CoinFound × OSL Research Khởi động Hợp tác Nghiên cứu Stablecoin, Tập trung vào USDGO trong Giai đoạn Đầu

marsbitXuất bản vào 2026-04-09Cập nhật gần nhất vào 2026-04-09

Tóm tắt

CoinFound và OSL Research đã khởi động hợp tác nghiên cứu về stablecoin, tập trung đầu tiên vào USDGO. Nghiên cứu chung sẽ phân tích hệ sinh thái USDGO thông qua dữ liệu on-chain và quan sát cấu trúc thị trường, nhằm khám phá lộ trình phát triển của stablecoin trong hệ thống tài chính kỹ thuật số cũng như tiềm năng ứng dụng trong các hoạt động giao dịch, thanh toán và tài chính on-chain. Trong bối cảnh stablecoin ngày càng trở thành cầu nối quan trọng giữa hệ thống tài chính truyền thống và cơ sở hạ tầng tài chính on-chain, nhu cầu nghiên cứu về cơ chế phát hành, cấu trúc thanh khoản và sự phối hợp trong hệ sinh thái đang tăng lên. Hợp tác này sẽ tập trung vào xây dựng khuôn khổ nghiên cứu và cung cấp thông tin chi tiết cho ngành, thông qua các báo cáo chung, phân tích chuyên đề và quan sát ngành. OSL Research thuộc Tập đoàn OSL, chuyên về nghiên cứu chuyên sâu trong lĩnh vực tài sản kỹ thuật số. CoinFound tập trung vào dữ liệu và nghiên cứu Web3, cung cấp thông tin chi tiết về cấu trúc tài sản và dòng tiền. Hai bên kỳ vọng hợp tác sẽ thúc đẩy nghiên cứu về stablecoin và cung cấp tài liệu tham khảo rõ ràng hơn cho thị trường tài sản kỹ thuật số.

Là hướng nghiên cứu đầu tiên của hợp tác, hai bên sẽ tiến hành nghiên cứu chuyên đề xoay quanh hệ sinh thái stablecoin USDGO, thông qua phân tích dữ liệu on-chain và quan sát cấu trúc thị trường, thảo luận về con đường phát triển của stablecoin trong hệ thống tài chính kỹ thuật số cũng như tiềm năng ứng dụng trong các bối cảnh giao dịch, thanh toán và tài chính on-chain.

Khi stablecoin dần trở thành cầu nối quan trọng kết nối hệ thống tài chính truyền thống với cơ sở hạ tầng tài chính on-chain, nhu cầu nghiên cứu về cơ chế phát hành, cấu trúc thanh khoản và sự phối hợp hệ sinh thái của stablecoin ngày càng tăng. Trong bối cảnh này, hợp tác giữa CoinFound và OSL Research sẽ tập trung vào việc xây dựng khung nghiên cứu và đưa ra các hiểu biết sâu sắc về ngành. Hai bên sẽ hợp tác trong việc cùng xây dựng nội dung nghiên cứu và khung phân tích dữ liệu, đồng thời công bố kết quả nghiên cứu ra thị trường thông qua các hình thức như báo cáo nghiên cứu chung, góc nhìn ngành và phân tích chuyên đề.

OSL Research thuộc Tập đoàn OSL, chuyên nghiên cứu chuyên sâu về ngành tài sản kỹ thuật số, cung cấp những hiểu biết thị trường mang tính tiên phong.

CoinFound chuyên tập trung vào dữ liệu và nghiên cứu Web3, thông qua phân tích on-chain và nghiên cứu ngành để cung cấp cho thị trường những hiểu biết về cấu trúc tài sản và dòng tiền.

Hai bên hy vọng thông qua hợp tác lần này sẽ thúc đẩy việc nghiên cứu liên quan đến stablecoin tiếp tục được đào sâu, đồng thời cung cấp tài liệu tham khảo ngành rõ ràng hơn cho thị trường tài sản kỹ thuật số.

Câu hỏi Liên quan

QCoinFound và OSL Research đã công bố hợp tác nghiên cứu về lĩnh vực nào?

AHai bên đã công bố hợp tác nghiên cứu về stablecoin, với trọng tâm đầu tiên là USDGO.

QNghiên cứu chung sẽ tập trung vào những khía cạnh nào của USDGO?

ANghiên cứu sẽ phân tích hệ sinh thái USDGO thông qua dữ liệu on-chain và quan sát cấu trúc thị trường, đồng thời thảo luận về tiềm năng ứng dụng của stablecoin trong giao dịch, thanh toán và các kịch bản tài chính on-chain.

