稳定币市值突破3000亿美元:为何泰达公司100亿美元利润只是开始

ambcrypto发布于2026-01-26更新于2026-01-26

文章摘要

稳定币总市值突破3000亿美元,成为加密货币领域最可靠的盈利引擎。Tether(USDT)在2025年实现超过100亿美元的利润,凸显了稳定币发行机构通过规模优势和链上结算控制权获得的持续现金流。以太坊作为主要结算层,支撑了稳定币的增长,其链上稳定币供应量增长近500亿美元,超过1600亿美元,全年基于以太坊的稳定币收入约达50亿美元。 同时,现实资产代币化(RWA)平台ONDO Finance迅速崛起,总锁仓价值(TVL)在2026年1月达到约25亿美元,其中代币化美国国债占近20亿美元,代币化股票和ETF超5亿美元。RWA的增长与稳定币供应扩张密切相关,稳定币作为结算基础设施和生息资产输入,推动了RWA规模的同步扩大。这一趋势表明,RWA的增长主要由流动性驱动而非投机周期,平台如ONDO直接受益于稳定币带来的需求扩张。

当一层网络生态系统仍在通过叙事周期和投机性吞吐量炒作追逐热点时,加密货币领域最可靠的利润却悄然在其他地方累积。

稳定币已悄然发展成为该领域的主导收入引擎,其驱动力来自规模优势、普适性以及对链上结算的控制权。

因此,发行方成功将这种结构性优势转化为持续现金流,典型例证便是泰达币[USDT]在2025年实现超100亿美元的利润。

稳定币发行方已转型为大规模创收实体,而以太坊作为主导结算层,锚定了这一增长态势。

仅2025年,发行方通过以太坊链上供应量创造了约50亿美元收入。单季度收入从年初的近12亿美元增长至第四季度的约14亿美元。

同期,以太坊[ETH]上的稳定币供应量增长近500亿美元,突破1600亿美元大关。

随着储备规模扩张,基于收益的收入实现可预测增长。这一动态强化了以太坊的金融引力,深化了流动性,巩固了其作为核心链上金融基础设施的地位。

ONDO成为代币化RWA核心流动性枢纽

ONDO Finance正快速巩固其作为领先现实世界资产平台的地位,Ondo Finance[ONDO]推动总锁仓价值(TVL)在2026年1月达到约25亿美元。

2025年初其TVL刚突破10亿美元。此后,在代币化收益产品的推动下,资本呈现加速流入态势。

代币化美国国债占比近20亿美元,主要由OUSG和Ondo美元收益凭证[USDY]引领。同时,代币化股票和ETF覆盖超200种资产,规模突破5亿美元。

随着ONDO向多链扩展,其规模预示着机构对链上RWA的信心日益增强。

RWA的TVL增长是否遵循稳定币流动性周期?

RWA的TVL增长日益与稳定币供应扩张同步,揭示出清晰的流动性驱动关系。

截至2025年末,稳定币市值攀升至2800-3000亿美元区间,同期RWA的TVL扩张至约160-190亿美元。

这种并行增长反映的是功能关联而非巧合。稳定币作为结算通道和生息基础资产,支撑着代币化国债和股票的发展。

因此,当稳定币支撑的需求激增时,Ondo等平台的TVL实现翻倍突破25亿美元。

该趋势表明市场存在结构性信心,不过稳定币发行的短期停滞可能暂时抑制RWA增长势头。


核心观点

  • 稳定币已成为加密货币领域最可靠的盈利引擎,将结算规模转化为持续性现金流,同时以太坊持续强化其作为主导链上货币层级的功能
  • RWA增长始终由流动性驱动,TVL扩张与稳定币供应量紧密联动,这使得ONDO等平台成为稳定币需求驱动的受益者,而非投机周期的产物

相关问答

Q根据文章,Tether在2025年实现了多少利润?

ATether在2025年实现了超过100亿美元的利润。

Q文章中提到,到2025年底,以太坊上的稳定币供应量达到了多少?

A到2025年底,以太坊上的稳定币供应量超过了1600亿美元。

QONDO Finance的总锁定价值(TVL)在2026年1月达到了多少?

AONDO Finance的总锁定价值(TVL)在2026年1月达到了约25亿美元。

Q文章指出,现实世界资产(RWA)的TVL增长与什么因素密切相关?

A现实世界资产(RWA)的TVL增长与稳定币供应量的扩张密切相关,呈现出明显的流动性驱动关系。

Q稳定币在加密货币生态中扮演了什么核心角色?

A稳定币已成为加密货币生态中最可靠的利润引擎,将其结算规模转化为经常性现金流,并作为代币化国债和股票等现实世界资产的结算通道和生息输入。

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