2025年3月2日 科技新闻解读

英伟达创纪录的1305亿美元收入

AI驱动的增长

英伟达在2025财年实现了创纪录的收入1305亿美元，同比大增114%。这背后主要动力来自人工智能浪潮带来的算力需求激增。尤其是生成式AI和大型语言模型的训练与推理，需要大量高性能GPU。

财报显示，英伟达数据中心业务增长最为惊人——第四季度数据中心收入356亿美元，同比增长93%，使全年数据中心收入飙升142%至1152亿美元。这一数字远超游戏、专业可视化等部门的收入，可见AI相关计算成为英伟达营收绝对的增长引擎。

正如英伟达CEO黄仁勋所说，公司对AI推理带来的潜在需求感到兴奋，这类需求可能比当前大型语言模型高出数百万倍。他形容近期AI需求“非同寻常”，并表示“长思考”推理AI需要比一次性推理高两个数量级的算力，这正推动英伟达产品需求持续爆发。

数据中心业务关键增长点

英伟达数据中心业务的飞跃得益于几大因素：

据英伟达CFO科莱特·克雷斯介绍，客户开始部署10万甚至20万块GPU的大型集群，并使用NVLink交换机、InfiniBand网络等互连技术。

英伟达通过提供完整的AI计算生态（GPU加速卡、NVLink高速互联、InfiniBand网络等），牢牢占据高性能AI基础设施市场。这一“软硬件一体”的布局使其数据中心业务增长更具持续性。

简而言之，生成式AI时代的算力饥渴，使英伟达的数据中心GPU及相关方案成为各行业争相采购的关键资源。

行业影响与趋势

英伟达收入暴增反映出整个科技产业正向“AI优先”转型。各大公司在AI基础设施上的巨额投入，带火了GPU等加速器市场，也让英伟达成为全球市值最高的科技公司之一。

当前英伟达市值已攀升至约3.2万亿美元，股价强劲上涨。这进一步巩固了英伟达在AI芯片领域的统治地位，使其对AI生态具有举足轻重的影响力。

然而，这种高速增长也引来挑战：

这促使英伟达不断创新，如发布个人AI超级计算机（Project DIGITS）等新产品，扩展市场应用领域。

总体而言，英伟达财报的亮眼表现印证了“AI算力即生产力”的时代趋势。AI技术的飞速进步在重塑产业版图，而英伟达作为底层算力提供者，将继续在这一波技术浪潮中扮演核心角色。

未来发展方向

展望未来，英伟达将重点发力满足持续高涨的AI算力需求。

这将支持更复杂的模型和更广泛的部署，例如“长链推理”AI代理和物理世界AI（自动驾驶、机器人等）对算力的需求。

英伟达高层预计AI基础设施需求将长期旺盛，公司将持续扩大产能交付，同时保持高利润率水平。

除了云数据中心，英伟达也在开拓边缘AI、PC端AI等新兴市场（如推出RTX AI PC平台，将LLM引入个人电脑）。

可以预见，英伟达未来将沿着“更强算力+更广应用”双轨推进：一方面推出更强大的芯片和系统满足前沿AI需求，另一方面下沉AI计算平台到更多领域，打造覆盖云端到终端的AI算力网络。

在AI浪潮的驱动下，英伟达有望继续保持增长势头，引领计算产业进入全新的智能时代。

OpenAI面临GPU短缺问题

短缺原因

当前GPU供不应求的局面由多重因素导致：

  1. 市场需求爆炸： 以ChatGPT为代表的大模型应用激增，OpenAI的新模型GPT-4.5被称作“巨无霸”，对算力需求极其庞大。
  2. 制造和供应链瓶颈： 限制了GPU产能。高端GPU（如英伟达H100）采用最先进的制程工艺和封装，产能爬坡需要时间。
  3. 政策因素： 增加不确定性。美国限制向部分国家出口高端GPU芯片，叠加可能出台的进口关税，使得GPU供应更加紧张。

