4E Labs|美国稳定币监管新时代:GENIUS Act 的通过及其深远影响

链捕手Xuất bản vào 2025-05-27Cập nhật gần nhất vào 2025-05-27

一、稳定币定义与分类

稳定币作为加密货币市场的“稳定锚”,其价值通常与法币、商品或算法机制挂钩。根据抵押资产类型和运作模式,可分为四类:

  • 法定货币抵押型稳定币

  1. 定义:如 Tether(USDT)、USD Coin(USDC),由美元或其他法定货币 1:1 支持,储备通常存放在银行或信托机构。
  2. 机制:发行者持有等值法定货币(如美元)作为储备,用户可随时以 1:1 兑换稳定币。
  3. 优势:- 稳定性高,价值波动小,适合支付和交易。- 易于理解,广泛应用于中心化交易所和 DeFi 平台。- 监管透明度较高(如 USDC 的储备定期审计)。
  4. 劣势:- 依赖发行者的信用和运营透明度(如 Tether 曾因储备争议受质疑)。- 中心化管理导致单点故障风险。- 需遵守严格的监管要求,合规成本高。
  5. 案例:USDT 市值超 1100 亿美元,USDC 市值约 550 亿美元(2025 年数据)。
  •  加密货币抵押型稳定币

  1. 定义:如 MakerDAO 的 DAI,由以太坊等加密货币超额抵押生成,通常通过智能合约运行。
  2. 机制:用户存入加密货币(如 ETH)作为抵押,生成稳定币,价值通过算法和超额抵押维持稳定。
  3. 优势:- 去中心化,无需信任单一发行者,抗审查能力强。- 适合 DeFi 生态,灵活性高。- 透明度高,所有交易记录在区块链上。
  4. 劣势:- 抵押资产价格波动可能导致清算风险。- 智能合约漏洞可能引发系统性风险。- 复杂性较高,用户需具备技术知识。
  5. 案例:DAI 在 DeFi 中广泛使用,但 2022 年 ETH 价格暴跌曾导致部分清算事件。
  • 算法型稳定币

  1. 定义:如 TerraUSD(UST,2022 年崩盘),通过算法动态调整供应量以维持价值稳定,无需直接抵押资产。
  2. 机制:通过套利机制或代币销毁/铸造调节供需,如 UST 通过 Luna 代币平衡价值。
  3. 优势:- 无需储备资产,运营成本低。- 完全去中心化,理论上可无限扩展。- 适合快速增长的加密市场。
  4. 劣势:- 稳定性差,易受市场情绪和挤兑影响(如 UST 崩盘导致数百亿美元损失)。- 算法复杂,市场信任度低。- 监管难度大,可能被视为高风险资产。
  5. 案例:UST 的失败凸显算法稳定币的脆弱性,目前该类型市场份额较小。
  • 混合型稳定币

  1. 定义:结合法定货币或加密货币抵押与算法机制,试图兼顾稳定性和灵活性,尚处于试验阶段。
  2. 机制:如部分储备支持结合算法调节,或动态调整抵押比例。
  3. 优势:可能平衡稳定性和去中心化优势,创新潜力大,可适应多种场景。
  4. 劣势:- 技术复杂,风险尚未完全验证。- 市场接受度低,应用场景有限。- 监管不确定性高,可能面临双重合规要求。
  5. 案例:Frax Finance 的 FRAX 尝试混合模式,但市场规模较小。

稳定币因低成本、快速交易和低波动性被广泛应用于跨境汇款、DeFi、支付结算和价值存储,2025 年市场规模已达 2320 亿美元。稳定币的规模扩张(2025年跨境支付中30%通过稳定币完成)与风险事件(UST崩盘、Tether储备不透明)迫使美国出手监管。

二、GENIUS Act 主要条款

GENIUS Act通过建立联邦和州分级监管框架,规范支付稳定币(定义为主要用于支付和结算、与固定货币价值挂钩的数字资产)。以下是其主要条款,基于公开信息整合:

