稳定币活动扩张,USDC 超越 USDT,流动性何去何从?

ambcrypto发布于2026-03-23更新于2026-03-23

文章摘要

ERC20稳定币活跃地址数量从2025年3月的约8.5万个激增至2026年3月的近60万个,同比增长600%,反映出结构性扩张趋势。这一增长并非短期波动,而是自2024年以来持续上升,表明稳定币正从DeFi交易对转向支付、结算和跨境转账等基础设施用途。 市场偏好出现明显转变:USDC(USD Coin)年内新增45亿美元供应量,成为增长最快的稳定币;而USDT(Tether)则缩减约20亿美元,显示资本外流。这一分化凸显市场对监管清晰度和稳定性的追求。尽管交易所稳定币储备小幅下降0.72%至653.7亿美元,净流出超4.85亿美元,但资金并未完全撤离市场,而是转向自我托管,短期内减轻了抛压。 总稳定币供应量达3164.5亿美元,周增幅仅0.17%,表明流动性处于 consolidation(整合)而非扩张状态。市场流动性正集中于少数稳定币,虽提升效率,也增加了对单一资产的依赖性。整体而言,稳定币正成为加密生态中更核心的资本流动载体。

ERC20稳定币活动正在经历结构性扩张,活跃地址从2025年3月的大约85,000个激增至2026年3月的近600,000个。

这600%的增长反映的不仅仅是暂时的峰值,因为自2024年以来活动一直呈稳步上升趋势。随着参与范围扩大,模式从孤立的爆发转向持续使用,这表明在整个网络中实现了更深层次的整合。

来源:CryptoQuant

与此同时,这种上升也标志着功能的转变。

稳定币正在超越DeFi交易对,向交易基础设施迈进。因此,资金流越来越多地反映了支付、结算和跨境转账,而不是投机头寸。

然而,活动增加也意味着对稳定币流动性的依赖更高。

随着使用围绕这些资产集中,它们成为跨市场资本流动的核心。这种动态表明加密流动性正变得更加高效,同时也对稳定币驱动的需求周期更加敏感。

稳定币流动转变,USDC在主导地位上超越USDT

稳定币流动显示市场偏好发生明显轮动,因为USD Coin [USDC]引领了年初至今的供应扩张。

USDC增加了45亿美元,在所有跟踪资产中增幅最大。这一增长反映了在波动时期强劲的资金流入。

Tether [USDT]则朝着相反方向移动,其供应量收缩了约20亿美元,表明资本外流。随着这种分歧的形成,它突显了市场向 perceived stability(感知稳定性)和监管清晰度的转变。

来源:Artemis

这种差距表明其使用正在超越简单的流动性存储。随着交易量的扩大,USDC在DeFi和支付基础设施中的作用得到加强。

然而,这种集中也意味着流动性正变得更加中心化。随着资本轮动,市场对更少稳定币的依赖增加,这塑造了流动性在整个更广泛生态系统中流动的方式。

稳定币流动显示整合,而非溃败

稳定币流动反映了一种谨慎但平衡的转变,因为流动性正在离开交易所,但没有完全退出市场。交易所储备为653.7亿美元,24小时内下降0.72%。

净流出超过4.85亿美元,表明资金正转向自我托管。这表明资本正在被存放起来,而不是积极部署。然而,这种转变也减少了交易所上立即的抛售压力,这可以支持价格稳定。

稳定币总供应量为3164.5亿美元,每周仅增长0.17%。USDT增长0.08%至1841亿美元,而USDC下降0.22%至791亿美元,显示出需求好坏参半。

这种平衡意味着流动性正在轮动而非扩张,在短期内保持市场稳定,同时使动量依赖于新的资本部署。

最终总结

相关问答

Q稳定币活跃地址在一年内增长了多少?

AERC20稳定币活跃地址从2025年3月的约8.5万个增长到2026年3月的近60万个,增长了600%。

QUSDC和USDT在供应量变化上有什么不同?

AUSDC供应量增加了45亿美元,而USDT供应量减少了约20亿美元,显示出资本从USDT向USDC转移的趋势。

Q稳定币的主要用途正在发生什么转变?

A稳定币正从DeFi交易对转向支付、结算和跨境转账等交易基础设施,反映了更广泛的实际应用场景。

Q交易所的稳定币储备和净流出情况如何?

A交易所稳定币储备为653.7亿美元,24小时内下降0.72%,净流出超过4.85亿美元,表明资金正转向自我托管。

Q当前稳定币市场的总供应量是多少?

A稳定币总供应量为3164.5亿美元,其中USDT占1841亿美元,USDC占791亿美元。

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。

marsbit10分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10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