贝莱德重新定义 AI × Crypto 的价值链

作者：AiPlot 研究院
专注：RWA / 数字资产 / 金融基础设施深度分析

一、投资结论：Crypto 的下一批用户可能不是人，而是机器

BlackRock 于 2026 年 9 月发布《The Machine-Native Economy: How digital assets connect intelligence, commerce, and compute》，讨论 AI 与数字资产经济之间日益增长的联系。

市场对该报告的解读抓住了一个关键变化：当 AI Agent 能够独立完成任务时，它们不仅需要生成文本和调用模型，还会持续购买数据、调用 API、租用 GPU、订阅软件，并进行大量金额很小、频率很高、全天候运行的交易。

贝莱德重新定义 AI × Crypto 的价值链 image 0

这意味着数字资产的潜在用户结构可能发生变化：

Crypto 不再只服务于人类投资者和交易者，也可能服务于持续进行采购、支付、结算和资产配置的机器。

从产业链角度看，机器经济至少需要五层基础设施：

智能层： LLM、AI Agent、MCP 和 A2A，让机器理解任务、访问工具并协同执行；
支付层：稳定币、x402、MPP、ACP、AP2 等，为机器提供可调用的支付方式；
结算层：区块链、公链或专用支付网络，为高频、小额、可验证交易提供结算；
资产层： Tokenized RWA、稳定币、链上抵押品和未来的算力凭证，让机器能够持有和调用资产；
资源层： GPU、CPU、数据中心、电力和网络带宽，构成 AI 经济运行所需要的实际生产资料。

现实是将 AI 叙事、机器原生经济、算力金融化和链上基础设施串联起来，核心不是寻找一个“AI 代币”，而是观察这五层之间的价值传导是否真正闭环。

二、贝莱德报告的第一层洞察：AI 与区块链共享“Token 化”语言

1. LLM 的 Token 与区块链 Token 不是同一种东西

BlackRock 将 AI 和数字资产的交集概括为一个具有启发性的类比：

LLM 将人类语言切分成 Token，并把语言编码为机器可以处理的数字表示；
区块链将经济价值、所有权和权利表示为 Token，使其能够被机器验证、转移和结算。

两者在功能上当然不同。LLM Token 是模型处理信息的单位，区块链 Token 是经济权利或价值转移的载体。但二者共享一种底层结构：把现实世界复杂对象转化为机器可以读取和处理的标准化表示。

这对 Agent 经济非常重要。一个能够自主执行任务的 Agent，需要同时理解：

自然语言任务是什么；
可调用的工具在哪里；
数据和 API 如何计价；
付款需要什么凭证；
哪些资产可以作为抵押或支付；
交易完成后如何验证和记录。

如果语言、工具、支付和资产都能够以机器可读的标准表示，Agent 才可能从“回答问题”进一步走向“完成经济活动”。

2. Token 化的真正价值是减少接口成本

Token 化并不只是把某种资产放到链上。它更重要的作用是，把原本需要人工、定制化接口和复杂对账的资产，转化成可以被程序调用的标准对象。

对 AI Agent 而言，这意味着它可以按照统一规则：

查询资产价格；
检查所有权和抵押状态；
发起支付或转账；
触发合约；
获取服务或资源；
根据结果自动结算。

如果每种数据、API、GPU 租赁合同和金融资产都拥有不同的账户、登录、信用审查和结算流程，机器经济会受到大量摩擦限制。Token 化的长期价值，正是把这些分散的经济对象变成可编排的机器原生资产。

三、第二层洞察：稳定币可能成为机器的现金

1. 为什么传统支付系统不完全适合 Agent

信用卡和 ACH 并不是不能支持自动化支付。事实上，许多企业已经通过 API、账户授权和自动扣款实现了程序化支付。但它们仍然围绕“人或企业账户”设计，在以下场景中存在摩擦：

