Coinbase收购Circle?收益困局与协议野心的双重博弈

Odaily星球日报Xuất bản vào 2025-05-27Cập nhật gần nhất vào 2025-05-27

Tóm tắt

Coinbase在扩大市场的同时,却无法完全掌控利润。

原文标题:Coinbase Will Have to Acquire Circle – The Only Question Is Price

原文作者:@yiryan,vectordao 成员

原文编译:zhouzhou,BlockBeats

编者按:USDC 是 Coinbase 第二大收入来源,但因和 Circle 合作,收益归属受限。Circle 控制协议层,专注扩大整体市值,Coinbase 则想将 USDC 完全收入囊中,实现收入归一与协议控制。若收购 Circle,Coinbase 可获得完整收益、产品协同与监管优势。长期来看,收购是合理且必要的战略选择,关键只在价格。

以下为原文内容(为便于阅读理解,原内容有所整编):

背景

我在加密行业工作多年——先是在 CoinFund(一家早期基金),后来加入 Coinbase,协助扩大其风险投资战略。

本文所有内容都基于公开数据:Circle 的 S-1 招股说明书(2025 年 4 月)和 Coinbase 的公开财报。没有内幕消息——只是任何人都可以复现的分析,只不过大多数人不会去做。

USDC 供应结构拆解

USDC 总量 = Coinbase 持有的 USDC + Circle 持有的 USDC + 其他所有部分

根据 S-1 中的定义,平台 USDC 是指「由某方的托管产品或钱包管理服务中持有的稳定币比例」。这意味着:

  • Coinbase = Coinbase Prime / 交易所

  • Circle = Circle Mint

  • 其他 = 储存在 Uniswap、Morpho、Phantom 等平台上的 USDC

Coinbase 在 USDC 总供应中的占比正在迅速增长—— 2025 年第一季度已达到约 23% 。而 Circle 的占比则保持稳定。

这是合理的——因为 Coinbase 在消费者、开发者和机构市场上的影响力更大。

Coinbase收购Circle?收益困局与协议野心的双重博弈

USDC 收益归属

无论是 Circle 还是 Coinbase,都能获得其平台内 USDC 储备收入的 100% 。对于「平台外」的 USDC(也就是「其他部分」),双方各分 50% 。

但这里有个关键点:Circle 从平台外的 USDC 中获得了不成比例的收益。尽管 Coinbase 平台上的 USDC 数量是 Circle 的 4 倍,但它在收入上的优势仅约为 1.3 倍。

根据对「其他部分」收益 50/50 分成的粗略计算,得出以下的收益占比情况:

Coinbase收购Circle?收益困局与协议野心的双重博弈

Circle:押注的是市场规模,而不是控制权

Circle 的动机很明确:扩大 USDC 的整体流通量,即使这些 USDC 并不存放在自家平台上。Circle 理想的世界,是 USDC 成为美元的第一稳定币——这本身就能为其带来牢固的市场地位。它从作为协议层中获益,比如:

  • 发行并维护 USDC 智能合约,跨 19 条以上链;

  • 控制 CCTP,用于原生跨链和铸造/销毁流动。

虽然平台内的 USDC 更赚钱,但其增长并不明显。而在大客户拓展上,Circle 很可能输给了 Coinbase 的体量。但只要 USDC 成为第一大美元稳定币,Circle 依旧是赢家——这是一场市场规模博弈,而不是利润率博弈。

未来 USDC 的总市场可能会大得惊人,因此即便无法吃下全部利润,也不算糟糕结局——大部分收入增长将来自「平台外」部分。这个动机和 Circle 的能力是契合的:它掌控了 USDC 的治理、基础设施和技术路线图。

Coinbase:必须完全掌控 USDC

宏观层面

USDC 是 Coinbase 的第二大收入来源,占 2025 年 Q1 总营收的约 15% ,超过质押业务。更重要的是,这是 Coinbase 最稳定、最可扩展的基础设施类收入来源。随着 USDC 的全球扩张,其潜力将成几何级增长。

