英国银行业巨头渣打银行公布其关于山寨币UNI的长期价格预测!

cryptonews.ru发布于2026-08-14更新于2026-08-14

文章摘要

英国银行业巨头渣打银行发布了对Uniswap平台代币UNI的长期价格展望。该行数字资产研究主管杰弗里·肯德里克表示,Uniswap与Robinhood的合作取得了超出预期的强劲效果,这可能意味着银行此前设定的2030年UNI目标价显得保守。 肯德里克指出,自7月27日与Robinhood相关的费用分配机制启动后,UNI代币的销毁速度显著加快,年化销毁价值达到9000万美元。按当前价格计算,相当于每年销毁约2500万枚UNI,超过总供应量的4%。这种供应减少若伴随需求持稳或增长,可能对UNI价格产生上行压力。 不过,渣打银行也提示,长期维持当前的高销毁率可能面临挑战。即使UNI价格在2026年底达到预测的6.50美元,年化销毁率仍将维持在约2.2%,分析师认为这仍构成长期有效的通缩机制。 肯德里克进一步表示,未来若推出更多类似Robinhood的合作,可能对UNI的代币经济产生更大影响。如果使用量和代币销毁持续,渣打银行此前设定的2030年100美元目标价甚至可能偏低。专家认为,若去中心化金融领域持续增长,UNI未来几年仍将是市场重点关注的加密资产之一。

英国银行业巨头渣打银行对其Uniswap原生代币$UNI的长期前景做出了重要评估。该银行数字资产研究部门负责人杰弗里·肯德里克表示,Uniswap与Robinhood的合作取得了比预期更强劲的成果,此前预测的2030年$UNI目标价格可能显得保守。

根据The Block发布的信息,肯德里克称,在7月27日启动与Robinhood相关的费用分配机制后,$UNI代币销毁速度显著加快。这位分析师表示,自该日期起,$UNI代币的年化销毁金额几乎翻了一番,达到了9000万美元。

肯德里克表示,按照当前价格计算,这大约相当于2500万枚$UNI代币,意味着每年有超过4%的代币总供应量被移出系统。据估计,如果需求维持或增加,这种供应减少可能对$UNI价格产生上行压力。

然而,渣打银行也强调,长期维持当前的资源消耗水平可能具有挑战性。肯德里克表示,即使$UNI价格在2026年底前升至他预测的6.50美元水平,年化资源消耗率仍将保持在约2.2%。该分析师认为,这个速率仍表明长期内存在足够强劲的供应收缩机制。

肯德里克还表示,未来若推出类似Robinhood的新合作计划,可能会对$UNI代币的经济模型产生更大影响。假设代币的使用和销毁持续进行,即使渣打银行先前宣布的2030年100美元$UNI目标也可能显得不足。

专家称,如果去中心化金融(DeFi)领域持续增长,$UNI可能在未来几年内仍是最受关注的加密资产之一。

*本文不构成投资建议。

end-content

相关问答

Q英国银行业巨头渣打银行对UNI代币的2030年长期目标价格预测是什么?

A渣打银行的分析师杰弗里·肯德里克表示,由于与Robinhood的合作取得了超预期的成果,之前为UNI设定的2030年目标价格100美元可能显得保守,实际潜力可能更高。

Q与Robinhood的整合对UNI代币的销毁速度产生了什么影响?

A自7月27日启动与Robinhood相关的费用分配机制后,UNI代币的年化销毁价值几乎翻倍,达到了9000万美元。按当前价格计算,相当于每年销毁约2500万个UNI,占其总供应量的4%以上。

Q渣打银行预测UNI代币在2026年底的目标价格是多少?

A渣打银行预测UNI代币在2026年底的目标价格为6.50美元。

Q根据分析师的观点,UNI代币未来价格上涨的主要驱动力是什么?

A价格上涨的主要驱动力被认为是代币销毁机制导致供应量持续减少(如果需求保持或增长),以及未来可能出现更多类似Robinhood的合作伙伴关系,进一步影响代币经济。

Q文章中提到,即使价格达到2026年目标,UNI的年化销毁率预计会是多少?

A即使UNI价格在2026年底达到预测的6.50美元,其年化销毁率预计仍将保持在约2.2%的水平。分析师认为,这仍然是一个在长期内足够强大的供应削减机制。

你可能也喜欢

GPT-5也会话到嘴边想不起来,谷歌测了450万次:钥匙丢了

谷歌研究发现,大模型如GPT-5和Gemini 3普遍存在“舌尖现象”——模型参数中存储了大量事实,但在被直接提问时,却有相当一部分无法成功回忆。这项名为《空货架,还是丢钥匙?》的研究提出“知识画像”框架,将事实状态分为五类,并基于WikiProfile基准(包含2150条维基事实)进行了约450万次测试。 关键发现是:模型的大部分错误并非因为“没学过”(编码失败),而是“取不出”(回忆失败)。在测试中,前沿模型能将95%-98%的事实存入参数,但直接提问的未回忆率高达26%-34%。即便开启“思考”链(thinking),仍有11%-12%无法想起。 研究指出了两个主要“堵塞点”:1. **冷门知识**:冷门与热门事实的存入率相差很小,但直接回忆率差距显著,表明长尾问题核心是提取困难,而非未学习。2. **反向提问**:模型在选择题中能识别反向关联,但在开放式生成任务中却难以回答,说明关联已存在,但提取方式依赖于训练时的语境。 “思考”链能显著帮助回忆那些已存储但直接提取失败的事实(找回40%-65%),其机制类似于人类的“扩散激活”,通过提及相关上下文来激活目标记忆。然而,若思维链中包含错误事实,反而可能增加幻觉。 研究还发现,单纯扩大模型规模主要改善的是知识存储(编码失败率下降),但对提升提取能力(回忆失败率)效果有限。在大型模型中,回忆失败已成为错误的主要来源。 因此,提升模型事实准确性的下一个关键,可能在于改进后训练和推理方法,以优化已存储知识的提取效率。这要求模型具备更好的“元认知”能力,即能够判断自己何时“想不起来”,从而主动采用更深入的思考策略。 **核心结论**:对于前沿大模型,事实性错误的瓶颈已从“存储不足”转向“提取困难”。未来的优化重点应是如何让模型更有效地调用其已学知识,而非仅仅继续扩充数据与参数。

marsbit2小时前

GPT-5也会话到嘴边想不起来,谷歌测了450万次:钥匙丢了

marsbit2小时前

交易

现货
活动图片