BlockBeats rapporte que, le 1er août, selon le média sud-coréen Daum, la volatilité récente du marché boursier sud-coréen s'est intensifiée, la propension au risque des investisseurs a nettement diminué, et les fonds retournent des actions vers des actifs refuges tels que les banques. En raison de l'ajustement du secteur des semi-conducteurs et du durcissement de la réglementation sur les investissements à effet de levier, les fonds en attente d'investissement sur le marché boursier sud-coréen se retirent rapidement, provoquant un phénomène de « migration inverse des capitaux » sur le marché. Les données montrent qu'à la fin juillet, les dépôts à terme des cinq grandes banques sud-coréennes (KB Kookmin, Shinhan, Hanhwa, Woori, NH Nonghyup) ont atteint 973,49 trillions de wons, soit une augmentation de 24,09 trillions de wons par rapport à la fin du mois précédent, enregistrant la plus forte hausse mensuelle de l'année. Les fonds périphériques au marché boursier ont également connu une contraction notable. Selon l'Association des investissements financiers de Corée, les dépôts sur les comptes titres des investisseurs (fonds en attente d'investissement pour les transactions boursières) ont atteint un sommet historique de 139,69 trillions de wons le 4 juin, mais sont tombés à 107,20 trillions de wons au 28 juillet, soit une baisse de plus de 32 trillions de wons en moins de deux mois. Le solde du financement des transactions sur marge, qui représente l'échelle des transactions financées sur le marché, a également diminué à 33,19 trillions de wons sur la même période, contre un pic de 37,72 trillions de wons le 2 juillet, soit une baisse d'environ 4,5 trillions de wons, soit environ 12 %.

BlockBeats rapporte que, le 1er août, le célèbre trader Killa a publié ce matin un message indiquant que le Bitcoin a de nouveau reculé après le FOMC. Sous le prix actuel, il existe encore un important groupe de positions longues à faible levier. Il conseille aux traders de surveiller la zone entre 61 000 et 61 500 dollars ; si cette fourchette de prix est perdue, le Bitcoin testera la zone entre 54 000 et 56 000 dollars. Killa, en tant que trader quantitatif spécialisé dans le BTC, avait prédit le sommet de ce cycle haussier en mai 2025 et compte plus de 200 000 abonnés sur la plateforme X. À la mi-avril, il a pris une position courte sur le Bitcoin à 74 688 dollars, puis s'est tourné vers une position longue lors de la chute générale du marché le 5 juin.

BlockBeats rapporte que, le 1er août, la société minière de Bitcoin Bitdeer a publié ses données hebdomadaires. Au 31 juillet, l'entreprise a produit 271,3 BTC cette semaine et a vendu une quantité équivalente de BTC, avec une augmentation nette de 0, maintenant une position pure en BTC à 0, sans inclure les dépôts des clients. Depuis le 20 février, Bitdeer maintient une position nulle en Bitcoin pendant 23 semaines consécutives.

BlockBeats annonce que, le 1er août, selon Farside Investors, hier, les ETF Bitcoin au comptant aux États-Unis ont enregistré une sortie nette de 265,4 millions de dollars, IBIT une sortie nette de 122,7 millions de dollars, et FBTC une sortie nette de 54,8 millions de dollars. De plus, les ETF Ethereum ont enregistré une entrée nette de 9 millions de dollars, dont ETHB une entrée nette de 15,4 millions de dollars.