据OpenAI CEO山姆·阿尔特曼透露，GPT-4.5模型规模空前，运行成本高昂，为支持更多用户，公司需要额外成千上万片GPU。这导致OpenAI“GPU告罄”，不得不推迟GPT-4.5的全面上线，仅先提供给高级订阅用户。

部分报道指出，英伟达新一代RTX 5000系列芯片产能问题也导致价格飞涨、供货延迟。

综上，空前的需求与有限的供给之间的矛盾，是OpenAI面临GPU短缺的根本原因。正如业内所言：“生成式AI热潮下算力短缺成为主要瓶颈，大模型严重依赖H100，但H100产能却严重受限”。

对OpenAI及AI行业的影响

GPU短缺对OpenAI的发展产生了直接而深远的影响。

OpenAI甚至为此调整定价策略，将GPT-4.5的API调用费用定得极高（输入每百万标记\$75，输出每百万标记\$150），部分原因正是算力成本过大。阿尔特曼坦言，公司不愿意以这种方式运营，但算力瓶颈迫使其放慢脚步。

更广泛地，整个AI行业都感受到了算力供应的压力。许多团队和初创公司很难抢到足够的GPU来训练模型，这在一定程度上提高了进入壁垒，使资源更多向少数巨头集中。

另外，GPU供需失衡还推高了云算力租用价格，中小企业和学术机构获取大算力的成本陡增，可能放缓AI技术的民主化进程。

正如报道所指出的，GPU短缺已成为全球AI发展和普及的主要掣肘因素，这使得解决算力困境刻不容缓。

可能的解决方案

面对算力瓶颈，OpenAI和业界正在多管齐下寻求突围之道。

  1. 自研芯片： OpenAI已启动专用AI芯片研发计划，目标在2025年投入试产。
  2. 拓展供应链： 在依赖英伟达的同时，OpenAI和其他公司也在考虑引入AMD、英特尔等竞争对手的AI芯片。
  3. 优化软件效率： 在硬件有限的情况下，提高模型和代码效率同样关键。
  4. 行业协作与调度： 有观点提出建立“算力交换”或借助云服务的闲置GPU，通过更智能的调度来缓解短缺。

阿尔特曼透露，公司正尝试开发自己的AI加速器，以降低对英伟达GPU的依赖。据报道，OpenAI已组建约40人的顶尖芯片团队，加速推进芯片设计，在台积电流片。如果成功，定制芯片将从根本上缓解长期算力供应问题。

例如AMD的MI300加速器、新兴初创的AI芯片（如Groq、Cerebras）等，可能成为替代补充。此外，OpenAI背后的微软等也投入巨资扩建数据中心，锁定GPU产能。微软据称订购了数十亿美元的英伟达GPU，并与英伟达深度合作建设超级计算集群，以保证OpenAI所需的算力资源。

OpenAI开发的Triton库等工具，就是为了更高效地利用GPU。另外，业界也探索“少算力训练”的路径，如模型蒸馏、算法改进，降低对海量GPU的需求。

总之，短期OpenAI将继续受制于GPU供应，但从中长期看，通过自研芯片、多源采购和技术创新，多措并举下这一困境有望逐步缓解。这场算力之困倒逼AI产业走向更开放多元的硬件生态，也预示未来AI基础设施将更加丰富、稳健。

OpenAI将Sora视频生成工具集成到ChatGPT

Sora的核心技术

Sora是OpenAI于2024年底推出的文本生成视频模型，可将文本、图像甚至视频片段作为输入，生成最多20秒的新视频。

其核心采用扩散模型+Transformer的混合架构：类似于图像生成的扩散模型逐帧生成画面细节，同时引入类GPT的Transformer模型把控视频序列的全局布局和连贯性。

