Chainalysis:到2048年,100万亿美元可能转移至加密原生世代

bitcoinist发布于2026-04-09更新于2026-04-09

文章摘要

区块链分析公司Chainalysis预测,未来二十年将有约100万亿美元财富从婴儿潮一代转移至更认可加密货币的千禧一代和Z世代,这一资本转移可能彻底改变全球支付格局。报告指出,到2035年,仅代际财富转移就可为稳定币带来约508万亿美元年交易量,而稳定币在销售终端(POS)的普及可能额外贡献232万亿美元交易量。若当前增长趋势持续,链上稳定币交易量预计在2031-2039年间达到与Visa和万事达卡相当的水平。传统金融机构已开始布局,通过收购与合作方式同时覆盖传统和链上支付轨道。报告强调,银行和支付公司面临关键抉择:要么构建基础设施承接加密原生用户流量,要么将交易市场拱手让予新兴支付系统。

区块链分析公司Chainalysis透露,未来二十年内的大规模财富转移可能改变全球支付方式,而稳定币有望在更广泛的加密领域变革中扮演核心角色。

该公司在新发布的博客文章中预测,在2028年至2048年间,高达100万亿美元的财富将从「婴儿潮一代」转移给「千禧一代」和「Z世代」——这些群体更倾向于将加密货币视为其金融生活的标准组成部分。

Chainalysis认为,这种人口结构和资本流动将推动链上稳定币活动的急剧增长,并加速加密支付轨道的采用。

Chainalysis预测稳定币激增的原因

Chainalysis的预测基于两个趋同的因素。首先,从2028年左右开始,北美和欧洲的成年人口结构将发生变化。

千禧一代和Z世代——其中近半数人曾持有加密货币——预计将成为主导经济力量,逐渐取代X世代和婴儿潮一代的影响力和购买力。

其次,美林银行等机构的估算表明,到2048年可能有多达100万亿美元转移至年轻世代。Chainalysis推算,仅这种世代转移就可能在2035年前为年度稳定币交易量增加约508万亿美元。

除直接财富转移外,Chainalysis强调销售点(POS)系统的应用是第二大驱动因素。该公司估计,到2035年,稳定币支付轨道的POS普及可能贡献高达232万亿美元的年度稳定币交易量。

综合来看,可继承资本的涌入和更广泛的商户采用将形成新的支付基准,其中稳定币轨道构成资金流动基础设施的核心要素。

加密交易量或与Visa和万事达卡持平

Chainalysis表示,若当前交易增长趋势持续,链上稳定币交易量可能在2031-2039年间与Visa和万事达卡的链下交易量持平。

但报告也提醒,技术采用很少线性发展:网络效应、用户激励和技术改进可能使这一转折点提前到来。

消费者在评估支付选项时,可能会基于手续费、结算时间和奖励机制等常见指标,将加密轨道与传统系统进行比较——与稳定币关联的卡和服务可能直接与传统服务商竞争。

Chainalysis认为这些动态已促使传统金融机构采取战略行动。博客文章指出,Stripe收购Bridge以及万事达卡与BVNK的合作等案例,都表明现有企业正布局同时运营传统和链上支付轨道的战略。

该公司主张,对银行和支付企业而言,选择正变得二元化:要么建设基础设施和建立合作伙伴关系以获取加密原生客户的资金流,要么承担将交易量拱手让予其他替代性支付轨道的风险。

图表显示周三加密货币总市值为2.4万亿美元。来源:TradingView.com

特色图片来自OpenArt,图表来自TradingView.com

相关问答

Q根据Chainalysis的预测,到2048年将有多少财富转移到更年轻的一代?

A根据Chainalysis的预测,到2048年,将有高达100万亿美元的财富从'婴儿潮一代'转移到'千禧一代'和'Z世代'。

Q为什么Chainalysis认为稳定币将在未来的支付中扮演核心角色?

AChainalysis认为,由于年轻一代更倾向于将加密货币视为金融生活的标准组成部分,加上巨额财富转移和商户对稳定币支付的广泛采用,稳定币将成为资金流动基础设施的核心元素。

QChainalysis预测稳定币交易量将在何时达到与Visa和Mastercard相当的水平?

AChainalysis预测,如果当前交易增长趋势持续,链上稳定币交易量可能在2031年至2039年之间达到与Visa和Mastercard链下交易量相当的水平。

Q除了财富转移,还有哪个主要因素将推动稳定币交易量的增长?

A除了财富转移,商户对稳定币支付系统的广泛采用是另一个主要因素,预计到2035年,这可能为年度稳定币交易量贡献高达232万亿美元。

Q传统金融公司如何应对加密货币支付系统的发展?

A传统金融公司正在通过建立基础设施和合作伙伴关系来应对,例如Stripe收购Bridge和Mastercard与BVNK的合作,以在传统和链上支付系统中同时运营,避免将交易流失给其他替代系统。

你可能也喜欢

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit49分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit49分钟前

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit2小时前

年薪百万抢电工,Meta急到自己办技校

marsbit2小时前

交易

现货
活动图片