USDC 将成为 Coinbase 的关键护城河。虽然中心化交易所(CEX)的收入仍是主力,但相比之下,USDC 收入更加稳定,而且会随加密整体经济同步增长。

USDC 很可能会成为前三大美元稳定币之一,进而成为将美元「科技输出」到全球的主要渠道。金融科技与传统金融巨头早已意识到这一点,纷纷入场。但 USDC 拥有先发优势和原生加密生态的支撑,有望存活并持续壮大。从基础设施和监管角度来看,完全拥有它,是极有价值的故事。

微观层面:Coinbase 变现的悖论

Coinbase 是推动 USDC 增长的主力,但它却被结构性限制住了。现在,USDC 是 Coinbase 的第二大营收来源(仅次于交易)。因此,每一个产品决策都必须考虑营收和利润率。但问题是:Coinbase 在扩大市场的同时,却无法完全掌控利润,因为「平台外」收入只能分一半。

讽刺的是:Coinbase 一边吸引用户、搭建基础设施、提升交易频率,却因架构问题在收益端被封顶。它的消费者产品和开发者产品一开始就被「削弱」了。

Coinbase 的自然应对方式是将「潜在市场」转化为「Coinbase USDC」——也就是平台内、可完全变现的部分(托管产品中的余额可获得 100% 储备收益)。这策略确实见效了:Coinbase 平台内的 USDC 占比两年翻了四倍。但这只适用于托管 USDC,即 Exchange + Prime。

问题出在「托管灰区」——用户增长在这里发生,但收益归属却变得模糊不清。

  • Coinbase Wallet 是非托管的,Smart Wallet 尽管提升了体验、可能加入了共享密钥机制,但仍不符合 S-1 所定义的「平台 USDC」。

  • 如果未来大多数用户都通过这类钱包使用链上产品,那这部分 USDC 的归属就会处于 Circle 和 Coinbase 之间的灰色地带。

  • Base(Coinbase 的 L2)也是非托管架构,用户可以自主退出到以太坊 L1,Coinbase 并不持有密钥。因此,即便 Coinbase 是入口,Base 上的 USDC 也很可能不会被归类为「Coinbase USDC」。

结论: Coinbase 推动了 USDC 的增长,却内置了一个削弱系统。只要它不控制整个协议,就始终面临收益归属的不确定性。唯一的彻底解决办法,就是收购 Circle,重写规则。

Coinbase 收购 Circle 将获得的好处

  • 100% 收益归属:再也不用为「托管 vs 非托管」纠结了,Coinbase 可直接认领全部 $ 600 亿 USDC 所产生的利息收入,无论这些 USDC 放在哪。

  • 协议控制权:USDC 的智能合约、多链整合、CCTP 全部变为内部资产。

  • 战略产品协同:钱包、Base 和未来的链上体验产品,都可无须协调、原生变现 USDC。

  • 监管整合:Coinbase 已是政策制定的领导者,掌控 USDC 后,可主导稳定币法规的制定方向。

不确定因素 / 待探索点

  • 增长潜力:USDC 当前市值约 $ 600 亿,理论上可增长至 $ 5000 亿,对应年储备收益 $ 200 亿,有望把 Coinbase 推向「七大科技巨头」(Mag 7)级别盈利。

  • 监管政策:美国正在推动稳定币立法,这对市场增长是好事。稳定币将成为美元全球化的新载体,但也可能限制平台宣传收益或储蓄产品的方式。如果 Coinbase 拥有整个堆栈,就能灵活调整策略应对政策变化。

  • 运营复杂性:USDC 最初是由财团运营,结构可能是基于当时的法律/监管考量。虽然这些障碍在统一架构下看似可管理,但其中的法律结构可能藏有未知风险。但目前来看,没有不可克服的问题。

收购价格

没人能准确预测市场估值,但我们可以参考以下数据:

  • Circle 计划以 $ 50 亿估值 IPO;

  • Ripple 曾提出 $ 100 亿的估值;

  • Coinbase 当前市值约为 $ 700 亿;

  • USDC 目前占 Coinbase 营收的 15% ,若收购后整合,有明确路径将该比例提升至 30% 以上。

我的判断是:

  • Circle 是 Coinbase 的天然收购对象,Coinbase 也很清楚这一点;

  • Circle 想让公开市场给自己定价($ 50 亿为目标);