具体而言，Sora每次并非仅看单帧，而是同时考虑多个连续帧，从而解决了早期文本生成视频存在的“画面不一致”问题——物体移出画面再回来时形象保持一致，不会闪烁变化。Transformer负责在扩散生成前对帧块（patch）进行全局组织，就如同语言模型先确定句子结构，再由扩散模型填充画面细节。

为了降低计算量，Sora在生成过程中还进行降维处理，将每帧影像划分为3D Patch（包含时间维），作为类似文本“token”的单位，大幅减少需要并行处理的像素数量。

此外，Sora借鉴了DALL·E 3的“重描述（recaptioning）”技术：在生成前由GPT自动将用户简短提示词扩展为更详细的描述，引导模型更准确地表现用户意图。

这些创新使Sora能在相对较短的时间内生成复杂场景的视频，确保内容连贯和细节质量兼备。

总结来说，Sora结合了扩散模型的逼真细节生成能力和Transformer的全局统筹能力，攻克了文本生成视频的多帧一致性难题，被视为这一领域的重要技术突破。

相较其他视频生成工具的优势

作为OpenAI的旗舰视频生成AI，Sora在多个方面领先于现有工具。

  1. 生成效果连贯： 得益于多帧处理和Transformer架构，Sora的视频在角色外观、场景物件随时间变化的连贯性上表现优异。
  2. 场景复杂度更高： Sora可以理解和生成复杂场景，支持多角色互动、丰富的背景和动作。
  3. 易用性与集成优势： Sora最初以独立Web工具推出，订阅费\$20/月，可生成1080p高清短视频，并提供剪辑、拼接等编辑功能。
  4. 功能拓展： Sora内置了多种特色功能，比如Remix（替换视频元素）、Re-cut（重剪辑）、Loop（循环片段）、Storyboard（分镜）和风格预设等。

例如，官方示例中一只卡通袋鼠跳舞时手臂多次进出画面，但每次再出现时外观保持一致，没有忽长忽短的失真。这种稳定性是早期一些文本转视频模型难以达到的。

有评测指出，Sora能创作出仿电影预告片风格的短片，包含不同镜头、角度和连贯剧情。相比之下，不少竞品（如早期的Meta或Google原型）视频时长和场景复杂度受限，更侧重单一画面的连续帧过渡。

如今OpenAI计划将其直接集成进ChatGPT界面，使用户无需切换平台，就能通过自然语言对话来生成视频。这将大大拓宽Sora的受众，让不会使用复杂视频软件的普通用户也可一键生成视频内容。

这些工具使用户可以细致地控制和微调生成结果，而无需导出到第三方软件。相比之下，一些竞品可能只能输出固定的视频片段，缺乏交互式编辑能力。

最后，OpenAI在版权与安全方面也更受关注，Sora的上线伴随对可能的版权问题讨论，有望借鉴ChatGPT的安全机制对不当内容进行过滤，避免生成侵犯版权的视频素材。

综合来看，Sora凭借技术先进性、使用门槛低和OpenAI生态支撑，在竞争中占据明显优势，被视作文本生成视频领域的“领跑者”。

潜在应用场景

Sora的出现为各行各业带来了全新的内容创作手段。

从文字剧本直接产出场景影像，帮助导演和美术在开拍前验证创意、设计镜头。这极大提高了前期策划效率，降低试错成本。未来甚至有可能用于生成部分电影片段或数字角色，缩减昂贵的真人拍摄和CG制作开销。中小企业也能廉价制作宣传片，不再依赖专业拍摄团队，从而大幅降低营销内容生产门槛。

值得注意的是，Sora还支持图像和视频片段作为提示输入，因此还可用来为现有素材续写或拓展。例如广告公司给出一张产品图片，Sora产出产品使用场景的视频。又如将一段无声监控视频输入，Sora延续其后续情节，用于犯罪推演等创意用途。

