民调显示:70%选民认为美国应已出台明确的加密货币法规,立法呼声迫切

bitcoinist發佈於 2026-05-08更新於 2026-05-08

文章摘要

一项最新全国民调显示,跨党派选民对《CLARITY法案》的支持度正在上升。由HarrisX进行的这项调查发现,要求为加密资产制定更清晰联邦规则的支持声浪强劲,足以超越党派分歧。 民调访问了2008名注册选民,核心结果显示:选民显然希望有明确的联邦规则,并期待美国在数字金融领域保持领导地位。70%的选民认为美国本应已通过清晰的加密立法;62%的人认为美国为数字金融制定全球规则很重要。 调查还指出,选民更倾向于采取行动,而非等待“完美”方案。60%的受访者表示,即使存在权衡取舍,他们也偏好清晰的联邦立法,即使它并不完美。57%的人认为,现在通过一些立法并随时间完善,比等待一部完整或理想的法律更好。 这种心态也体现在对数字资产监管的看法上:56%的人认为美国应通过清晰监管来主导加密市场,同时承认这种做法可能带来的潜在风险。 尽管对监管的总体理念支持强劲,但选民对《CLARITY法案》本身的认知度较低:64%的选民没听说过该法案。法案的受欢迎程度似乎更多源于选民对加密规则应有的广泛期待,而非对其具体内容的了解。 支持呈现明显的两党特征:共和党人净支持率为48%,民主党人为43%,可能的中期选举选民为52%,独立选民为32%。独立选民的反对声音有限(仅10%),近半数(47%)处于可被说服的中间立场。 民调还显示,支持该法案可能对政治人物产生积极影响:44%的共和党人、37%的民主党人和31%的独立选民表示,他们更可能支持背书该法案的参议员。

一项新的全国性民意调查显示,《清晰法案》正在获得跨越党派界限的选民支持。这项由HarrisX进行的调查发现,支持为加密资产制定更明确的联邦法规的呼声非常强烈,足以弥合党派分歧。

60%选民希望有一部虽不完美但清晰的联邦加密货币法律

HarrisX民意调查采访了2008名登记选民,其头条结果引人注目:选民似乎希望有清晰的联邦规则,并希望美国在数字金融领域发挥领导作用。

根据调查结果,即使受访者不了解数字资产背后的技术细节,广泛的支持依然稳定。70%的选民表示,美国本应已经通过明确的加密货币立法。62%的选民也表示,美国为数字金融制定全球规则非常重要。

该民调还指出,人们倾向于采取行动,而不是等待一个“完美”的解决方案。即使考虑到潜在的权衡,60%的受访者表示,他们更倾向于明确(即使不完美)的联邦立法。57%的人表示,现在通过一些立法并逐步完善,比等待一部完整或理想的法律更好。

这种心态也延伸到选民如何看待数字资产监管:56%的人表示,美国应该通过明确监管来确立对加密货币市场的主导权,同时承认这种方法可能带来的潜在风险。

《清晰法案》获得两党支持

尽管总体上对监管背后的理念有如此强烈的支持,但选民对《清晰法案》本身的认知度很低。民调显示,64%的选民没有听说过《清晰法案》,14%的选民表示听说过很多,22%的选民表示只听说过一点。

换句话说,这项加密货币法案在选民中的受欢迎程度,似乎较少源于对其内容的熟悉,而更多地源于选民对加密货币规则更广泛层面的期望。

根据周四发布的这项调查,支持还具有显著的两党特征。共和党人显示出48%的净支持率,民主党人为43%,可能的中期选举选民为52%,独立选民为32%。

独立选民中的反对声音似乎有限:只有10%的独立选民反对该法案。相反,独立选民似乎集中在可被说服的中间派中,47%的人在受访时既不支持也不反对。

根据HarrisX的说法,这种政治效应因党派而异。报告称,这种影响在共和党人中最强,44%的人表示他们更有可能支持一位支持这项备受期待的加密货币法案的参议员。这种积极影响在民主党人(37%更可能支持)和独立选民(31%更可能支持)中依然存在。

日线图显示,周四总加密货币市值下跌至2.63万亿美元。来源:TradingView.com 的 TOTAL

特色图片由OpenArt创建,图表来自TradingView.com

你可能也喜歡

OpenAI后训练工程师翁家翌,给Agentic AI提出了新范式假设

OpenAI工程师翁家翌提出名为“启发式学习”的新范式,探索AI通过自主编写和修改代码来提升能力,而非仅依赖训练神经网络参数。 在实验中,他让Codex在明确目标和反馈闭环中,为Atari Breakout等游戏编写纯Python策略代码,通过反复运行、查看日志与回放、定位失败并修改代码,最终使策略在Breakout中达到理论满分。这种“启发式学习”将经验沉淀为可阅读、修改和审计的软件系统,而非难以解释的神经网络权重。 文章对比了启发式学习与深度强化学习的差异:前者更新的是代码结构和规则,具备更好的可解释性、更高的样本效率,并能通过回归测试等方式缓解灾难性遗忘问题。在Atari57游戏的批量测试中,该方法在部分游戏上表现出接近或超越传统强化学习算法的效率,但在需要长程规划的复杂任务中仍存在局限。 该范式的潜在产业意义包括:为机器人控制等场景提供更轻量、可审计的解决方案;提升安全关键系统的可解释性与可维护性;以及为智能体产品提供能力沉淀和共享的新路径。然而,其实用性仍需在更复杂的真实场景中进一步验证。 翁家翌认为,未来更可能是神经网络(负责快速感知等)与启发式系统(负责规则、记忆与安全)结合的分工模式。这预示着AI发展的一条可能路径:在强大编码智能体的辅助下,部分经验可以重新转化为可读、可维护的软件工程资产。

marsbit1 小時前

OpenAI后训练工程师翁家翌,给Agentic AI提出了新范式假设

marsbit1 小時前

你的 Claude 今晚要做梦了,别打扰它

Anthropic在开发者大会上为AI智能体平台引入了“做梦”(Dreaming)功能,这实际上是一种基于历史运行日志的离线批处理与自我优化机制。AI智能体在完成复杂任务后,会利用闲置时间自动回顾大量操作记录,从中提炼有效模式(例如更优的操作路径),并固化为可共享的记忆,从而提升后续任务效率。 类似机制也出现在其他AI产品中,如Hermes Agent的“Curator”功能可自动将经验整理成“Skill”,OpenClaw的“做梦”流程则细分为浅睡、快速眼动和深睡三个阶段,通过多维度加权决定哪些信息应存入长期记忆。 该功能与“记忆”(Memory)技术紧密相关。当前AI能力的核心挑战之一是如何有效管理与利用不断增长的上下文信息。一方面,行业正通过技术创新(如Subquadratic公司宣称的1200万token超长上下文模型)试图扩大信息容量;另一方面,“做梦”这类功能旨在让AI在有限上下文窗口内,主动筛选、巩固重要信息,模仿人类睡眠中的记忆处理过程。 文章指出,科技公司频繁使用“思考”“记忆”“做梦”等拟人化术语来描述AI功能,这不仅是技术类比,更是一种营销策略和认知塑造。它模糊了机器与人的边界,影响用户对产品的感知与期待,并在无形中转移了技术缺陷的责任归属。本质上,AI的“做梦”仍是一种消耗计算资源的自动化数据处理,但其命名方式却让我们更倾向于将其视为拥有内在生命的数字实体。

marsbit1 小時前

你的 Claude 今晚要做梦了,别打扰它

marsbit1 小時前

交易

現貨
合約
活动图片