Agent 需要 7×24 小时自主运行；
每笔支付金额可能只有几美分甚至更低；
交易频率可能远高于人工商业活动；
对方可能是陌生的 API 或其他 Agent；
服务交付需要在付款确认后立即完成；
交易双方不希望依赖复杂的开户、授信和对账流程。

BlackRock 指出，传统支付轨道涉及账户设置、身份验证、授权、商户费率、结算周期和争议处理等环节，这些成本在高频低金额机器交易中可能变得不经济。

因此，Agent 需要的不是单纯“把信用卡接到机器人上”，而是一个能够原生处理机器身份、权限、预算、支付、服务交付和审计的金融系统。

2. 稳定币为什么处在候选中心位置

稳定币具备三个适合机器交易的特点：

计价稳定：以美元等参考货币计价，适合 API、数据和算力定价；
可编程转移：可以由钱包、合约或 Agent 按规则发起支付；
链上可验证：付款状态、金额和结算记录可以被服务商自动检查。

BlackRock 报告引用的数据表明，2025 年经过过滤的稳定币交易量达到约 11.2 万亿美元，2020—2025 年复合增速约 80%，而同期 ACH 交易量增速约为 8.5%。报告同时指出，截至 2026 年 9 月，稳定币流通市值超过 3,000 亿美元。

这些数据不能简单等同于消费支付规模，因为稳定币交易量包含交易、DeFi、借贷、铸造赎回和其他链上活动，且与 Visa、Mastercard 和 ACH 的统计口径并不完全一致。但它们说明稳定币已经不只是加密交易所内部的结算工具，而是正在形成一层全球可编程美元网络。

3. 稳定币的价值捕获不只在 Token 本身

稳定币采用扩大后，受益者可能包括：

稳定币发行方及其储备管理体系；
公链和支付专用链；
钱包、托管、合规和身份服务商；
API、数据、软件和算力服务商；
交易平台、清算机构和跨境支付网络。

因此，不能简单认为“稳定币使用量增长，就一定利好某个公链 Token”。如果交易发生在以 ETH 支付 Gas 的无许可网络，可能增加 ETH 的区块空间、验证者和结算需求；如果交易发生在以 USDC 作为原生 Gas 资产的专用网络，价值传导路径则可能更多体现在 USDC 的结算效用和网络服务收入上。

最终价值捕获取决于：

Gas 由什么资产支付；
网络是否允许其他链竞争结算；
手续费如何分配；
验证者与质押者是否获得收入；
是否存在 Gas Sponsorship 或由应用代付；
稳定币发行方、链和应用之间如何分配经济价值。

四、第三层洞察：x402 将“支付”嵌入互联网请求

1. 从人工开户到请求即支付

x402 使用 HTTP 402 Payment Required 状态码，让服务端在客户没有完成支付时返回付款要求，客户端或 Agent 完成稳定币支付后再重新请求服务。

这套机制适合以下场景：

Agent 按次购买数据；
软件调用外部 API；
模型按 Token 或推理量支付；
Agent 租用 GPU 或存储资源；
一个 Agent 调用另一个 Agent 的服务。

它的关键变化是：支付不再是独立的账户管理流程，而是服务请求的一部分。服务商可以在确认链上付款后立即交付数据或计算结果，减少授信和对账风险。

2. x402 与传统支付协议并非二选一

BlackRock 同时介绍了多种 Agent 支付协议：

x402：面向 HTTP 资源和机器到机器支付，适合链上稳定币结算；
MPP： Stripe 与 Tempo 推出的 Machine Payments Protocol，支持稳定币和传统支付方式；
ACP： Stripe 与 OpenAI 推出的 Agentic Commerce Protocol，使 Agent 可以与商家程序化结账，同时保留商家的既有支付基础设施；
AP2： Google 的 Agent Payments Protocol，通过加密授权和审计轨迹证明用户授权；
TAP： Visa 的 Trusted Agent Protocol，帮助商家识别可信 Agent 并安全接收支付凭证。

