从历史来看 401(k) 养老金引入 Crypto 资产

marsbitXuất bản vào 2025-08-10Cập nhật gần nhất vào 2025-08-11

2025 年 8 月 7 日,美国总统唐纳德·特朗普签署了一项行政令,允许 401(k) 退休储蓄计划投资更多元化的资产,包括私募股权、房地产以及首次引入的加密资产。

这一政策就像字面上看到的那样,很好解读


  • 为加密市场提供「国家级别」背书,释放推动加密市场成熟的信号。
  • 养老金拓展多元化投资和回报,但引入了更高波动和风险。


在加密领域,这已经足以载入史册。


纵观 401(k) 的发展历程,其关键转折点是在大萧条时期通过养老金改革允许投资股票。尽管历史和经济背景各异,这一变化与当前引入加密资产的趋势有着诸多相似之处。


1/6 · 大萧条前的养老金体系


20 世纪初至 1920 年代,美国的养老金主要以固定收益计划(Defined Benefit Plan)为主,雇主承诺为员工提供退休后稳定的月度养老金。这种模式源于 19 世纪末的工业化进程,旨在吸引和留住劳动力。


这个阶段养老金资金的投资策略高度保守。当时的主流观念认为,养老金应追求安全性而非高收益,受「法律清单」(Legal List)法规限制,主要被限定在政府债券、优质公司债券和市政债券等低风险资产。


这种保守策略在经济繁荣期运行顺利,但也限制了潜在回报。


2/6 · 大萧条的冲击与养老金危机


1929 年 10 月的华尔街股灾标志着大萧条的开端,道琼斯指数从峰值下跌近 90%,引发全球经济崩溃。失业率飙升至 25%,无数企业破产。

虽然养老金基金当时极少投资股票,但危机仍通过间接渠道打击它们。许多雇主企业倒闭,无法履行养老金承诺,导致养老金支付中断或缩减。


这引发了公众对雇主和政府养老金管理能力的质疑,推动了联邦干预。1935 年,《社会保障法》(Social Security Act)出台,建立全国性养老金体系,但私营和公共养老金仍由地方主导。


监管者强调,养老金应避免股票等「赌博」资产。


......


转折开始:危机后经济复苏缓慢,债券收益率开始下降(部分因联邦税收扩张),这为后续变革埋下种子。此时收益率不足的情况逐渐显现,难以覆盖承诺的回报。


3/6 · 后大萧条时期的投资转向与争议


大萧条结束后,特别是二战期间和战后(1940s-1950s),养老金投资策略开始缓慢演变,从保守债券转向包括股票在内的权益资产。这一转变并非一帆风顺,而是伴随着激烈争议。


战后经济复苏,但市政债券市场停滞,收益率降至 1.2% 低点,无法满足养老金的担保回报。公共养老金面临「赤字支付」压力,纳税人负担加重。


同时,私人信托基金开始采用「谨慎人规则」(Prudent Man Rule),该规则源于 19 世纪的信托法,但 1940s 被重新诠释为只要整体「谨慎」,就允许其进行多元化投资以追求更高回报。这一规则最初适用于私人信托,但逐步开始影响公共养老金。


1950 年,纽约州率先部分采纳谨慎人规则,允许养老金投资高达 35% 的权益资产(如股票)。这标志着从「法律清单」向灵活投资的转变。其他州跟进,如北卡罗来纳州在 1957 年授权投资公司债券,并在 1961 年允许 10% 股票配置,到 1964 年增至 15%。


这一改变引发了较大争议,反对者(主要是精算师和工会)认为,股票投资重蹈 1929 年股灾覆辙,将退休资金置于市场波动风险中。媒体和政治家称其为「拿工人血汗钱赌博」,担心经济 downturn 时养老金崩盘。


为缓和争议,投资比例被严格限制(初始不超过 10-20%),并优先投资「蓝筹股」。后面的一段时间,受益于战后牛市,争议逐渐消失,证明了其回报潜力。


4/6 · 后续发展与制度化


到 1960 年,公共养老金非政府证券占比超 40%。纽约州市政债券持有率从 1955 年的 32.3% 降至 1966 年的 1.7%。这一转变减少了纳税人负担,但也使养老金更依赖市场。


1974 年《雇员退休收入保障法》(ERISA)出台,将谨慎投资者标准应用于公共养老金,尽管初期争议,股票投资最终被接受,但也暴露出一些问题,如 2008 年危机中养老金损失惨重,重燃类似辩论。


5/6 · 信号释放


当前 401(k) 引入加密资产与之前引入股票投资的争议高度相似,两者均涉及从保守投资向高风险资产的跃迁。显然加密资产目前的成熟度更低而波动性更高,这可视为一种更为激进的养老金改革,从这里也释放出一些信号。


