稳定币被视为未来人工智能驱动机器支付的核心动力

TheNewsCrypto發佈於 2026-03-23更新於 2026-03-23

文章摘要

伯恩斯坦分析师指出,稳定币将成为未来AI驱动的机器支付的关键推动力。报告强调,Circle和Coinbase通过USDC合作成为稳定币领域的重要参与者,并认为机器支付将为稳定币带来潜在增长机会。 机器支付指由软件或自主设备发起、授权并完成的交易,具有可编程、实时决策和无需人工干预的特点。稳定币因具备可编程性、快速到账、支持微支付及全球可用等特性,非常适合这一场景。它们能嵌入托管、条件释放和收入分成等逻辑,使自主代理无需依赖传统银行即可完成交易。 报告还指出,稳定币可实现秒级结算,支持AI代理实时支付算力或数据费用。跨境支付中无需通过SWIFT或银行中转,降低了成本。目前Coinbase正在开发x402代理支付协议,Circle推出了纳米支付基础设施,Stripe也基于Tempo区块链推出了机器支付协议。尽管仍处早期,Stripe的协议首周交易量达5000美元,Coinbase的协议近月交易量约为2500万美元。

伯恩斯坦分析师指出,Circle和Coinbase是稳定币投资的主要载体,强调了两家公司之间的USDC合作以及稳定币在代理机器支付中新兴角色的潜在上行驱动力。

由Gautam Chhugani带领的分析师在3月23日给客户的报告中写道:“我们认为代理机器支付是稳定币的上行期权。这并非‘当下’对稳定币需求产生实质性影响,而是稳定币在代理机器经济中可能扮演的某种角色。”

分析师将机器支付定义为完全由软件或自主设备而非人类发起、授权和结算的交易。与自动账单支付或重复订阅不同,这些支付本质上是程序化的,允许实时决策、价格协商和无需人工干预的结算。

对未来的贡献

根据报告,转账结算可以在几秒钟内完成,允许AI代理实时支付计算或数据费用。为实现经济高效,可以采用高吞吐量区块链和状态通道来大规模执行微交易。

分析师还提到,稳定币无国界特性消除了对SWIFT、代理行或外汇转换的需求。许多公司已开始构建基础设施以运营这些功能。

Coinbase正在开发x402代理支付协议,将支付嵌入互联网的HTTP层,而Circle则为代理推出了纳米支付基础设施。与此同时,Stripe通过其对Bridge和Privy的区块链投资,在Tempo区块链上推出了机器支付协议。

伯恩斯坦指出,机器支付协议的实际规模目前仍有限,并强调Stripe的MPP在推出首周交易量仅为5,000美元。Coinbase的x402协议在过去一个月产生了约2,500万美元的交易量。

今日重点加密货币新闻:

基于BNB链的SIREN模因币出现显著飙升

标签人工智能Coinbase稳定币

相關問答

Q根据伯恩斯坦分析师的报告,稳定币在AI驱动的机器支付中扮演什么潜在角色?

A伯恩斯坦分析师认为稳定币在AI驱动的机器支付中作为一种上行期权,能够实现完全由软件或自主设备发起、授权和结算的交易。稳定币具有可编程、快速、支持微支付和全球可访问的特性,非常适合这种程序化支付环境,允许实时决策、价格协商和无人工干预的结算。

Q稳定币相比传统支付系统在机器支付方面有哪些优势?

A稳定币的优势包括:可编程性允许直接嵌入托管、条件释放或收入分成等支付逻辑;结算速度快至秒级;支持微支付;全球可访问且无边界的特性消除了对SWIFT、代理行或外汇转换的需求;能够通过高吞吐量区块链和状态通道实现大规模的微交易。

Q文中提到了哪些公司在开发机器支付协议?它们分别推出了什么产品?

ACoinbase正在开发x402代理支付协议,将支付嵌入互联网的HTTP层;Circle推出了面向代理的纳米支付基础设施;Stripe通过投资Bridge和Privy区块链项目,在Tempo区块链上推出了机器支付协议(MPP)。

QStripe和Coinbase的机器支付协议目前取得了怎样的交易成绩?

