Эрик Трамп назвал стейблкоины «спасителями» доллара

cryptonews.ruPublicado a 2025-09-25Actualizado a 2025-09-26

Стейблкоины «спасут доллар США», поддержав курс национальной валюты. Такое мнение высказал сын действующего президента страны Эрик Трамп.

Криптопредприниматель особо выделил USD1 — «стабильную монету» от DeFi-проекта World Liberty Financial, контролируемого семьей Трампов.

Еще в феврале член Совета ФРС Кристофер Уоллер допустил, что регулированные стейблкоины «расширят влияние доллара по всему миру» и укрепят его статус резервной валюты.

В апреле основатель и CEO LayerZero Labs Брайан Пеллегрино заявил, что «стабильные монеты» являются лучшим инструментом правительства США для сохранения гегемонии доллара на мировых финансовых рынках.

По мнению соучредителя Blockstreet Кайла Клеммера, к концу второго срока Дональда Трампа в 2028 году USD1 будет доминировать в сегменте, превзойдя по капитализации USDT и USDC.

Тем временем аналитики банка Citigroup повысили собственный прогноз по объему рынка «стабильных монет» к 2030 году. По их оценке он достигнет $1,9 трлн в базовом сценарии и $4 трлн в бычьем варианте.

В JPMorgan считают подобные оценки слишком оптимистичными. Стратеги финансового учреждения ожидают капитализацию в $500 млрд к 2028 году.

При этом в Citigroup отметили, что корпорации отдают предпочтение токенизированным активам, объем транзакций с которыми может превысить показатель стейблкоинов к 2030 году.

Пилот токенизированных депозитов в Великобритании

Группа UK Finance запустила отраслевой пилотный проект по проведению первых в Великобритании реальных транзакций с токенизированными депозитами. Реализация инициативы продлится до середины 2026 года. В числе участников: Barclays, HSBC, Lloyds Banking Group, NatWest, Nationwide и Santander.

Целями проекта заявлены предоставление токенизированных депозитов и программируемых платежей по трем вариантам использования:

  • платежи между физическими лицами через интернет-площадки: снижение уровня мошенничества и повышение доверия покупателей и продавцов;
  • процессы рефинансирования ипотеки: повышение прозрачности, ускорение транзакций и снижение риска мошенничества при оформлении документов на право собственности.
  • расчеты с использованием цифровых активов: подключение токенизированных денег клиентов к цифровым активам для бесперебойного обмена.

Напомним, ожидаемая волна запуска стейблкоинов в США может превратиться в соревнование с нулевой суммой, считают аналитики JPMorgan.

Lecturas Relacionadas

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 1 hora(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 1 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 4 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 4 hora(s)

Trading

Spot
活动图片