Titre original : « DeepSeek apporte le printemps aux entrepreneurs d'applications AI » Auteur original : 动察Beating Le 31 juillet, la version officielle de l'API DeepSeek V4-Flash est lancée en bêta publique. 1 yuan par million de tokens en entrée ; 2 yuans par million de tokens en sortie. Après un cache réussi, seulement 0,02 yuan par million de tokens en entrée. Il supporte un contexte d'un million, des modes de réflexion, l'appel d'outils et l'API Responses, avec une limite de 2500 connexions simultanées par compte. DeepSeek adoptera bientôt une tarification en heures creuses et heures pleines, doublant les prix aux heures de pointe. Malgré cela, les prix restent étonnamment bas. Selon une estimation approximative officielle de DeepSeek, un caractère chinois consomme environ 0,6 token. Un million de tokens peut lire environ 1,67 million de caractères chinois. En ne considérant que le coût d'entrée, lire environ 1,67 million de caractères chinois coûte seulement un yuan. Au cours de l'année passée, l'industrie des grands modèles s'est habituée à des contextes plus longs, des raisonnements plus complexes et des agents de plus en plus performants. À chaque mise à jour, les discussions tournent autour de qui dépasse qui, combien le benchmark a avancé, et combien de temps avant l'AGI. Pour les entrepreneurs d'applications AI, une question plus concrète se pose : Combien coûte réellement une tâche. La capacité du modèle détermine ce que le produit peut théoriquement faire, le prix d'appel détermine combien de cette capacité l'équipe ose réellement intégrer dans le produit. Cet après-midi, j'ai longuement discuté avec ChatGPT par la voix. J'ai dit que le modèle commercial viable actuel des applications AI, en clair, c'est la revente de tokens. Il a essayé plusieurs fois de me proposer une expression plus élégante, comme « vente au détail de capacité de raisonnement » ou « encapsulation de services intelligents ». Je lui ai dit d'arrêter de chercher des euphémismes, la revente, c'est la revente, ce n'est pas joli mais c'est la vérité. Les applications AI semblent être la nouvelle tendance entrepreneuriale des dernières années, mais en réalité, elles reposent sur un vieux métier : Acheter, transformer, fixer le prix, puis vendre. Beaucoup de changements industriels commencent par une chute soudaine du prix d'achat. Les applications AI sont un business de revente de tokens. Autrefois, on comprenait les applications AI à travers le prisme des produits internet ou SaaS. Une fois le logiciel développé, il peut être distribué à mille ou un million d'utilisateurs. Ajouter un utilisateur génère certes des coûts de bande passante, stockage et service, mais ces coûts sont généralement dilués à mesure que l'échelle grandit. Les applications AI sont différentes. Chaque image générée, chaque rapport écrit, chaque code complété, ou chaque étape supplémentaire d'un agent, nécessite un nouvel appel au modèle. Chaque clic utilisateur entraîne un nouveau coût upstream. Ainsi, la plupart des modèles commerciaux simples des applications AI sont : Acheter des tokens auprès des fournisseurs de modèles, emballer les capacités générales du modèle en produits d'écriture, programmation, design, service client, vidéo ou agent, puis vendre aux utilisateurs via abonnements, points ou paiement à l'usage. Par exemple, Poe a indiqué lors du lancement de son API que la tarification des points supplémentaires est basée sur le prix facturé par le fournisseur du modèle sous-jacent. Le fournisseur upstream facture selon le modèle et les tokens, Poe convertit cela en points sur sa plateforme, qu'il vend avec une interface unifiée, paiement, changement de modèle et API de développement. Certaines entreprises prétendent ne pas vendre des tokens mais des résultats. Par exemple, Intercom facture 0,99 $ par résultat accompli par son agent AI Fin. Un résultat est comptabilisé quand l'utilisateur confirme que le problème est résolu sans demander d'aide humaine, ou quand Fin termine un workflow. Ce n'est qu'un changement d'étiquette tarifaire : facturer par agent, par tâche ou par problème résolu. Derrière, l'application doit toujours appeler le modèle et calculer combien de tokens sont consommés par livraison. Le peintre de la dynastie Song du Sud, Li Song, a peint « Scène de jeu d'enfants avec porteur de marché ». Le porteur transporte une charge avec des articles divers, comme une boutique ambulante. Son profit vient de la sélection, l'assemblage et la livraison des marchandises. Les applications AI font pareil. Les fabricants de modèles produisent l'intelligence, les applications l'intègrent dans des scénarios concrets. Ce qui est acheté en tokens est finalement vendu sous forme de rapport, design ou vidéo. Les fabricants vendent l'intelligence, les applications vendent la complétion. Le profit dépend de trois marges. Premièrement, la marge d'achat. Le même modèle peut coûter différemment selon les équipes. Les gros consommateurs négocient des remises, les équipes techniques optimisent via cache, traitement asynchrone, appels en heures creuses et routage de modèles pour réduire le coût moyen. Ce que certains paient 1 yuan, d'autres le font