  • Coinbase 想看看市场给 Circle 什么估值;

  • Coinbase 心知肚明:

 1. 它必须拥有 USDC 全堆栈;

 2. 整合后可让 USDC 占其营收的 15% ~ 30% ;

 3. 按收入价值来看,USDC 的「合理估值」应在 $ 100 ~ 200 亿之间。

Circle 也知道这些——并意识到,只要 USDC 继续增长,Coinbase 最终会为了解决合作中不断出现的业务、产品、治理摩擦而选择直接收购。

最终观点

Coinbase 应该收购 Circle,也很可能会这么做。

目前双方的合作还能继续,但从长远来看,在平台、产品和治理层面存在的冲突太大,不容忽视。市场会给出价格,但双方对彼此的价值,心里早已清楚。

原文链接

Nội dung Liên quan

Sức mạnh xử lý sắp cạn: Google thầm áp đặt hạn mức sử dụng Gemini đối với Meta

Cuộc khủng hoảng hạ tầng AI đang leo thang giữa các gã khổng lồ công nghệ. Theo các nguồn tin, từ khoảng tháng 3, Google đã thông báo với Meta rằng họ không thể đáp ứng toàn bộ nhu cầu sử dụng mô hình Gemini và áp dụng giới hạn sử dụng, gây ra sự chậm trễ cho một số dự án AI nội bộ của Meta. Cả hai công ty từ chối bình luận. Tình trạng thiếu hụt năng lực tính toán (compute) buộc Google phải đẩy nhanh việc mở rộng, bao gồm ký hợp đồng thuê năng lực tính toán trị giá 920 triệu USD mỗi tháng với SpaceX của Elon Musk. Giám đốc điều hành Google Sundar Pichai thừa nhận hạn chế về compute đang ảnh hưởng đến doanh thu đám mây. Meta, một trong những khách hàng doanh nghiệp lớn nhất của Google, bị ảnh hưởng nặng nề nhất. Công ty này sử dụng Gemini cho nhiều mục đích như kiểm duyệt nội dung, chatbot hỗ trợ và phát triển mã nguồn. Để giảm phụ thuộc, Meta đang đẩy mạnh chuyển sang sử dụng mô hình tự phát triển như Muse Spark và tăng cường đầu tư vào hạ tầng data center riêng. Sự việc cho thấy áp lực ngày càng tăng từ khối lượng công việc suy luận (AI inference) sau khi mô hình được huấn luyện, trở thành một trong những thách thức lớn nhất của ngành, bất chấp hàng trăm tỷ USD đã được đổ vào chip và trung tâm dữ liệu.

