Gen-Z hiện chiếm 72% thanh toán tiền điện tử ngang hàng – Báo cáo

ambcryptoXuất bản vào 2026-03-06Cập nhật gần nhất vào 2026-03-06

Tóm tắt

Z thế hệ (Gen Z) hiện là lực lượng chính dẫn dắt thanh toán tiền mã hóa ngang hàng (P2P), chiếm 72% tổng số giao dịch, theo khảo sát từ sàn NoOnes. Millennials chiếm 24% và Gen X chỉ 4%. Về mặt khu vực, Châu Á dẫn đầu với 74%, tiếp theo là Mỹ Latinh (62%) và Châu Phi (54%), trong khi Châu Âu và Bắc Mỹ có tỷ lệ chấp nhận thấp nhất. Mặc dù thanh toán P2P phát triển mạnh trong giới trẻ, nó vẫn tăng trưởng chậm (5%) so với thanh toán bằng thẻ (tăng 106% lên 1,6 tỷ USD trong 3 năm). Thanh toán B2B hiện có giá trị chuyển tiền lớn nhất, tiếp theo là P2P và thẻ. Báo cáo nhấn mạnh các công ty tiền mã hóa cần ưu tiên chiến lược di động để thu hút thế hệ trẻ.

Thế hệ trẻ, đặc biệt là Gen Z, đã nổi lên như là động lực chính của các khoản thanh toán tiền điện tử ngang hàng (P2P).

Theo một khảo sát của sàn giao dịch tiền điện tử NoOnes, Gen Z hiện chiếm 72% tổng số giao dịch chuyển tiền điện tử P2P, tiếp theo sát sao là thế hệ millennials với 24% và Gen X ở mức 4%.

Về góc độ khu vực, Châu Á dẫn đầu về mức độ sử dụng P2P với 74%, tiếp theo là Mỹ Latinh và Châu Phi lần lượt là 62% và 54%. Mặt khác, Châu Âu và Bắc Mỹ ghi nhận tỷ lệ ứng dụng thấp nhất.

Ứng dụng thanh toán và tiền điện tử rộng rãi hơn

Không có gì ngạc nhiên, tập dữ liệu phản ánh xu hướng ứng dụng rộng rãi hơn mà Chainalysis đã báo cáo vào năm ngoái.

Theo Chainalysis, hoạt động tiền điện tử ở khu vực APAC rộng lớn hơn đã tăng vọt gần 70% trong năm 2025, từ 1,4 nghìn tỷ USD lên 2,4 nghìn tỷ USD – Đánh dấu tỷ lệ ứng dụng hàng năm cao nhất. Mỹ Latinh và Châu Phi nằm trong top ba khu vực có tỷ lệ ứng dụng tiền điện tử cao nhất.

Bên cạnh đó, việc Gen Z dẫn đầu trong việc ứng dụng không có gì đáng ngạc nhiên, vì thế hệ trẻ có xu hướng dễ tiếp thu công nghệ mới hơn.

Tuy nhiên, NoOnes lưu ý rằng việc sử dụng trên các thiết bị di động đã tăng mạnh do những đảm bảo về bảo mật được nhận thức từ các cơ chế xác thực sinh trắc học và hai yếu tố. Điều này có nghĩa là các công ty tiền điện tử phải ưu tiên cách tiếp cận mobile-first để mở rộng quy mô trên nhân khẩu học năng động này.

Đáng chú ý là các nền tảng tiền điện tử lớn như Hyperliquid vẫn chưa ra mắt ứng dụng di động chuyên dụng bất chấp thành công vang dội và ba năm hoạt động. Do đó, mở rộng thông qua ứng dụng di động có thể là một chiến lược bền vững.

Dù vậy, chuyển tiền P2P là một phần của các khoản thanh toán tiền điện tử hoặc stablecoin bán lẻ rộng hơn. Mặc dù được ứng dụng mạnh mẽ trong giới trẻ, sự tăng trưởng của nó vẫn tương đối trầm lắng so với thanh toán bằng thẻ hoặc thanh toán doanh nghiệp-tới-người tiêu dùng (B2B).

Đáng chú ý, thẻ đã trở thành một cách thức quan trọng và tiện lợi để người dùng chi tiêu tiền điện tử của họ cho các chi phí hàng ngày. Chỉ trong ba năm qua, thanh toán bằng thẻ đã tăng vọt 106% lên 1,6 tỷ USD, so với mức 5% của thanh toán P2P.

Vẫn còn phải xem liệu thẻ tiền điện tử có hiệu quả vượt mặt thanh toán P2P trong tương lai gần hay không.

Tuy nhiên, phương thức thanh toán stablecoin thống trị nhất về giá trị chuyển tiền vẫn là B2B, tiếp theo là P2P, với thẻ ở vị trí thứ ba.


Tóm tắt cuối cùng

  • Gen Z thống trị thanh toán tiền điện tử P2P với 72%, với Châu Á, Mỹ Latinh và Châu Phi dẫn đầu về mức độ ứng dụng.
  • Tuy nhiên, thanh toán P2P phải đối mặt với sự cạnh tranh khốc liệt từ thanh toán bằng thẻ tiền điện tử, vốn đã tăng gấp đôi trong ba năm qua.

Câu hỏi Liên quan

QThế hệ nào hiện đang thúc đẩy chính của thanh toán tiền điện tử ngang hàng (P2P) theo báo cáo?

AThế hệ Gen Z (thế hệ Z) hiện là động lực chính, chiếm 72% tổng số giao dịch chuyển tiền điện tử P2P.

QKhu vực nào có tỷ lệ sử dụng P2P cao nhất và tỷ lệ cụ thể là bao nhiêu?

AChâu Á dẫn đầu về tỷ lệ sử dụng P2P với 74%, tiếp theo là Mỹ Latinh (62%) và Châu Phi (54%).

QTại sao việc Gen Z dẫn đầu trong việc áp dụng tiền điện tử không phải là điều đáng ngạc nhiên?

ABởi vì thế hệ trẻ thường có xu hướng cởi mở hơn với các công nghệ mới.

QMặc dù phổ biến trong giới trẻ, sự tăng trưởng của thanh toán P2P so với thanh toán bằng thẻ như thế nào?

ASự tăng trưởng của thanh toán P2P tương đối thấp so với thanh toán bằng thẻ. Trong 3 năm qua, thanh toán bằng thẻ đã tăng 106% lên 1,6 tỷ USD, trong khi thanh toán P2P chỉ tăng 5%.

QTheo giá trị chuyển khoản, phương thức thanh toán stablecoin nào là phổ biến nhất?

APhương thức thanh toán stablecoin phổ biến nhất theo giá trị chuyển khoản là thanh toán Doanh nghiệp tới Doanh nghiệp (B2B), tiếp theo là P2P, và thẻ đứng ở vị trí thứ ba.

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.

marsbit48 phút trước

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

marsbit48 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.

marsbit53 phút trước

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

marsbit53 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.

marsbit2 giờ trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

marsbit2 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.

marsbit2 giờ trước

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

marsbit2 giờ trước

Giao dịch

Giao ngay
活动图片