: Perubahan -0.25%