加密资产的推广、监管、教育都将前进一个等级,以辅助人们对这类新兴资产的接纳程度、风险意识。


从市场层面来说,股票纳入养老金计划在美股的长牛态势中受益, 加密资产要复制这条路也必须走出稳定向上的市场。同时,由于 401(k) 资金相当于被锁定,


养老金买入加密资产相当于「囤币」,等于另外一个「加密资产战略储备」。


无论从哪个层面来解读,这对于 Crypto 都是巨大的利好。


以下为资料补充,专业人士可跳过


6/6 · 附 - 401(k) 的含义与具体运作机制


401(k) 是美国《国内税收法典》第 401(k) 条下的一种雇主赞助的退休储蓄计划,1978 年首次引入。它允许员工通过税前工资(或税后工资,视具体计划而定)存入个人退休账户,用于长期储蓄和投资。


401(k) 是一种「固定缴款计划」(Defined Contribution Plan),与传统的「固定收益计划」(Defined Benefit Plan)不同,其核心在于员工和雇主共同供款,投资收益或损失由员工个人承担。


6.1 供款


员工可以从每期工资中扣除一定比例作为 401(k) 供款,存入个人账户。雇主提供「匹配供款」,即根据员工供款的一定比例追加资金,匹配金额视雇主政策而定,非强制性。


6.2 投资


401(k) 不是单一基金,而是一个由员工控制的个人账户,资金可投资于雇主预设的「菜单」选项。常见包括:标普 500 指数基金、债券基金、混合配置基金等。2025 年行政令允许加入私募股权、房地产和加密资产。


员工需从菜单中选择投资组合,或接受默认选项。雇主只提供选项,不负责具体投资。


  • 收益归属:投资收益完全归员工所有,无需与雇主或他人分享。
  • 风险承担:若市场下跌,损失由员工自行承担,无兜底机制。


Nội dung Liên quan

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

Tuần cuối tháng 5, hai sự kiện AI liền kề đã phơi bày hai cách tiếp cận khác biệt của các gã khổng lồ công nghệ Trung Quốc. Alibaba tập trung vào tích hợp và thương mại hóa AI. Họ kết nối ứng dụng Qwen với Taobao, cho phép mua sắm và sử dụng các tính năng AI như thử đồ, so giá. Tổ chức được tái cấu trúc để tập trung vào AI, với động lực rõ ràng từ thị trường vốn. Doanh thu bên ngoài của Alibaba Cloud tăng 40%, cho thấy chiến lược "lắp AI vào quầy thu ngân" đang tạo ra dòng tiền. Tuy nhiên, cách tiếp cận thực dụng này có thể đi kèm rủi ro nếu có sự chênh lệch lớn về năng lực mô hình nền trong tương lai. Ngược lại, ByteDance theo đuổi giới hạn công nghệ thông qua bộ phận Seed. Họ đạt được thành tích đỉnh cao với mô hình tạo video Seedance 2.0 và đầu tư mạnh vào nghiên cứu cơ bản, thu hút nhân tài với các mục tiêu thuần túy học thuật. Ngân sách vốn (capex) của ByteDance được báo cáo là tăng vọt, lên tới 4700 tỷ NDT vào năm 2026, được tài trợ chủ yếu từ lợi nhuận. Lợi thế lớn của họ là không bị áp lực thị trường công khai, cho phép tập trung vào nghiên cứu dài hạn. Bài viết chỉ ra rằng sự khác biệt chiến lược này không chỉ là triết lý, mà chủ yếu bị chi phối bởi việc công ty có niêm yết hay không. Các công ty đại chúng như Alibaba chịu áp lực phải thể hiện kết quả tài chính ngắn hạn, dẫn đến chiến lược "bán AI". Các công ty chưa niêm yết như ByteDance có "sự xa xỉ" để "làm AI" và tập trung vào đột phá công nghệ. Tương lai của con đường nghiên cứu dài hạn tại ByteDance có thể được kiểm chứng nếu công ty này tiến hành IPO.

marsbit4 phút trước

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

marsbit4 phút trước

Tại sao nhiều AI Agent hơn không đồng nghĩa với năng suất cao hơn?