à 0,5 yuan, la différence est le profit. En clair, certains achètent au prix de gros, d'autres au prix touristique. Deuxièmement, la marge d'utilisation. Certains utilisateurs exploitent leur abonnement intensivement, d'autres l'abandonnent après deux semaines. Tant que la consommation moyenne est inférieure à l'estimation du forfait, le quota inutilisé génère du profit. C'est similaire aux abonnements annuels de salle de sport ou forfaits data mobiles. Mais attention : si l'achat upstream est rigide, un quota inutilisé n'est pas un profit mais un stock invendu. Troisièmement, la marge produit. Pour la même consommation de 10 000 tokens, certains produits ne génèrent qu'un texte à retravailler, d'autres livrent un contenu complet, vérifié et formaté. Le coût sous-jacent est proche, mais le prix payé par l'utilisateur diffère. La vraie valeur d'une application AI dépend de cela. L'achat détermine la viabilité, le produit détermine la valeur. La revente de tokens est la base, le produit justifie la marge. Le problème est que les applications AI doivent constamment acheter, donc le produit devient souvent un problème de coût. Dans la documentation officielle de Manus, on voit comment le coût influence le produit. Manus déduit des points d'abonnement selon la complexité et les ressources consommées. Pour la même question AI, il est conseillé d'utiliser le mode chat pour les questions simples, et de vérifier les résultats intermédiaires pour les tâches complexes afin d'éviter des consommations inutiles. Ces conseils sont raisonnables, mais ils révèlent aussi la difficulté des produits Agent : plus le modèle est actif, plus le coût est imprévisible. Un chatbot s'arrête après une réponse, facile à calculer. Un agent décompose la tâche, recherche, ouvre des pages, appelle des outils, décide de la suite selon les résultats intermédiaires. Une seule instruction peut entraîner des dizaines d'appels. Le produit doit alors apprendre à limiter le travail de l'agent. Le risque est que le gestionnaire de coûts prenne le contrôle du produit. Une fonctionnalité est lancée non pas selon le besoin utilisateur, mais selon le coût par tâche. Le modèle est plus puissant, mais l'application n'ose pas livrer toute cette puissance. Les entreprises doivent contrôler les coûts. Aucune startup ne peut offrir un modèle cher comme de l'eau courante. Certaines applications intègrent les meilleurs modèles dans des forfaits chers, les utilisateurs ordinaires ont une version bridée. La capacité du modèle n'a pas disparu, elle est juste répartie selon le calcul des coûts. Cela crée une inversion étrange : Les utilisateurs veulent que le modèle comprenne plus, réfléchisse plus, fasse plus. L'application veut que le modèle lise moins, réfléchisse moins, fasse moins. Le produit vend de l'intelligence, mais l'équipe pratique la restriction d'intelligence. Quand le prix upstream augmente, l'application réduit les quotas ; si un concurrent obtient un meilleur prix, les abonnements baissent ; un nouveau modèle bon marché oblige à revoir les routages et forfaits. L'application semble contrôler le produit, mais la variable clé est toujours upstream. Ces deux dernières années, les entrepreneurs AI manquent peut-être d'idées, mais surtout d'une intelligence assez puissante, assez bon marché, à intégrer sans crainte dans leurs produits. DeepSeek a réduit le « péage de l'intelligence ». DeepSeek n'est pas un modèle low-cost basique. Il offre un contexte d'un million, supporte les modes de réflexion et l'appel d'outils. Lors de la préversion en avril, DeepSeek annonçait une capacité de raisonnement proche de V4-Pro, avec des performances similaires sur des tâches Agent simples. La version officielle du 31 juillet n'a pas changé la structure ou la taille du modèle, mais a retravaillé l'entraînement, dépassant les performances de la préversion V4-Pro sur plusieurs benchmarks Agent. C'est important. Des modèles bon marché existaient déjà, mais souvent de qualité inférieure. Les applications AI ont besoin d'une intelligence stable à un prix unitaire bas. Selon les benchmarks Agent et code publiés, V4-Flash dépasse la barre du « suffisant » pour de nombreuses tâches fréquentes, à un prix qui encourage les appels fréquents. Pour la plupart des utilisateurs, les grands modèles ont probablement franchi un seuil critique. Les utilisateurs ordinaires ne se soucient pas des benchmarks. Ils ne se préoccupent pas qu'un modèle soit meilleur de 3 ou 5 points dans un test, mais veulent que leurs tâches soient bien faites. Quand un modèle peut lire, raisonner, utiliser des outils et livrer, améliorer encore a de la valeur, mais cette valeur justifie-t-elle un prix multiplié par plusieurs fois ? Il faut reconsidérer. Avant, un modèle plus fort justifiait un prix plus élevé. Aujourd'hui, cette justification ne tient plus : où est la valeur ajoutée, quels problèmes résout-elle, combien d'utilisateurs en ont vraiment besoin ? Il faut en discuter ouvertement. DeepSeek ne rend pas tous les modèles moins chers, il rend les modèles chers explicables aux utilisateurs. Pinduoduo n'a pas seulement cassé les prix des produits, il a montré aux consommateurs que beaucoup