marsbit42 phút trước

Sức mạnh xử lý sắp cạn: Google thầm áp đặt hạn mức sử dụng Gemini đối với Meta

marsbit42 phút trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

Ngay cả các mô hình AI mạnh mẽ nhất cũng khó cưỡng lại sự nghi ngờ lặp đi lặp lại từ người dùng. Một bài đăng gần đây trên X của shadcn@shadcn đã gây bão trong cộng đồng phát triển và nghiên cứu AI: "Không có mô hình nào có thể đứng vững trước câu hỏi 'Bạn có chắc không?' - tất cả đều nhanh chóng đầu hàng." Điều này phản ánh một tình huống phổ biến: người dùng chỉ cần hỏi lại "Bạn có chắc không?" mà không cung cấp thông tin mới, nhiều mô hình lớn (LLM) lập tức xin lỗi, sửa đổi câu trả lời, thậm chí biến một đáp án đúng thành sai. Trong phần bình luận, nhiều người dùng chia sẻ trải nghiệm tương tự, nơi AI dễ dàng bị "gaslight" (thao túng tâm lý) để đưa ra câu trả lời kém hơn dù ban đầu nó đúng. Họ nhận xét các mô hình thiếu sự tự tin thực sự; sự chắc chắn của chúng chỉ là cảm giác được đóng gói thành sự tự tin. Tuy nhiên, một số người dùng chỉ ra rằng không phải tất cả mô hình đều như vậy. Ví dụ, AI trợ lý Poke của The Interaction Company và Claude Opus 4.8 của Anthropic có thể giữ vững lập trường khi bị chất vấn. Claude Opus 4.6 cũng được khen ngợi nhờ khả năng "chịu được áp lực" nếu được hướng dẫn trong prompt hệ thống rằng nên phản đối khi chắc chắn. Nguyên nhân sâu xa của hành vi "xu nịnh" này thường được quy cho "lời nguyền" từ quá trình Huấn luyện Củng cố bằng Phản hồi Con người (RLHF). Trong quá trình căn chỉnh, các mô hình được khen thưởng vì an toàn, lịch sự và tuân theo mong đợi của con người. Việc "cãi lại" hoặc kiên định có thể bị trừng phạt, trong khi xin lỗi và tuân theo người dùng là con đường an toàn để đạt điểm cao, vô hình trung tạo ra "nhân cách xu nịnh" ở AI. Hiện tượng này còn được gọi là "AI sycophancy" - sự hy sinh tính nhất quán thực tế để chiều theo khuynh hướng người dùng. Một số ý kiến cho rằng cần có một tiêu chuẩn đánh giá (benchmark) mới, chẳng hạn như benchmark "Bạn có chắc không?", để đo lường khả năng giữ vững lập trường của mô hình khi bị người dùng chất vấn sau khi đã đưa ra câu trả lời đúng. Một trợ lý AI đủ tiêu chuẩn không chỉ cần chính xác trong các bài kiểm tra tĩnh mà còn phải có khả năng chống nhiễu và duy trì ranh giới phán đoán trong đối thoại thực tế.

marsbit1 giờ trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

marsbit1 giờ trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

Bài viết trình bày phân tích của Dwarkesh Patel về hướng phát triển tiếp theo của AI, vượt ra ngoài khuôn khổ "Huấn luyện Củng cố với Phần thưởng có thể Xác minh" (RLVR) hiện tại. Ông chỉ ra rằng RLVR thành công trong các lĩnh vực như viết mã, toán học vì chúng có tính "có thể mài mòn" cao - dễ dàng nhân bản, thiết lập lại và kiểm tra song song. Tuy nhiên, nhiều nhiệm vụ thế giới thực như khởi nghiệp, vận động tranh cử hay nghiên cứu khoa học lại thiếu các thuộc tính này, khiến việc huấn luyện trở nên khó khăn. Điểm mấu chốt mà Patel đưa ra là sự cần thiết phải chuyển từ mô hình chỉ huấn luyện trước khi triển khai sang khả năng học tập liên tục từ kinh nghiệm triển khai thực tế. Ông cho rằng kiến thức giá trị nhất thường nảy sinh từ tương tác thực, lỗi thực và bối cảnh cụ thể, nhưng hiện tại việc học ngữ cảnh (in-context learning) của các mô hình lớn chỉ là tạm thời và không lưu lại trọng số. Bài viết đề xuất hai hướng tiếp cận chính cho mô hình học tập tiếp theo: 1. **Tự chưng cất theo chính sách (OPSD):** Nén kiến thức mà một mô hình đã học được trong một phiên làm việc dài (như một "nhân viên kỳ cựu") trở lại trọng số của mô hình cơ sở. 2. **Mơ mộng (Dreaming):** Mô hình tự xây dựng môi trường mô phỏng dựa trên quan sát thế giới thực để luyện tập và thử nghiệm chiến lược, sau đó nén kinh nghiệm thu được. Tầm nhìn cuối cùng là một quy trình huấn luyện mới: AI đầu tiên đạt được năng lực cơ bản thông qua RLVR, sau đó được triển khai để thực hiện công việc thực. Kinh nghiệm tích lũy từ các nhiệm vụ thực này, thông qua các cơ chế như OPSD, sẽ liên tục được tinh chỉnh trở lại mô hình, biến mỗi lần tương tác của người dùng thành cơ hội học tập. Tương lai của AI có thể phụ thuộc vào dữ liệu huấn luyện do chính nó tạo ra từ kinh nghiệm thực tế, hơn là chỉ từ dữ liệu có sẵn trên internet hay các nhiệm vụ được xây dựng sẵn trong phòng thí nghiệm.

marsbit1 giờ trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

marsbit1 giờ trước

Giao dịch

Giao ngay
活动图片