QTại sao nghiên cứu về stablecoin lại trở nên quan trọng?

AStablecoin ngày càng trở thành cầu nối quan trọng kết nối hệ thống tài chính truyền thống với cơ sở hạ tầng tài chính on-chain, làm tăng nhu cầu nghiên cứu về cơ chế phát hành, cấu trúc thanh khoản và sự phối hợp trong hệ sinh thái.

QOSL Research thuộc tổ chức nào và chuyên về lĩnh vực gì?

AOSL Research là bộ phận trực thuộc Tập đoàn OSL, chuyên thực hiện nghiên cứu chuyên sâu về ngành tài sản số và cung cấp những insights thị trường mang tính tiên phong.

QCoinFound chuyên tập trung vào lĩnh vực nào trong Web3?

ACoinFound chuyên tập trung vào dữ liệu và nghiên cứu Web3, cung cấp thông tin chi tiết về cấu trúc tài sản và dòng tiền thông qua phân tích on-chain và nghiên cứu ngành.

Nội dung Liên quan

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

Mô hình tạo sinh (generative models) từ lâu đã phụ thuộc vào các phương pháp đào tạo nhiều giai đoạn (như diffusion, autoregressive), dẫn đến "exposure bias" - sự khác biệt giữa cách huấn luyện và suy luận. Bài báo "Explorative Modeling" (XM) từ UIUC và Harvard đề xuất một giải pháp đơn giản nhưng mạnh mẽ: thay vì tách quá trình tạo mẫu, hãy tách vòng lặp huấn luyện. Trong mỗi bước huấn luyện, mô hình tạo ra K ứng viên, sau đó chỉ chọn ứng viên gần nhất với dữ liệu thực để cập nhật gradient. Vòng lặp `for` đơn giản này giải quyết vấn đề "mode blurring" - xu hướng của hàm mất mát tái tạo đẩy đầu ra về trung bình của các mode hợp lệ, tạo ra kết quả mờ nhạt. Bằng cách khám phá nhiều ứng viên, mô hình học cách bao phủ nhiều mode khác nhau trong phân phối dữ liệu. Khả năng này được gọi là "biểu đạt tạo sinh" (generative expressivity). Thí nghiệm cho thấy "khám phá" (exploration) trở thành một trục mở rộng quy mô hiệu quả thứ ba, bên cạnh quy mô dữ liệu và tham số. Khi quy mô tăng, lợi ích từ việc khám phá càng lớn, cải thiện hiệu suất FLOP, mẫu và tham số. XM đạt được kết quả tạo ảnh trên ImageNet (FID 1.43 không guidance) ngang bằng các mô hình hàng đầu. Quan trọng hơn, XM cho phép huấn luyện mô hình tạo sinh "end-to-end" thực sự. Trong thí nghiệm điều khiển robot, Explorative Policy chỉ cần một lượt truyền thẳng mạng, đạt hiệu suất tương đương Diffusion Policy cần hàng trăm bước suy luận. Điều này chuyển chi phí tính toán từ giai đoạn suy luận sang giai đoạn huấn luyện, mở ra khả năng cho các mô hình tạo sinh nhanh và hiệu quả hơn. Công trình dựa trên lý thuyết "Mode Forcing" trước đó của nhóm tác giả. Hạn chế hiện tại bao gồm chi phí tính toán cho "Forward XM" trên phân phối nhiều mode và thách thức với mô hình ngôn ngữ tự hồi quy thuần túy.

marsbit5 phút trước

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

marsbit5 phút trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

Tác giả Google DeepMind Dan Roy đã khởi xướng một kiến nghị trào phúng nhằm phản đối quy định mới của hội nghị AI hàng đầu ICLR, giới hạn mỗi tác giả chỉ được đăng ký tối đa 20 bài báo tham dự ICLR 2027. Quy định này được đưa ra do số lượng bài nộp tăng đột biến 68% vào năm 2026, gây áp lực nặng nề lên hệ thống phản biện. Trong bài đăng của mình, Dan Roy giả vờ ủng hộ việc để AI Agent tạo ra càng nhiều nghiên cứu gia tăng càng tốt, và cho rằng giới hạn này sẽ "làm chậm sự phát triển của AI". Anh còn mỉa mai nhận xét rằng "tất cả công việc phản biện giờ đã được giao cho các mô hình ngôn ngữ lớn xử lý", ám chỉ đến một nghiên cứu trước đó phát hiện khoảng 21% ý kiến phản biện tại ICLR 2026 có khả năng cao là do AI tạo ra. Bài viết chỉ ra rằng thông điệp trào phúng của Roy thực chất phản ánh mối lo ngại về một vòng luẩn quẩn: AI tạo ra bài báo hàng loạt, nhà nghiên cứu gửi đi hàng loạt, và phản biện viên lại dùng AI để đánh giá hàng loạt. Qua đó, tác giả đặt câu hỏi liệu biện pháp giới hạn số lượng cứng nhắc có phải là giải pháp tối ưu cho những thách thức căn bản về chất lượng học thuật trong kỷ nguyên AI này.