随着集成到ChatGPT后交互性的增强，我们可以想象：任何拥有想象力的人，都能让Sora把脑海中的场景“拍”成视频。这在创造力释放、内容个性化和数字娱乐等方面具有深远意义。当然也需关注潜在问题，如视频真实性和版权归属，但总体而言，Sora开启了“人人皆导演”的AI视频创作新时代，应用前景极为广阔。

Inception推出全新AI模型

核心创新

创业公司Inception Labs发布了全新的大型语言模型Mercury系列，其最大的创新是采用扩散模型（Diffusion）来生成文本，替代传统的自回归（Autoregressive）生成方式。

长期以来，大型语言模型（LLM）几乎清一色使用Transformer架构逐词顺序生成文本，这种自回归方式虽然效果好但存在速度瓶颈：必须一个词接一个词地输出，无法并行，导致长文本生成耗时很长。

Mercury则开创性地引入扩散生成思路，让模型在并行“猜测”整段文本轮廓后反复 refine。具体而言，扩散LLM先生成一串随机“词向量噪声”，然后通过多个迭代步骤逐步将其“去噪”逼近有意义的句子。这个过程类似图像扩散模型生成图像，但应用于文本上。

为实现这一点，研究团队融合了Transformer用于建模全局语义，再通过扩散过程出字。其关键突破在于设计了从粗到细（coarse-to-fine）并行生成的策略：模型先粗略确定句子的结构和含义分布，再逐步细化推敲出具体措辞。如此一来，所有词语可以同时生成而非顺序生成，大幅提升生成效率。

Inception实验表明，Mercury模型在标准NVIDIA H100 GPU上可以达到每秒超过1000个token的生成速度——传统最优模型通常只能200 token/s左右，即使一些开创专用硬件的方案（如Groq、Cerebras芯片）才能达到类似速度。换言之，Mercury通过算法革新在通用GPU上实现了5~10倍于现有LLM的生成速度。

更令人瞩目的是，这种提速并未显著牺牲生成质量。首款产品Mercury Coder专注代码生成，在标准编程基准上质量可比肩OpenAI的GPT-4o Mini和Anthropic的Claude 3.5 Haiku，但推理速度大幅领先。研究团队提供的例子中，一个小的代码生成任务，传统LLM迭代75步才完成，而Mercury扩散模型仅用14步就达成相似结果。

综上，Mercury的核心创新在于将扩散模型成功应用于大语言模型，实现了前所未有的高并发文本生成能力。这被业界视为LLM架构的一次重大突破——证明了除了Transformer自回归之外，扩散式并行生成是可行且高效的替代方案。

在NLP和AI领域的影响

Mercury的问世对自然语言处理和AI领域产生多重影响。

  1. 打破了传统范式： Mercury展示了扩散模型同样能胜任语言任务，预示未来LLM可能走向多架构并存的新局面。
  2. 极大改善了模型推理效率与成本： Mercury能够将大模型的推理成本降低一个数量级。
  3. 刺激算法创新和硬件发展的良性竞争： 过去提升LLM速度往往依赖堆叠GPU或定制芯片，现在证明算法层面的突破也能实现数量级提速。

正如AI专家吴恩达所评价的，这是在探索“同时生成整段文本的另一种途径”，为被Transformer主导的文本生成开辟了新方向。这种多样性有望催生更多研究投入扩散LLM，完善其理论和性能。

据报道，Mercury能够将大模型的推理成本降低一个数量级。这对实际应用意义非凡：许多LLM应用受限于高昂的算力成本，响应慢、并发量低。有了扩散LLM，高峰时每秒可生成上千词，大幅提高服务吞吐量。让AI输出长文如同人类说话般流畅，将解锁实时对话、长篇内容创作等新场景。

对于NLP基础研究而言，Mercury还回答了一个悬而未决的问题：非自回归生成的质量上限到底如何。此前一些尝试（如并行解码的模型）质量不佳，但Mercury证明通过巧妙设计，可以接近甚至媲美自回归模型质量。这将在理论上引发关于生成模型收敛性质的新讨论。