Biên tập viên: Khi AI Agent ngày càng rẻ và dễ gọi, phát triển phần mềm đang bước vào giai đoạn mới. Vấn đề không còn là có thể chạy nhiều Agent hơn hay không, mà là liệu con người có đủ sự chú ý để quản lý, đánh giá và hợp nhất đầu ra của chúng hay không. Bài viết giới thiệu khái niệm "thuế điều phối". Chi phí khởi chạy Agent rất thấp, chỉ cần một Prompt hoặc một cú nhấp chuột. Nhưng các bước tiếp theo mới thực sự đắt đỏ: kiểm tra kết quả, hiểu tác động đến kiến trúc hệ thống, xử lý xung đột giữa các Agent, và quyết định mã nào được đưa vào nhánh chính. Những công việc này không thể song song hóa đơn giản, mà vẫn phải quay về một tài nguyên tuần tự duy nhất: khả năng phán đoán của con người. Tác giả ví nhà phát triển như "GIL" trong hệ thống AI Agent - khóa luồng đơn hạn chế thông lượng cuối cùng của hệ thống đồng thời. Nhiều Agent có thể chạy cùng lúc, nhưng một khi bước vào giai đoạn đánh giá kiến trúc, xem xét mã và hợp nhất xung đột, chúng phải đi qua bộ não của nhà phát triển. Do đó, càng nhiều Agent không nhất thiết có nghĩa là sản lượng cao hơn, mà có thể chỉ làm cho hàng đợi công việc chờ xem xét dài hơn, khiến nhà phát triển mệt mỏi vì chuyển đổi ngữ cảnh liên tục. Điều dễ bị bỏ qua trong cơn sốt công cụ lập trình AI hiện nay là cảm giác hiệu quả không phải lúc nào cũng đồng nghĩa với năng suất thực. Một bảng điều khiển đầy Agent đang chạy tạo ra ảo giác "năng suất cao", nhưng nếu nhà phát triển không thực sự hiểu, xem xét và tích hợp các thay đổi, hệ thống cuối cùng tích lũy có thể là nợ kỹ thuật và nợ nhận thức. Vì vậy, bài viết thảo luận về "cách thiết kế lại quy trình làm việc xoay quanh sự chú ý của con người". Trong thời đại Agent, năng lực then chốt không chỉ là biết đặt câu hỏi và phân công nhiệm vụ, mà là biết nhiệm vụ nào có thể giao cho máy móc xử lý song song, nhiệm vụ nào phải dành cho con người đánh giá; khi nào nên xem xét hàng loạt, khi nào nên dừng điều phối để tập trung lại vào một vấn đề cốt lõi. AI đang mở rộng khả năng xử lý đồng thời trong sản xuất phần mềm, nhưng sự chú ý của con người vẫn là tài nguyên khan hiếm và không thể nhân bản nhất trong hệ thống. Một quy trình làm việc với Agent thực sự trưởng thành không phải là ném mọi nhiệm vụ cho máy móc, mà là thiết kế kiến trúc sự chú ý của chính mình một cách cẩn thận, giống như thiết kế một hệ thống sản xuất.

marsbit1 giờ trước

Tại sao nhiều AI Agent hơn không đồng nghĩa với năng suất cao hơn?

marsbit1 giờ trước

Ba năm sau: Nhìn lại nhận định của tôi về ChatGPT vào năm 2023

**Tóm tắt tiếng Việt:** Năm 2026, tác giả Vương Kiến Thạc nhìn lại 20 dự đoán của mình về ChatGPT từ năm 2023, sử dụng AI (41 agent Opus 4.8) để đối chiếu với dữ liệu thực tế. **Kết quả chính:** Phần lớn các dự đoán về **cơ chế và xu hướng** là đúng: * **Đúng:** Kiến trúc RAG + tìm kiếm trở thành chuẩn để giảm ảo giác. LUI (Giao diện ngôn ngữ tự nhiên) tạo ra một "lục địa mới" cho tương tác máy tính. Mạng lưới agent với giao thức kết nối mới đang hình thành. Trung Quốc thu hẹp khoảng cách về mô hình lớn có thể sử dụng. ChatGPT không có ý thức, vượt qua bài kiểm tra Turing nhờ biểu diễn. Nó là bước tiến lớn nhưng chưa phải AGI, chưa gây ra làn sóng thất nghiệp hàng loạt. * **Sai/Sai một phần:** Dự đoán cụ thể **GPT-4 có 100 nghìn tỷ tham số** là sai hoàn toàn (thực tế ~1.8 nghìn tỷ). Nhận định **LLM không thể tự học toán** bị bác bỏ khi các mô hình giành huy chương IMO. **Giá trị sẽ thuộc về lớp ứng dụng** bị chứng minh ngược lại khi lợi nhuận khổng lồ thuộc về lớp nền tảng tính toán (như NVIDIA). **AI có thể né tránh vấn đề bản quyền** là sai, với các vụ kiện và khoản bồi thường lớn. Dự đoán **chi phí đào tạo mô hình lớn chỉ 5-10 tỷ USD** là quá thấp so với thực tế. **Bài học rút ra:** 1. **Dự đoán xu hướng và cơ chế đáng tin cậy hơn nhiều so với các con số cụ thể hay mức độ tuyệt đối.** 2. **Có xu hướng đánh giá quá cao tốc độ thay đổi trong ngắn hạn, nhưng lại đánh giá thấp mức độ thay đổi trong dài hạn.** 3. **Sai lầm tinh vi thường nằm ở "sự phân bố":** tổng thể đúng nhưng tác động không đồng đều (ví dụ: việc làm). 4. **Những phát biểu có giới hạn, thận trọng thường đứng vững theo thời gian.** 5. **Ba năm là chưa đủ để kết luận cho một số vấn đề sâu xa** (như ý thức máy móc, sự xuất hiện năng lực). Bài viết kết luận rằng việc nhìn đúng hướng đi lớn không quá khó, nhưng thừa nhận những sai lầm trong ước tính chi tiết, tốc độ và phân bố mới là điều đáng ghi nhớ cho những dự đoán trong tương lai.

