加密货币将进入国会山?西弗吉尼亚州提出国家投资法案

bitcoinist发布于2026-01-16更新于2026-01-16

文章摘要

西弗吉尼亚州参议员Chris Rose提出《通胀保护法案》(SB 143),允许州财政部将最多10%的特定资金投资于黄金、受监管的稳定币及市值超过7500亿美元的大型加密货币(目前仅比特币符合条件)。该提案旨在对冲通胀风险,并通过严格资产门槛限制波动性。法案允许通过直接持有、交易所交易产品或质押等方式管理资产,但需接受安全审计和风险控制审查。目前提案已提交至银行与保险委员会审议,支持者称为谨慎尝试,反对者则警告加密货币波动风险。若通过,西弗吉尼亚将成为美国探索公共资金配置数字货币的又一州。

西弗吉尼亚州立法者已迈出重要一步,允许该州将部分现金储备投资于黄金、稳定币和超大规模加密货币。这项名为《通胀保护法案》的第143号参议院法案由州参议员克里斯·罗斯于2026年1月15日提交。

通胀保护法案细则

根据提案,州财政委员会可将特定国库账户中最高10%的资金配置于有限范围内的非传统资产。

这些资产包括黄金白银等贵金属、经监管批准的稳定币,以及通过高市值门槛测试的数字货币。该法案设定的市值标准为过去日历年平均市值达到7500亿美元。

高市值门槛的局限性

据报道,目前仅有顶级加密货币能跨越这一门槛。鉴于7500亿美元的要求,实际上只有比特币符合数字资产资格。这一选择被表述为限制波动性资产或边缘代币风险敞口的措施。

州政府资产持有方式

法案未强制规定单一托管模式,允许财政部直接持有金属或加密货币,使用交易所交易产品或其他经许可的托管方案。条款还考虑通过质押或ETP等工具获取收益,但附加了旨在降低操作和安全风险的规则。

州级政策转变

罗斯及其支持者将此举措视为对冲通胀的手段,以及突破债券和现金的储备多元化策略。反对者可能会就受托责任、波动性及价格剧烈波动资产的风险提出质疑。

这场辩论折射出更广泛的趋势:多个美国州份正在探索建立包含贵金属或加密货币的战略储备。

后续进展

SB 143法案已移交银行与保险委员会,预计在投票前将进行进一步审查。立法者将在推进法案前权衡技术保障措施、报告规则以及审计和保险方案。

若实施该计划,西弗吉尼亚州可将合格资金中最高10%的限额配置于旨在保持购买力的精选资产组合。

支持者称其为谨慎的实验;批评者则认为加密货币的风险特性需要保持警惕。无论如何,这项提案将在查尔斯顿引发关于新型金融工具出现时公共资金管理方式的深度政策讨论。

头图来源:Corcoran,图表来源:TradingView

相关问答

Q西弗吉尼亚州提出的《通货膨胀保护法案》允许州政府将多少比例的资金投资于非传统资产?

A该法案允许州财政委员会将最多10%的特定国库账户资金投资于非传统资产。

Q根据该提案,哪些类型的资产被纳入允许的投资范围?

A允许的投资资产包括黄金和白银等贵金属、经监管机构批准的稳定币,以及市值达到特定门槛(前日历年平均市值7500亿美元)的大型加密货币。

Q为什么目前只有比特币可能符合该法案的加密货币投资条件?

A因为法案设定了加密货币市值必须达到7500亿美元的门槛,而目前只有比特币的市值能够满足这一要求,其他加密货币尚未达到这一规模。

Q该法案提出了哪些资产持有和增值的方式?

A法案允许州财政直接持有贵金属或加密货币,使用交易所交易产品(ETPs)或其他经批准的托管方案,并允许通过质押或ETPs等工具来生成收益,同时附有降低操作和安全风险的规则。

Q该法案的支持者和反对者主要有哪些观点?

A支持者认为这是对冲通货膨胀和多元化储备的一种方式,超越传统的债券和现金;反对者则可能关注受托责任、资产波动性以及价格快速波动的风险。

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。

marsbit8分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit8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。

marsbit1小时前

年薪百万抢电工,Meta急到自己办技校

marsbit1小时前

交易

现货
活动图片