总体来说，Mercury标志着大语言模型进入“后Transformer时代”的开端，其带来的效率革命将加速AI技术普及，并促使社区在算法思路上更加百花齐放。

可能的行业应用

在实际应用方面，Mercury模型的高效性能使其极为适合需要海量实时生成的场景。

这意味着集成了Mercury的IDE插件或编程助手，可以在开发者敲击几行提示后，瞬间给出整段代码，实现真正的“所思即所得”。开发者与AI协作将更加顺畅无缝，极大提高编程生产力。

由于成本降低，同样的预算可生成10倍以上的内容，有望催生大规模个性化内容生产的新模式。

如果将Mercury用于机器翻译或同传，它能够在短延迟内输出长句翻译，缓解当前AI同传系统延迟高的问题。再如在多人实时对话翻译场景，Mercury可以并行处理多人的长句发言，让翻译几乎同步完成。

最后，Mercury已提供企业API和本地部署服务，意味着金融、法律等注重数据隐私的行业也可在内部网络中部署扩散LLM，用于报告生成、合同分析等工作。由于Mercury模型支持高效微调，企业还能训练领域定制版本，以满足专业场景需求。

当然，目前Mercury尚属新生事物，其在超长文本、一致性等方面可能需要进一步验证。但不可否认的是，它打开了高效LLM应用的新大门：以前一些因速度或成本无法实现的创想，如实时AI脚本写作、交互式小说生成等，随着扩散LLM成熟都将成为可能。

可以预见，未来6-12个月内，业界会涌现出基于Mercury或类似扩散LLM的各种产品，加速AI在各行各业的渗透。

本科生改进哈希表

改进方法

来自罗格斯大学的本科生Andrew Krapivin（安德鲁·克拉皮文）出人意料地发明了一种新型哈希表，实现了远超以往方法的查询速度，甚至打破了计算机科学领域沿袭近40年的经典假设。

传统哈希表为了快速查找，常采用开放寻址（Open Addressing）策略：当冲突发生时按一定探查序列寻找下一个空槽放置元素。大多数开放寻址实现都属于“贪婪式”（greedy）——新元素插入时总是占据遇到的第一个空位。

然而Krapivin设计的方案突破了这一限制：他采用“非贪婪哈希”策略，不再把新元素一定塞入第一个空位，而是可根据某种规则选择非最近的位置安放，打破了传统探查序列的局限。这种非贪婪放置避免了元素扎堆，极大降低了查询探查长度。

研究显示，在此策略下构造的哈希表，平均查找时间竟然成为与表大小无关的常数！也就是说，不管哈希表装载了多少元素，平均只需一个固定步骤就能找到目标，远优于之前猜想的$O(\log n)$。更惊人的是，其最坏情况下的查询和插入时间复杂度也从线性降到了$O((\log n)^2)$，打破了人们对开放寻址在极端情况下必须线性探查的认识。

Krapivin将这一系列新方法称为“非贪婪哈希表”，包括具体实现上的两种方案：一种代号“Funnel Hashing”（漏斗哈希），仍属贪婪但通过分层漏斗式存储减少聚集，已足以挑战姚氏猜想；另一种称为“Elastic Cuckoo Hashing”（弹性布谷鸟哈希），真正采用非贪婪策略，最终实现了上述理论性能。

简单来说，他的改进方法就是打破传统插入顺序的束缚，允许更灵活的元素安置，以换取查询效率的大幅提升。这一无心插柳的设计思路彻底颠覆了哈希表优化的常规认知，被誉为“哈希表领域的一场意外革命”。

理论基础及数学突破

Krapivin的发现从理论上提供了姚氏猜想的反例，在数据结构理论领域意义重大。

Krapivin等人与导师（包括哈希算法专家Martin Farach-Colton）合作分析了非贪婪哈希的性质，证明平均查询时间可以突破对数复杂度，达到与$n$无关的$O(1)$。他们通过构造性证明给出了这样一个哈希表实例，严格来说就是提供了Uniform hashing猜想的一个反例。