这意味着未来不一定由某一个协议垄断 Agent 支付。更可能的结构是：

链上协议负责机器之间的高频、小额和即时结算；
传统支付协议负责 Agent 与人类商户、银行和消费者之间的支付；
授权和身份协议负责证明 Agent 有权代表用户消费；
商家协议负责把 Agent 接入现有商业系统。

3. Agent 支付的关键不是自动，而是可控

让机器自动花钱会带来新的风险。一个可用的 Agent 支付系统必须管理：

单笔和每日预算；
支付对象白名单；
服务质量和交付验证；
退款、争议和欺诈处理；
私钥和钱包安全；
用户授权范围；
Agent 之间的身份和信誉。

因此，机器原生金融基础设施不仅需要低成本结算，还需要“可验证的授权”。如果 Agent 能够在没有明确预算和权限的情况下自动消费，支付效率越高，风险扩散也越快。

五、第四层洞察：算力可能成为下一类链上商品

1. 算力正在从成本项目变成经济资源

AI 模型的训练和推理需要 GPU、CPU、数据中心、电力、网络和制冷。过去，算力更多被视为云服务费用或企业 IT 成本；随着 AI 使用规模扩大，算力正在成为一种稀缺且需要资本融资、价格发现和风险管理的经济资源。

BlackRock 引用的市场估计显示，2025—2030 年 AI 基础设施累计资本开支可能超过 5 万亿美元；AWS、微软 Intelligent Cloud 和 Google Cloud 到 2030 年的合计收入可能达到约 1.1 万亿美元，较 2025 年约 29% 的复合增长。

这组预测代表的是市场规模和资本投入的潜力，并不等于已经实现的收入或可以直接用于估值的现金流。它们真正说明的是：AI 计算资源可能形成足够大的市场，使算力采购、融资、租赁、对冲和资产化变得有经济必要性。

2. 算力凭证可以是什么

未来的算力金融产品可能不是一个笼统的“GPU Token”，而是对特定资源的标准化权利，例如：

某一型号 GPU 在某一地区的 GPU-hour 使用权；
某一数据中心在特定时间段的推理容量；
某种芯片、显存、带宽和延迟条件组合下的计算服务；
与实际模型 Token 数、推理任务或训练周期挂钩的算力合同；
对未来算力收入的债权、收益权或抵押融资凭证。

BlackRock 提到，标准化的算力合同未来可能具备转让、质押、抵押和程序化结算能力，并可以发展出现货、差价合约、期货和其他风险管理工具。

3. 为什么算力金融化比“GPU 上链”复杂

算力不像黄金或石油那样容易储存。今天没有卖掉的 GPU-hour，通常不能被保存到明天继续出售。算力资源具有以下特征：

芯片代际差异巨大；
不同地区电价、网络和冷却成本不同；
同一型号 GPU 在不同集群中的性能可能不同；
训练和推理需求的时间分布不同；
资源存在宕机、延迟、排队和交付质量风险；
算力价值取决于软件栈、模型兼容性和数据位置。

因此，算力金融市场必须解决标准化问题：合同到底代表多少可交付算力，如何衡量性能，交付失败如何赔偿，现金结算和实物交付如何安排，跨地区价格差异如何反映。

电力市场是一个值得参考的先例：它同样具有不可储存、供需实时平衡和区域价格差异等特点，因此通常需要现货、远期、期货和差价合约共同管理风险。算力市场未来可能沿着类似方向发展，但其产品标准可能更复杂。

六、AI 推理将改变算力需求结构

1. 从训练中心转向推理扩散

训练市场通常由少数大型模型公司和云厂商主导；推理市场则面向更广泛的企业、开发者和消费者。随着 AI Agent 在客服、金融、搜索、软件、机器人和企业工作流中持续运行，推理任务可能成为更高频、更分散的算力需求来源。

BlackRock 引用的模型预测显示，到 2030 年 AI 推理可能成为最大的 AI 工作负载，并占据数据中心电力需求中越来越高的比例；报告图表展示的情景中，AI 推理到 2030 年约占数据中心电力需求的 43%。

