报告:Z世代目前驱动着72%的P2P加密货币支付

ambcrypto發佈於 2026-03-06更新於 2026-03-06

文章摘要

根据NoOnes交易所的报告,Z世代已成为点对点(P2P)加密货币支付的主要推动力,占整体P2P加密转账的72%,千禧一代和X世代分别占24%和4%。从地区来看,亚洲P2P使用率最高(74%),拉丁美洲和非洲分别为62%和54%,而欧美地区采用率最低。这一趋势与Chainalysis此前报告的亚太地区加密活动激增70%的数据相符。报告指出,年轻群体更易接受新技术,且移动设备因生物识别等安全机制普及推动使用增长,建议加密企业优先采用移动端策略。尽管P2P支付在年轻人群中普及,但其增速(过去三年仅5%)远低于加密货币卡支付(增长106%达16亿美元)。目前稳定币支付中B2B占比最高,P2P次之,卡支付第三。未来加密货币卡支付是否超越P2P仍有待观察。

年轻一代,尤其是Z世代,已成为点对点(P2P)加密货币支付的主要推动力。

根据加密货币交易所NoOnes的一项调查,Z世代目前占P2P加密货币转账总量的72%,千禧一代紧随其后,占24%,而X世代仅占4%。

从地区角度来看,亚洲以74%的P2P使用率领先,拉丁美洲和非洲分别为62%和54%。另一方面,欧洲和北美的采用率最低。

更广泛的加密货币和支付采用

不出所料,该数据集反映了Chainalysis去年报告的更广泛采用趋势。

根据Chainalysis的数据,2025年,亚太地区更广泛区域的加密货币活动激增近70%,从1.4万亿美元增至2.4万亿美元——创下了年度最高采用率。拉丁美洲和非洲位列加密货币采用率最高的前三个地区。

此外,Z世代引领采用并不令人惊讶,因为年轻一代往往更愿意接受新技术。

然而,NoOnes指出,由于生物识别和双因素认证机制提供的感知安全保障,移动设备的使用量激增。这意味着加密货币公司必须优先考虑移动优先的方法,以在这个活跃的人群中扩展业务。

值得注意的是,像Hyperliquid这样的主要加密货币平台尽管取得了巨大成功并运营了三年,但尚未推出专用的移动应用程序。因此,通过移动应用程序扩展可能是一个可持续的策略。

话虽如此,P2P转账是更广泛的零售加密货币或稳定币支付的一部分。尽管在年轻人口中采用率很高,但与卡支付或企业对消费者(B2B)支付相比,其增长相对缓慢。

值得注意的是,卡已成为用户将加密货币用于日常开支的关键且便捷的方式。仅在过去三年中,卡支付激增了106%,达到16亿美元,而P2P支付仅增长了5%。

加密货币卡是否会在不久的将来有效超越P2P支付,还有待观察。

然而,就转账价值而言,最主流的稳定币支付方式仍然是B2B,其次是P2P,卡支付位居第三。


最终总结

  • Z世代在P2P加密货币支付中占据主导地位,占比72%,其中亚洲、拉丁美洲和非洲的采用率领先。
  • 尽管如此,P2P支付仍面临来自加密货币卡支付的激烈竞争,后者在过去三年中增长了一倍。

相關問答

Q根据报告,哪个年龄段是P2P加密货币支付的主要驱动群体?占比是多少?

AZ世代(Gen-Z)是P2P加密货币支付的主要驱动群体,占比达到72%。

Q从地区分布来看,哪三个地区的P2P加密货币使用率最高?

A亚洲的P2P使用率最高,达到74%,其次是拉丁美洲(62%)和非洲(54%)。

Q为什么移动设备在加密货币支付中的使用量激增?

A移动设备使用量激增是因为生物识别和双重认证机制提供了更高的安全性保障,使用户更愿意通过移动端进行交易。

Q过去三年中,加密货币卡支付和P2P支付的增长率分别是多少?

A过去三年中,加密货币卡支付增长了106%,达到16亿美元,而P2P支付仅增长了5%。

Q目前按转账价值计算,最主流的稳定币支付方式是什么?

A按转账价值计算,最主流的稳定币支付方式是企业对企业的B2B支付,其次是P2P支付,卡支付排名第三。

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。

marsbit50 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit50 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