de produits quotidiens pouvaient être vendus si bon marché. Les marges de marque, coûts de distribution et intermédiaires, autrefois considérés comme normaux, doivent désormais justifier leur existence. Pinduoduo a brisé la mentalité des prix des produits. DeepSeek brise la mentalité des prix de l'intelligence. Les entrepreneurs peuvent enfin se concentrer sur le produit. Pour l'industrie AI, la prochaine étape cruciale est que les entrepreneurs puissent enfin détourner leur regard de l'amont. Avant, les mises à jour rapides des grands modèles dictaient la marche. Aujourd'hui, on intègre un contexte plus long, demain un nouveau modèle de raisonnement, après-demain une capacité Agent en vitrine. Le produit semble évoluer, mais la feuille de route n'est pas décidée par lui. Le fournisseur publie, l'application montre. Typique : l'amont prospère, l'aval se déconcentre. Maintenant, le modèle de base peut devenir un outil de production relativement stable. L'équipe n'a plus besoin de courir après les classements ou de considérer l'intégration du dernier modèle comme la plus grande avancée produit. Quand le modèle se stabilise, le produit n'a plus d'excuse. Le modèle qui accomplit une tâche est un point de départ. Le produit doit intégrer la tâche dans un vrai processus, gérer permissions, données, collaboration, révision et échec, pour que l'utilisateur n'ait pas à réapprendre à chaque fois comment l'AI travaille. Ces aspects sont moins sexy que les paramètres du modèle, difficiles à benchmarker, mais déterminent souvent si l'utilisateur paiera le mois suivant. La valeur des applications AI n'est pas de montrer le modèle à l'utilisateur, mais de faire disparaître le modèle dans le travail. Quand l'utilisateur n'a plus à choisir le modèle, ni à étudier les prompts, ni à se soucier du nombre de cycles de raisonnement, l'application a vraiment accompli sa mission. À ce stade, la compétition ne porte plus sur qui obtient le modèle en premier, mais sur qui comprend le mieux un métier, qui peut intégrer les règles tacites du secteur dans le produit. Le modèle peut devenir plus fort du jour au lendemain, la compréhension sectorielle non. L'API est accessible à tous, mais une méthode de travail acceptée par les utilisateurs est difficile à copier. Cela redonne vie à des business autrefois jugés trop modestes. L'entrepreneuriat AI ne doit pas forcément commencer par une « prochaine génération d'interface », ni chaque entreprise doit créer un super agent universel. Il peut résoudre un problème dans les demandes d'export, servir un processus de chaîne de magasins, ou économiser un travail répétitif pour une profession. Le marché n'a pas besoin d'être immense. Tant que le problème est précis, la livraison stable, et la valeur reçue supérieure au prix payé, le business peut survivre. Quand les modèles étaient trop chers, les petits marchés ne pouvaient pas soutenir un produit complet. Les équipes devaient viser une grande échelle, un panier moyen élevé et un financement rapide pour couvrir les coûts de raisonnement. Beaucoup de projets racontaient déjà une histoire trop ambitieuse avant d'avoir trouvé leurs vrais utilisateurs. Aujourd'hui, l'histoire peut être plus modeste. Les petites équipes peuvent d'abord servir un petit groupe, bien faire une chose, puis s'étendre progressivement. C'est comme beaucoup de « commerces centenaires » d'autrefois. Ils ne visaient pas à dominer une rue, mais à bien servir quelques tables. La nourriture est bonne, le prix juste, les clients reviennent, le business existe. L'industrie des grands modèles aime parler d'échelle, de paramètres et de fin de partie. L'entrepreneuriat applicatif revient toujours à cette logique simple. Qui vous servez, quel problème vous résolvez pour lui, pourquoi changer de fournisseur ne marche pas, DeepSeek ne répond pas à ces questions. Il permet juste aux équipes de ne plus passer la majorité de leur temps à négocier avec l'amont, et aux petites équipes sans capacité de former de grands modèles ni accès à des prix spéciaux, d'obtenir une entrée relativement équitable. Avant, le modèle lui-même était une barrière. Maintenant, tout le monde peut acheter un modèle, la différence est ce qu'on en fait. La vraie rareté se déplacera vers les utilisateurs, données, processus et confiance. Plus on est proche du travail réel, plus on a de chances. Après que DeepSeek ait abaissé la barrière de l'intelligence, les applications AI redeviennent un business de produit, pas une course aux modèles. Chao Cuo de la dynastie Han occidentale écrivait dans « Discours sur la cherté des céréales » : « Les céréales sont chères, l'or et les jade sont bon marché. » Ces dernières années, les grands modèles ressemblent à l'or et au jade. Les paramètres augmentent, les classements montent, ils brillent sous les projecteurs des conférences, tout le monde voit leur valeur, mais peu peuvent les utiliser dans le travail quotidien. Le niveau applicatif doit transformer l'or et le jade en céréales. DeepSeek n'a pas préparé le repas pour les entrepreneurs, il a juste baissé le prix du riz. Quant à qui ouvrira le restaurant, cela dépend de leur savoir-faire. -END- Lien original