论文《开放寻址哈希的最优界（不需重排）》中，他们证明了即使不对元素进行重排（不需要动态调整存储），仍可通过初始构造达到更优的期望搜索复杂度。

这个结果推翻了先前理论界对开放寻址法的性能上限认知，也引申出一系列数学问题：比如，非贪婪策略下哈希表的聚集分布如何描述？查询长度分布的尾部界如何？

Krapivin的方案背后用到了概率论和算法分析的精巧结合。他的灵感之一来自一篇名为《Tiny Pointers》的论文——讨论如何用更小的指针表示哈希槽信息。为配合“微型指针”的使用，他重新设计了数据放置规则，这无意间触发了理论突破。

数学上最令人惊喜的是，他们证明的$O(1)$平均查询时间不仅在理论上存在，而且在哈希表负载高达接近饱和时仍然成立——也就是查找效率对装载因子不敏感。这个性质在过去是不可想象的，因为一般哈希表当接近满载时性能会急剧劣化。

影响与意义

这项哈希表优化的发现对计算机科学和数据结构领域具有深远影响。

  1. 理论层面： 刷新了教科书。
  2. 实践层面： 为设计更快哈希表提供了新思路。
  3. 学术界： 激发了学术界的兴趣，后续研究可能会改进非贪婪哈希的实用性。
  4. 教育意义： 激励计算机专业学生勇于挑战权威结论，鼓励“无知者无畏”的探索精神。

过去算法导论等教材中，对开放寻址哈希的性能分析都基于经典假设，如均匀哈希假设和泊松近似，结论是平均搜索时间$O(1)$（常数倍）但随着装载率上升会恶化，且有对数下限。而现在，一个平均真正$O(1)$且最坏$O((\log n)^2)$的哈希表实例出现，说明教材需要更新相应章节，纳入非贪婪哈希的新结果。

当前许多软件系统如数据库、内存缓存广泛使用哈希表，如果能引入非贪婪策略或其变种，可能进一步提升检索性能，特别是在高负载、高并发场景下。

哈希表作为最基本的数据结构之一，此次突破显示出即便在“成熟”领域也依然存在创新机会。正如有评论所言，“总是学生实现这些疯狂的发现”，年轻人的好奇和无畏为经典计算机科学问题带来了新生机。

从更广视角看，这证明了理论和实践的良性互动：工程需求（缩小指针节省内存）引发结构改变，进而促成理论飞跃。

它可以激励计算机专业学生勇于挑战权威结论，鼓励“无知者无畏”的探索精神。毕竟，Andrew Krapivin最初并不知道姚期智的猜想，因此没有框架束缚地尝试了新方案。这种大胆尝试和严谨证明相结合的过程，将成为数据结构课程中的绝佳案例。

综上，本科生改进哈希表不仅在性能上取得突破，更撼动了长期固化的理论认知，对学术和工业都产生了示范效应。未来，我们有理由期待由此衍生的更新更快的数据结构，以及由此带来的计算系统性能提升和资源节省。

特朗普将举办首次加密货币峰会

政府对数字资产态度的变化

特朗普政府筹办白宫首场加密货币峰会，标志着美国政府对数字资产态度发生重大转向。

在此之前，拜登政府对加密行业采取严格监管和执法，高调起诉多家交易所，强调打击加密欺诈洗钱。而特朗普在2024年竞选时一改昔日对比特币的否定立场，公开自称要做“美国首位加密总统”，承诺上任后支持数字资产发展。

上任伊始（2025年1月），特朗普即签署了第一个关于加密的行政命令，宣布政府政策是“支持数字资产在各经济部门的负责增长和应用”，与前任的强硬态度形成鲜明对比。

他成立了由硅谷投资人戴维·萨克斯任“白宫AI和加密事务主管”、博·海恩斯任数字资产工作组执行主任的专门团队，直接在政府高层为加密技术发声。此次峰会正是在这样的背景下召集，目的在于展示政府对区块链和加密货币的重视与开放。