marsbit8 giờ trước

Ba năm sau: Nhìn lại nhận định của tôi về ChatGPT vào năm 2023

marsbit8 giờ trước

Ba năm sau: Nhìn lại những dự đoán của tôi về ChatGPT năm 2023

**Tóm tắt: Nhìn lại 20 dự đoán về ChatGPT năm 2023 sau 3 năm** Vào tháng 3/2023, khi ChatGPT mới xuất hiện và GPT-4 chưa ra mắt, tác giả Vương Kiến Thạc đã đưa ra 20 nhận định về tương lai của AI. Giờ đây, vào cuối tháng 5/2026, một hệ thống AI gồm 41 agent đã được sử dụng để kiểm chứng lại từng dự đoán đó dựa trên dữ liệu thực tế. **Kết quả kiểm chứng (Tính đến 5/2026):** * **Đúng/Bản chất đúng (✅/🟢):** 13/20 dự đoán. * **Một phần đúng (🟡):** 6/20 dự đoán. * **Sai (❌):** 1/20 dự đoán. **Những điểm dự đoán chính xác nổi bật:** 1. **Kiến trúc RAG & Tìm kiếm:** Dự đoán việc bổ sung kiến thức thông qua cơ chế truy xuất bên ngoài (như vector search) thay vì chỉ fine-tune model đã trở thành tiêu chuẩn. 2. **Giao diện ngôn ngữ tự nhiên (LUI):** Nhận định ChatGPT mở ra kỷ nguyên LUI, tạo ra một hệ sinh thái rộng lớn hơn cả việc phát triển model cơ bản, đã được chứng minh. 3. **Mô hình lớn Trung Quốc:** Dự báo khoảng cách về khả năng giữa các mô hình Trung Quốc và đỉnh cao thế giới sẽ thu hẹp nhanh chóng trong khoảng 3 năm đã thành hiện thực. 4. **Ý thức và Kiểm tra Turing:** Quan điểm cho rằng ChatGPT không có ý thức và bài kiểm tra Turing chỉ đánh giá biểu hiện bề ngoài vẫn vững vàng. **Những điểm dự đoán chưa chính xác hoặc sai lệch:** 1. **Tham số GPT-4 (❌):** Thông tin GPT-4 có 100 nghìn tỷ tham số là hoàn toàn sai. 2. **Khả năng toán học của LLM:** Mặc dù đúng khi cho rằng cần công cụ bổ trợ, nhưng khẳng định LLM "không thể" tự học toán thuần túy đã bị bác bỏ khi các model năm 2025 giành huy chương IMO. 3. **Nơi nắm giữ giá trị:** Dự đoán giá trị sẽ thuộc về tầng ứng dụng, còn các công ty làm model cơ bản có thể không sinh lời, đã không tính đến sự thống trị và lợi nhuận khổng lồ của NVIDIA ở tầng phần cứng tính toán. 4. **Bản quyền:** Nhận định AI có thể "né tránh" vi phạm bản quyền là sai, khi thực tế đã có những vụ kiện và dàn xếp bồi thường lớn nhất lịch sử liên quan đến dữ liệu huấn luyện. **Bài học rút ra sau 3 năm:** * **Dự đoán xu hướng và cơ chế đáng tin cậy hơn nhiều so với các con số cụ thể.** * Xu hướng chung: **Đánh giá quá lạc quan về tốc độ, nhưng lại đánh giá thấp mức độ phát triển** về lâu dài. * Sai lầm tinh vi thường nằm ở **sự phân bổ** (ví dụ: tác động việc làm lên nhóm người lao động trẻ), chứ không phải tổng thể. * **Những nhận định có giới hạn, điều kiện đi kèm thường chính xác hơn** những phát biểu tuyệt đối. * Một số câu hỏi lớn vẫn chưa có câu trả lời cuối cùng sau 3 năm. Bản tổng kết này không chỉ chấm điểm cho quá khứ, mà còn đặt ra những quy tắc cho việc dự đoán trong tương lai.

链捕手10 giờ trước

Ba năm sau: Nhìn lại những dự đoán của tôi về ChatGPT năm 2023

链捕手10 giờ trước

Giao dịch

Giao ngay
Hợp đồng Tương lai
活动图片