法案以18–6通过参议院银行委员会,66–32通过参议院全院,显示了跨党派支持。

三、立法动因:从金融安全到数字美元霸权

金融安全与系统稳定:监管为基础

  • 消费者保护迫在眉睫
  1. 近年来,稳定币频繁出现“脱锚”事件,尤其是 2022 年 TerraUSD(UST)崩盘,导致数十亿美元散户资产蒸发。
  2. GENIUS Act 要求所有支付稳定币必须进行月度审计持有1:1的流动性储备资产,并在发行者破产时赋予用户优先索偿权,显著提升用户保障。
  • 反洗钱与金融犯罪防控
  1. 稳定币在匿名交易中的广泛应用引发执法部门关注。
  2. 参议员伊丽莎白·沃伦指出,40%以上的勒索软件赎金通过稳定币支付
  3. 法案强制发行方执行 KYC(身份验证)、AML(反洗钱)与 CFT(反恐融资)程序,旨在打击非法资金流动。

美元主导权的数字延续:金融地缘战略升维

  •  数字美元需求端绑定:以美元为锚的“加密货币”
  1. 截至 2025 年,全球稳定币中 99%以上以美元计价,美元已成为全球数字资产的核心价值锚。
  2. GENIUS Act 明确通过监管手段强化美元在加密金融体系中的基础地位,确保美元继续主导全球支付与储备系统。
  •  储备资产结构设计:稳定币“喂养”美债市场
  1. 法案要求发行方将储备资产集中于美国国债、银行存款或实物现金
  2. 共和党参议员比尔·哈格蒂指出,到2030年,稳定币发行方或将成为美债的最大持有者之一,从而为美国财政赤字融资提供支撑。
  3. 当前美国国债规模已达 36万亿美元,稳定币储备机制被视为“类隐形购债力量”。
  •  遏制他国货币扩张:对抗人民币与欧元的数字化崛起
  1. 欧盟已推出 MiCA 法规,中国亦推动数字人民币跨境流通。
  2. GENIUS Act 是美国抢占全球数字货币主权制高点的重要手段,旨在防止他国数字货币对国际结算权构成威胁。

科技与政治权力制衡:立法背后的利益对抗

  • 科技巨头金融化趋势受阻
  1. Meta 早在 2019 年提出的 Libra(后更名为 Diem)稳定币项目,因监管高压被迫终止。
  2. GENIUS Act 修订条款中明令禁止未获得联邦或州许可的科技公司发行稳定币,并对其数据隐私、金融风险及平台垄断行为提出更高要求。
  3. 德银分析指出,此举意在防止平台型科技巨头利用其“数据+渠道”优势垄断金融基础设施,从而威胁传统银行体系和美元主导权。
  • 特朗普利益链疑云再起
  1. 法案立法过程被质疑存在“政治利益交换”问题。
  2. 特朗普家族支持的稳定币项目 USD1(由 World Liberty Financial 发行)于2025年3月推出,至5月市值已超 20 亿美元,跻身全球前七。
  3. 有批评指出,法案可能为该项目创造“合规通道”,从而便利资金绕过传统银行系统流向特定政治人物。
  4. 民主党参议员沃伦猛烈抨击,称该币种可能成为“匿名外国资金输送给特朗普的影子银行工具”。
  •  外国稳定币(如Tether)面临收编
  1. 新条款明确:外国发行方必须在美注册并接受等效监管,否则不得在美国市场流通。
  2. 德银评论称,此举“堵住了此前监管漏洞”,将 Tether 等离岸币种拉入统一监管框架,有助于削弱其“灰色结算工具”属性。

四、利益相关方影响分析

  • 合规中心化交易所(CEX)
  1. 合规要求提升:需下架非合规币种,提升审计/KYC成本
  2. 牌照稳定币竞争激烈:银行、科技公司或将发行自有稳定币,CEX需强化用户黏性
  3. 稳定币种类减少:利于操作简化,但降低资产多样性
  4. 资金流可能更加合规/透明,利于吸引机构投资者
  • 普通用户