BlockBeats annonce que, le 1er août, OpenAI a déclaré le 31 juillet avoir bloqué un lot de comptes ChatGPT liés à un réseau de fraude au Cambodge. Ce réseau utilisait ChatGPT pour créer de fausses identités, traduire des messages frauduleux et produire du contenu promotionnel, gagnant la confiance des victimes via des relations amoureuses ou amicales, avant de les inciter à participer à de faux projets d'investissement en cryptomonnaies ou en or. Les indices initiaux ont été fournis par WhatsApp, les personnes impliquées opérant probablement dans la région de Pailin, province de Banteay Meanchey au Cambodge. OpenAI a partagé ces informations avec des partenaires du secteur. Les pertes exactes causées par ce réseau restent inconnues, certaines victimes ayant perdu plusieurs milliers de dollars. (IT Home)

BlockBeats rapporte que le 1er août, des professionnels du secteur ont révélé que la LPDDR6 (sixième génération de mémoire à double débit de données basse consommation) de Changxin Storage est proche de la fin de la validation de la recherche et développement, une étape importante avant la production en série. En mars de cette année, des informations du marché indiquaient que Changxin Storage, filiale de Changxin Technology, avançait activement dans la mise en œuvre du produit LPDDR6 et avait déjà envoyé des échantillons à ses clients clés, avec une sortie et une production en série prévues pour le second semestre 2026. Les informations associées indiquent que la première spécification de conception du produit LPDDR6 de Changxin a une vitesse nominale de 12800 Mbps, avec une vitesse de base de fonctionnement en collaboration avec le SoC (système sur puce) de 10667 Mbps, une capacité de puce de 16 Gb, utilisant un emballage POP (empilé) à 1295 billes (soudure). En termes de conception basse consommation et de fonctionnalités RAS (fiabilité, disponibilité et maintenabilité), il y a une amélioration notable par rapport au produit LPDDR5X (version renforcée de LPDDR5). (Yicai)

BlockBeats rapporte que, le 1er août, selon les statistiques de Paidun, l'industrie de la cryptographie a subi 30 attaques majeures de hackers en juillet, avec des pertes dépassant 210 millions de dollars, soit une augmentation de 177,2 % par rapport aux 75,87 millions de dollars de pertes en juin. Parmi elles, l'attaque contre le cold wallet Coldcard a entraîné des pertes de plus de 70 millions de dollars, devenant ainsi la troisième plus grande attaque de hackers de l'année à ce jour.

BlockBeats rapporte que, le 1er août, selon l'analyste on-chain Ai 姨 (@ai_9684xtpa), deux nouvelles adresses ont accumulé au total 18 914,13 ETH au cours des 10 dernières heures, pour une valeur totale de 35,2 millions de dollars, avec un prix moyen de retrait de 1861 dollars. Selon les enregistrements d'opérations de FalconX, ces deux adresses seraient probablement affiliées à Bitmine.

BlockBeats annonce que, le 1er août, selon l'analyste Jukan, le syndicat de Micron à Taïwan, Chine, envisage une grève en raison de primes inférieures à celles offertes par Samsung et SK Hynix.