marsbit11 phút trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

marsbit11 phút trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

OpenAI đã điều chỉnh giá, giảm 80% cho mô hình GPT-5.6 Luna và 20% cho Terra, đồng thời giới thiệu chế độ Fast cho mô hình mạnh nhất Sol. Động thái này, cùng với việc Anthropic giới thiệu Claude Opus 5 với giá bằng một nửa so với flagship Fable 5, đánh dấu sự thay đổi chiến lược quan trọng: các hãng không còn chỉ tập trung bán mô hình mạnh nhất. Thay vào đó, họ khuyến nghị người dùng kết hợp các mô hình theo nhiệm vụ: dùng Sol (đắt, mạnh) để phân tích và lập kế hoạch phức tạp, sau đó giao cho Luna (rẻ, hiệu quả) thực thi. Điều này cho thấy trọng tâm thương mại đang chuyển từ các mô hình flagship (chứng minh năng lực kỹ thuật) sang các mô hình tầm trung, phục vụ cho lượng truy vấn API khổng lồ hàng ngày của doanh nghiệp, nơi hiệu quả chi phí (ROI) và độ ổn định là yếu tố quyết định. Một yếu tố then chốt giúp giảm chi phí là việc chính các mô hình AI (như Sol) tham gia tối ưu hóa mã nguồn và quy trình vận hành của chính chúng, tạo ra một vòng lặp tự thúc đẩy giảm chi phí. Điều này có thể đẩy nhanh hơn nữa đà giảm giá trong tương lai. Cạnh tranh đang chuyển từ "mô hình thông minh nhất" sang "hệ sinh thái hiệu quả nhất". OpenAI muốn biến các mô hình như Luna thành lựa chọn mặc định cho các tác vụ thường ngày, từ đó gia tăng độ phụ thuộc và chi phí chuyển đổi cho doanh nghiệp. Tương tự như ngành điện hay điện toán đám mây, mục tiêu cuối cùng là AI trở thành một tiện ích phổ biến, hoạt động âm thầm và không thể thiếu trong mọi quy trình, thay vì chỉ là một sản phẩm công nghệ đình đám.

marsbit1 giờ trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

marsbit1 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

Cuộc đua AI đang vấp phải nút thắt mới: thiếu hụt nghiêm trọng lao động lành nghề như thợ điện và công nhân xây dựng để xây dựng các trung tâm dữ liệu quy mô lớn. Tại Mỹ, dự báo cần thêm 130.000 thợ điện và 240.000 công nhân xây dựng từ 2023-2030 cho hạ tầng AI, trong khi mỗi năm có 80.000 vị trí thợ điện không thể lấp đầy. Các công ty AI sẵn sàng trả lương cao (thợ điện giỏi có thể kiếm 240.000-280.000 USD/năm), nhưng sự chậm trễ xây dựng vẫn gây thiệt hại hàng chục triệu USD. Độ phức tạp của các trung tâm dữ liệu AI, với công suất điện khổng lồ, hệ thống phân phối điện và làm mát phức tạp, đòi hỏi lao động có kỹ năng đặc biệt. Để giải quyết, các gã khổng lồ công nghệ như Meta và Google đang đầu tư hàng trăm triệu USD vào đào tạo. Meta mở trường dạy nghề miễn phí, cung cấp cả trợ cấp sinh hoạt, trong khi OpenAI hợp tác với công đoàn xây dựng. Chiến dịch tuyển dụng nhắm đến cả học sinh trung học, góp phần làm tăng mạnh tỷ lệ Gen Z theo học trường nghề. Tuy nhiên, nhu cầu điện cho AI tiếp tục bùng nổ, chiếm phần ngày càng lớn trong tổng tiêu thụ điện và đẩy giá điện lên cao. Một nghịch lý tồn tại: các dự án xây dựng cần hàng nghìn lao động cùng lúc, nhưng khi hoàn thành chỉ cần số ít vận hành, dẫn đến rủi ro dư thừa lao động lành nghề trong tương lai.

marsbit1 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

marsbit1 giờ trước

Giao dịch

Giao ngay
活动图片