BitGo申请2亿美元IPO,机构对加密货币托管需求增长

TheNewsCrypto發佈於 2026-01-13更新於 2026-01-13

文章摘要

加密货币托管巨头BitGo正式申请在美国进行2亿美元的首次公开募股(IPO),计划登陆纽约证券交易所。该公司成立于2013年,专注于为机构客户提供受监管的高安全性数字资产存储服务,高盛和花旗集团将协助其上市进程。 此次IPO主要受四大因素推动:机构对加密货币托管需求激增;市场暴跌后安全合规服务更受重视;同类企业(如Circle)上市带来行业信心;IPO市场逐步回暖,投资者更青睐拥有实际客户和收入的实体企业。 BitGo的上市标志着华尔街对加密货币基础设施而非投机交易的兴趣提升,反映了监管化加密服务的价值获得主流认可。若其IPO成功,将推动更多加密基础设施公司走向公开市场,加速机构采用并促进整个行业的长期稳定发展。 (当前字数:约450字符)

主要加密货币托管公司BitGo计划登陆美国公开市场。该公司拟在纽约证券交易所(NYSE)上市,并借助高盛和花旗集团等大型投行的协助募集约2亿美元资金。

BitGo成立于2013年,以加密货币托管服务闻名。其核心业务是为机构客户存储加密货币,通过受监管的高安全性基础设施保护数字资产。随着传统金融机构加速进入加密领域,像BitGo这样的加密托管公司价值日益提升。

推动BitGo上市的核心因素

BitGo选择上市的四大动因:

  1. 机构需求激增——大型企业增持加密货币,需要更安全的存储方案
  2. 安全加密业务增长——加密货币价格暴跌后,市场更关注安全性、托管服务与合规性而非交易平台
  3. 加密企业IPO势头增强——Circle等公司近期成功上市表明加密企业正加速进入公开市场
  4. IPO市场逐步复苏——经历加密市场震荡后,IPO市场正缓慢恢复动能。投资者更倾向选择拥有真实客户与营收的企业,而非追逐炒作。BitGo已建立全球机构客户网络

此举标志着市场对受监管加密基础设施的信心增强,也显现华尔街对加密货币托管而非投机交易的兴趣。像BitGo这样的定制化服务公司正是这一转型的核心支柱。尽管市场仍持谨慎态度,BitGo的IPO表明投资者仍愿意支持核心的、受监管的加密服务。

若BitGo成功上市,更多加密基础设施公司将走向公开市场,监管机构也将对加密货币走向稳定和长期发展更有信心。机构采用率将进一步提升,加密货币生态将更趋稳定。

加密要闻聚焦:

尼日利亚出台新规追踪并征税加密货币交易

相關問答

QBitGo计划在哪个交易所进行IPO,并计划筹集多少资金?

ABitGo计划在纽约证券交易所(NYSE)进行IPO,并计划筹集约2亿美元资金。

QBitGo成立于哪一年,其主要业务是什么?

ABitGo成立于2013年,其主要业务是为机构提供加密货币托管服务,通过受监管的高安全性基础设施保护数字资产。

Q推动BitGo进行IPO的四个主要因素是什么?

A推动BitGo进行IPO的四个主要因素是:机构需求增长、安全加密业务需求增加、其他加密公司IPO的势头带动,以及IPO市场逐渐复苏。

QBitGo的IPO成功可能对加密行业产生什么影响?

A如果BitGo的IPO成功,可能会促使更多加密基础设施公司上市,监管机构对加密行业的稳定性会更有信心,机构采用率将增加,整个加密市场将变得更加稳定和长期化。

Q文章中提到,投资者在当前的IPO市场中更倾向于选择什么样的公司?

A在当前IPO市场中,投资者更倾向于避免炒作,选择那些拥有真实客户和收入的公司,BitGo因其已有的全球机构客户基础而符合这一趋势。

你可能也喜歡

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 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit49 分鐘前

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 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit2 小時前

交易

現貨
活动图片