可以看到，新政府的基调是亲商与鼓励创新：特朗普要求确保银行服务对加密企业不中断，明确反对推出央行数字货币（CBDC）以免“国有化”数字货币领域。他甚至提出探索建立国家加密货币储备的设想，以官方身份参与数字资产持有。

所有这些都释放出一个强烈信号——联邦政府从观望打压转向拥抱和引导加密产业。这意味着未来政策环境将更加宽松友好，加密货币有望被纳入主流金融框架。一位政府官员称，此举是要确立美国在数字金融领域的领导地位。

可以说，特朗普政府上台带来了美国数字资产监管思路的根本变化：从防范为主转为促进为主，从被动应对转为主动规划。这一变化也反映出加密货币经过多年发展，已从边缘事物变成政界不容忽视的新兴资产领域。

峰会对加密市场的影响

首次白宫加密峰会对市场情绪和行业发展的影响立竿见影。消息公布后，加密市场普遍解读为利好，投资者信心得到提振。

行业人士将特朗普称作“美国历史上最支持加密的总统”，预期监管障碍将减少、发展机遇将增多。因此，短期内比特币等主流加密货币价格可能出现上涨，反映乐观预期。

实际上，就职一周内特朗普签署加密行政令时，市场已迎来一波上涨行情，加密公司股价上涨，认为这是“美国数字资产政策的分水岭”。

峰会上汇聚众多行业巨头和投资者，包括知名交易所、区块链企业CEO等。他们将直接与政策制定者对话，争取政策红利。这种高规格对话本身就向市场传递出信任和合作的信号，减少了政策不确定性。

业内期待峰会讨论推动明确的监管框架出台。一旦美国建立清晰的加密法规，比如关于代币发行、稳定币管理等，企业合规成本和法律风险将大大降低，预计会有更多资本入场布局区块链技术。

可以预见，美国本土的加密创业和投资环境将升温：此前因监管压力而外流的新项目可能回流，美国有望重新成为加密创新中心。同时，大公司如金融机构也更愿意涉足数字资产（例如提供比特币交易、ETF等服务），因为政府表态支持降低了顾虑。

从全球看，美国态度转暖可能带动其他国家调整政策，避免错失新一轮技术浪潮。在峰会召开前，已有报道指出加密行业将迎来“重大机遇窗口”，整个市场情绪乐观。

当然，市场也保持关注实际行动：如果峰会后政策落地缓慢，乐观情绪可能回吐。但总体而言，此次峰会让加密货币从阴影走向聚光灯，在美国主流政策议程中占据了一席之地，长远看有助于行业健康发展和市场扩容。

未来政策走向

首次加密峰会被视为特朗普政府加密政策的开端，后续可能有一系列举措落地。

  1. 监管框架的完善： 政府已表明将制定明确规章，峰会讨论议题包括投资者保护、金融稳定等关键点。
  2. 扶持行业创新： 特朗普已要求保护加密企业获取银行服务的权利，未来可能进一步出台激励措施。
  3. CBDC和美元数字化方面： 特朗普政府明确反对美国推出央行数字货币。

因此，不久的将来或将出台新的法律或监管指南，例如豁免部分代币不是证券的标准、对交易所的联邦牌照制度、稳定币发行的联邦许可与储备要求等。这将结束过去监管机构各自为政、通过执法倒逼规则的局面，转为立法先行、企业有规可循。

未来可能进一步出台激励措施，比如对区块链创业公司减税、设立政府投资基金支持区块链研发，甚至允许将数字资产纳入退休基金、国库资产等（“国家加密储备”就是一例）。这些措施将极大提升数字资产的合法地位。

特朗普政府明确反对美国推出央行数字货币。