特朗普敦促国会尽快通过加密货币市场结构法案

bitcoinist发布于2026-03-04更新于2026-03-04

文章摘要

特朗普总统公开呼吁国会尽快通过拖延已久的加密货币市场结构法案《CLARITY法案》。他在社交媒体发文指出,银行业正试图削弱去年签署的《GENIUS法案》中关于稳定币收益的条款,并警告称若不能及时立法,美国在加密货币领域的领先地位可能被中国等国家取代。特朗普强调银行业应与加密货币行业达成建设性协议,以保障美国消费者和企业的利益。目前该法案在参议院进展不顺,银行委员会原定1月的审议因双方分歧而取消,预计将于3月中下旬重新安排会议。

唐纳德·特朗普总统公开回应了围绕《清晰法案》(CLARITY Act)的立法僵局,这项长期争论的加密货币市场结构法案至今尚未提交给他进行最终批准。

根据持续进行的华盛顿讨论,延迟主要源于银行业与加密货币代表之间的分歧,尤其是在与稳定币奖励相关的条款上。

特朗普称银行业威胁稳定币法律

在周二于Truth Social上分享的帖子中,特朗普严厉批评银行业,指责其试图削弱更广泛的加密货币框架以及他去年签署成为法律的另一项稳定币措施——《天才法案》(GENIUS Act)。

“《天才法案》正受到银行业的威胁和破坏,这是不可接受的——我们不会允许这种情况发生,”特朗普写道。他认为通过全面的市场结构立法迫在眉睫,并补充说:“美国需要尽快完成市场结构立法。美国人应该通过他们的钱赚更多的钱。”

总统还声称,金融机构尽管报告了创纪录的利润,却在反对旨在扩大数字资产领域机会的政策。

特朗普警告说,未能最终确定《清晰法案》可能会削弱美国在全球加密货币竞争中的地位。“我们不会允许他们破坏我们强大的加密货币议程,如果我们不处理好《清晰法案》,这些议程最终将流向中国和其他国家,”特朗普表示。

呼吁银行业与加密货币合作

特朗普进一步敦促银行业与加密货币行业达成建设性协议,认为合作将符合美国消费者及企业的最佳利益。

“这个行业不能从美国人民手中被夺走,尤其是在它即将真正成功的时候,”他写道,并在信息结尾呼吁关注这一问题。

在立法方面,《清晰法案》的进展并不均衡。参议院农业委员会于今年1月推进了其部分法案。然而,更广泛的推进已经停滞。

参议院银行委员会最初计划在1月进行标记会议,但由于银行业代表与加密货币倡导者之间的相同争议,该会议被取消,这些争议继续使谈判复杂化。据报道,该委员会现在目标定于3月中下旬进行新的标记会议。

每日图表显示,截至撰写本文时,数字资产总市值为2.3万亿美元。来源:TradingView.com的TOTAL

特色图片来自OpenArt,图表来自TradingView.com

相关问答

Q特朗普总统在Truth Social上发表了什么言论?

A特朗普总统在Truth Social上发文,指责银行业试图削弱加密框架和他去年签署的《GENIUS Act》稳定币法案,并呼吁国会尽快通过《CLARITY Act》加密市场结构法案。

Q《CLARITY Act》法案的延迟主要源于哪些方面的分歧?

A法案的延迟主要源于银行业与加密行业代表之间的分歧,特别是在与稳定币奖励相关的条款上存在争议。

Q特朗普认为如果《CLARITY Act》未能通过,可能会导致什么后果?

A特朗普警告说,如果未能最终确定《CLARITY Act》,可能会削弱美国在全球加密竞争中的地位,并导致加密议程流向中国和其他国家。

Q特朗普对银行业和加密行业之间的关系提出了什么呼吁?

A特朗普呼吁银行业与加密行业达成建设性协议,认为合作最符合美国消费者和企业的利益,并强调加密行业不能被剥夺于美国人民。

Q目前《CLARITY Act》在立法程序上的进展如何?

A立法进展不平衡。参议院农业委员会在今年1月推进了其部分法案,但更广泛的推进已经停滞。参议院银行委员会原定1月进行标记会议,但因争议取消,现计划在3月中下旬重新安排。

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