AStripe的MPP在推出第一周实现了5000美元的交易额;Coinbase的x402协议在过去一个月内产生了约2500万美元的交易量。

Q机器支付与传统的自动账单支付或重复订阅有何本质区别?

A机器支付是由软件或自主设备完全发起、授权和结算的交易,本质上是程序化的,允许实时决策和价格协商,无需人工干预;而自动账单支付或重复订阅仅是预先设置好的固定支付流程,缺乏实时协商和动态决策能力。

你可能也喜歡

Deepseek 能否为中国节省 1 万亿美元?

《DeepSeek 能否为中国节省 1 万亿美元?》一文探讨了DeepSeek如何通过技术创新,可能大幅降低中国AI基础设施的建设成本。 核心在于,AI硬件的成本正从计算芯片向昂贵的内存(如HBM)倾斜。DeepSeek通过三方面技术突破,系统性降低了对这类稀缺硬件的依赖: 1. **压缩“记性”**:采用多头潜在注意力(MLA)等技术,将长上下文对话所需的缓存(KV Cache)压缩至原来的极小部分,极大节省显存。 2. **按需唤醒“身体”**:利用混合专家(MoE)模型架构,每次只激活部分参数,并结合智能的存储调度,将多数参数移出昂贵显存。 3. **复用计算结果**:将算过的上下文作为缓存复用,用低成本的内存读取替代高成本的重复计算。 这些技术协同,使DeepSeek V4等模型在长上下文场景下,用同等硬件可能产出数倍的有效Token,等效于大幅提升硬件效率、摊薄单位成本。 文章据此进行推演:到2030年,全球AI硬件投资预计达数万亿美元。若DeepSeek的技术路线能使中国未来AI基建的硬件需求等效减少75%,在日均Token消耗达到数千万亿级的规模时,节省的投资额可能接近1万亿美元(约7万亿元人民币),相当于少建数万座智算中心。 更重要的是,此举将产业价值从受制于人的尖端算力芯片,部分转移至中国已有所突破的存储芯片及系统工程领域,提升了供应链安全性。DeepSeek的意义不在于“消灭硬件”,而在于通过极致优化,降低行业对最昂贵、最稀缺硬件的边际依赖,让AI能力更普惠,重塑未来AI基建的账本。 (注:文中关于万亿节省的具体数字属于基于行业趋势的推演观点。)

marsbit1 小時前

Deepseek 能否为中国节省 1 万亿美元?

marsbit1 小時前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

谷歌研究院与特拉维夫大学联合发表论文,提出对抗大模型“幻觉”问题的新思路:与其追求让AI全知全能或过度拒答,不如培养其“元认知”能力,即让模型能够感知并诚实表达自身对每个答案的确信程度。 论文指出,当前主流方法存在局限:一味增加知识覆盖无法穷尽所有事实;而通过大幅拒答来降低错误率则会征收沉重的“实用性税”,牺牲大量本可正确回答的问题。核心原因在于模型缺乏“判别力”,难以精准区分具体问题的对错,导致校准良好但实用性低下。 论文重新定义了“幻觉”:问题不在于AI输出错误信息,而在于其“没有资格确定却以确定的语气给出错误信息”。因此,解决路径应是实现“忠实不确定性”——让AI语言表达的确信度与其内部状态的真实确信度对齐。这比消灭所有错误更可行,是一个依赖内部信号的闭环问题。 在AI代理(Agent)时代,元认知更为关键。没有它,Agent在调用外部工具(如搜索)时将陷入“盲飞”,无法智能决策何时需要搜索、如何评估信息可信度。 实现元认知面临几大挑战:“自举悖论”涉及用静态数据训练动态能力的困难;“对齐破坏信号”指RLHF等训练可能磨灭模型原有的内部不确定性信号;“因果性评估”则需区分真正的元认知与对其的表演。 论文建议,评估反幻觉方法应超越单一准确率指标,转而分析完整的“实用性-错误率权衡曲线”,并关注其在其他任务上的“附带损伤”。最终目标是让AI学会诚实地沟通其认知状态,从而在保留实用性的同时,将错误信息的危害降至最低,建立可靠信任。

marsbit1 小時前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

marsbit1 小時前

交易

現貨
合約
活动图片