对于普通用户,GENIUS Act 的影响主要体现在以下几个方面:

  1. 消费者保护增强:该法案要求稳定币发行者持有 1:1 的储备资产,并在破产时确保持币用户享有优先索偿权。这降低了稳定币脱锚或发行者破产的风险,例如如果一家发行者破产,用户持有的稳定币将优先于其他债权人得到偿还。这增强了用户对稳定币的信任,特别是在过去如 TerraUSD(UST)崩盘的事件中,用户损失惨重。
  2. 稳定币使用场景扩大:监管框架的建立可能促使更多传统金融机构和企业接受稳定币作为支付工具,扩大其应用场景。例如,用户可能在电商平台、跨境支付或 DeFi 应用中使用稳定币,提高其便利性。研究表明,稳定币因其低成本和快速交易特性,已广泛用于跨境汇款,GENIUS Act 可能进一步推动这一趋势。
  3. 潜在限制与不确定性:虽然法案旨在保护消费者,但严格的监管也可能限制某些稳定币的使用。例如,如果某些稳定币未能符合新法规,合规 CEX 可能停止支持这些币种,减少用户的选择。此外,用户可能需要适应新的 KYC/AML 要求,例如在交易前提供更多身份验证信息,这可能增加使用门槛。
  • 稳定币发行方
  1. 大型发行者(如 Circle、Tether):他们可能受益于法案带来的合法性和市场认可,但也需承担更高的合规成本。例如,Circle 可能因 USDC 的合规性增强而吸引更多机构用户,但需定期披露储备并接受审计。
  2. 小型发行者:他们可能因高昂的资本和流动性要求而退出市场,导致市场集中化。例如,市值小于 100 亿美元的发行者可由州监管,但仍需满足一定标准,可能对小型初创公司构成挑战。
  • 监管机构

GENIUS Act 为监管机构提供了明确的授权,允许他们更有效地监督稳定币市场,减少系统性风险和非法活动。例如,联邦储备委员会(Fed)和商品期货交易委员会(CFTC)可能获得更大的监管权。

  • 传统金融机构

银行和金融公司可能看到进入稳定币市场的机会。例如,JPMorgan 或 Visa 等机构可能发行自己的稳定币,扩展其业务范围。批评者警告,该法案可能允许大科技公司如 Amazon、Walmart 或 Meta 进入银行领域,缺乏足够的限制。

五、批评与争议

尽管 GENIUS Act 获得支持,但争议不断:

  1. 联邦救助风险:Adam Levitin 指出,法案可能误导公众认为稳定币安全,但未修改破产法,破产时用户可能受损,或需联邦救助。
  2. 利益冲突:特朗普的加密业务(如 World Liberty Financial)可能受益,引发利益冲突担忧。
  3. AML/KYC 不足:参议员沃伦批评法案未充分解决洗钱问题,Tether 等可能利用漏洞。
  4. 创新抑制:高合规成本可能挤出小型发行者,阻碍创新。
  5. 监管漏洞:去中心化金融条款可能允许非合规稳定币流入市场。

这些批评反映了法案在消费者保护与市场自由之间的紧张关系。

六、总结与展望

GENIUS Act 的通过是美国稳定币监管的重要里程碑。其通过储备要求、消费者保护和 AML 合规措施,为支付稳定币市场提供了清晰框架。这不仅巩固了美元霸权,也为稳定币的全球推广和应用奠定基础。

然而,法案仍需平衡消费者保护与创新发展,在防范系统性风险的同时,避免对小型发行者和去中心化生态的过度压制。未来,其实施效果将取决于监管细节、行业适应能力以及国际监管协调。

稳定币作为数字金融的重要工具,其发展前景将受到 GENIUS Act 的深远影响,值得持续关注。

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