摩根士丹利任命艾米·奥登堡统筹全公司加密货币战略

TheNewsCrypto發佈於 2026-01-28更新於 2026-01-28

文章摘要

摩根士丹利任命艾米·奥登堡(Amy Oldenburg)担任公司数字资产战略协调负责人,以统筹推进加密货币业务布局。根据1月26日内部备忘录,奥登堡将负责全公司层面的战略制定与执行协调。该任命正值银行从提供基础加密货币产品转向构建更全面的工具组合,本月其投资管理部门已提交比特币和Solana相关交易所交易产品的初步注册申请。 在美国加密监管政策演变的背景下,摩根士丹利计划于2026年上半年通过E-Trade平台推出加密货币交易服务,初期支持BTC、ETH和SOL等代币,并采用Zerohash的基础设施。财富管理业务则设置风险管控框架,建议客户根据风险承受能力配置2%-4%的加密货币资产,并将比特币类比为"数字黄金"。此次人事调整旨在整合产品开发与战略合作,推动加密业务进一步融入主流市场。 (当前字数:约300字符)

摩根士丹利为更好地协调其数字资产战略设立新职位,任命资深高管艾米·奥登堡担任该职务,此举标志着该银行正加速推进加密货币业务布局。

彭博社报道称,联合总裁安迪·萨珀斯坦和丹·西姆科维茨于1月26日发送的内部备忘录显示,奥登堡将负责全公司范围内的战略协调与执行工作。

此项任命正值该银行从提供加密货币产品接入服务转向构建更完善工具包的转型阶段。本月早些时候,摩根士丹利投资管理公司已提交与Solana相关的交易所交易产品初步注册声明,明确表明其需要在受监管的加密货币领域获得更大立足点。

拓展业务版图的进一步计划

这些备案文件出台之际,美国围绕加密货币市场的监管规则持续演变,某种程度上吸引了更多传统金融公司进入该领域。路透社指出,摩根士丹利推动ETF发展是特朗普政府任内银行界倾向数字资产大趋势的组成部分。

在经纪业务方面,摩根士丹利还宣布计划于2026年上半年在其E-Trade平台提供加密货币交易服务,将利用Zerohash的数字资产基础设施,首批代币包括BTC、ETH和SOL。

在财富管理领域,该银行已开始为客户涉足此类资产设置防护栏。全球投资委员会报告将加密货币列为高风险资产,建议根据风险偏好配置约2%至4%的比例,同时将比特币比作"数字黄金"。

奥登堡的新职责将这些业务线整合起来,随着加密货币进一步进入主流市场,她将成为摩根士丹利统一协调产品开发、合作与执行的高级负责人。

今日加密货币要闻:

日本出台新储备资产规则加强稳定币监管

标签加密货币投资摩根士丹利

相關問答

Q摩根士丹利任命谁负责协调全公司的加密货币战略?

A摩根士丹利任命了Amy Oldenburg来协调其全公司的加密货币战略。

Q摩根士丹利计划在其E-Trade平台上提供哪些初始代币的加密货币交易?

A摩根士丹利计划在其E-Trade平台上提供比特币(BTC)、以太坊(ETH)和Solana(SOL)作为初始代币的加密货币交易。

Q摩根士丹利投资管理部提交了哪些与加密货币相关的初步注册声明?

A摩根士丹利投资管理部提交了与比特币(Bitcoin)和Solana相关的交易所交易产品(ETP)的初步注册声明。

Q摩根士丹利全球投资委员会对加密货币的投资建议是什么?

A摩根士丹利全球投资委员会将加密货币视为高风险资产,并建议根据风险偏好,将投资比例分配在2%到4%左右。

QAmy Oldenburg的新职责是什么?

AAmy Oldenburg的新职责是将产品开发、合作和执行统一起来,作为摩根士丹利在加密货币进一步进入主流市场时的单一高级负责人。

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。

marsbit9 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit9 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。

marsbit1 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

交易

現貨
活动图片