这对算力金融化有两个影响：

第一，算力采购将从一次性建设转向持续、弹性和按需购买。企业不一定需要拥有 GPU，而可能根据 Agent 任务实时租用最适合的计算资源。

第二，算力凭证的价值会更加依赖时间、延迟和可靠性。对于一个需要实时响应的 Agent，便宜但延迟高的 GPU 可能不如价格更高、位置更近的资源。

2. Agent 如何自动购买算力

BlackRock 描绘了一个可能的工作流：用户让 Agent 完成一项复杂分析，Agent 持续估算计算需求，查询不同供应商的实时价格、可用容量、可靠性、地区、芯片型号和延迟，再选择最优资源，通过 x402 等协议按需支付，完成计算后返回结果。

这一流程需要多种协议协同：

MCP 让 Agent 访问算力市场、价格和状态数据；
A2A 让主 Agent 与专门的算力采购 Agent 协作；
x402 或其他支付协议完成按次、按任务或按使用量结算；
链上凭证记录购买、抵押、交付和结算状态；
预言机或服务证明机制验证计算资源是否实际交付。

这时，区块链的角色不是简单“存储一个 GPU Token”，而是成为资源市场中的结算、所有权和可验证执行层。

七、第五层洞察：Tokenized RWA 让机器可以持有和调用现实资产

1. RWA 对人类投资者的意义与对 Agent 的意义不同

对人类投资者而言，Tokenized RWA 主要提供碎片化、可交易、可组合和更长交易时间等优势。对 AI Agent 而言，RWA 的价值进一步体现在“可调用”：

Agent 可以持有稳定币作为运营资金；
使用代币化国债或货币基金作为抵押品；
根据风险和流动性需求自动调配资产；
通过智能合约获取信用额度；
用链上资产支付数据、算力和软件费用；
在工作流完成后自动分账和结算。

因此，RWA 的终局不只是“把华尔街资产搬到链上”，而是让资产拥有机器可读、机器可验证和机器可调用的接口。

2. 机器能够调用什么资产

适合 Agent 经济的 Tokenized RWA 可能包括：

稳定币和代币化现金；
短期国债、货币市场基金和高流动性抵押品；
供应链应收账款和贸易融资；
数据中心和 GPU 设备融资凭证；
算力使用权和长期云计算收入；
能源、带宽、存储和网络服务的使用权。

但资产 Token 化必须保留清晰的法律权利。机器能够读取一个 Token，并不意味着它自动拥有底层资产的所有权、赎回权或破产追索权。RWA 的资产托管、公司行动、估值、赎回和监管身份仍然是整个系统的基础。

3. 机器原生 RWA 与传统 RWA 的差别

传统 RWA 主要服务人类投资者，产品设计通常强调收益率、流动性和合规分销；机器原生 RWA 则更强调：

API 可访问性；
可编程转移和抵押；
低金额、低延迟结算；
权限与预算控制；
自动估值和风险触发；
资产状态的机器可验证性。

未来，一个 Agent 可能不需要“理解一只基金的完整销售材料”，但它需要读取标准化的资产元数据：价格、期限、流动性、抵押率、赎回时段、风险等级和调用权限。

八、价值传导：从 Agent 交易到公链 Token，不能跳过中间环节

市场提出了一条可能的传导路径：Agent 使用 x402 购买 API，并以稳定币付款；如果交易在公链上结算，机器交易增加会带来更多区块空间、验证和结算需求，最终可能传导到 ETH 等公链原生资产。

这个逻辑具有方向性，但不能被简化为“Agent 越多，ETH 必然越涨”。中间至少有七个变量：

Agent 是否使用区块链，而不是传统 API 账户和支付方式；
使用的是哪条链；
交易是否真正产生链上结算，而不是由中心化服务商批量记账；
每笔交易金额与 Gas 成本是否匹配；
链是否通过聚合、Rollup 或支付通道降低交易成本；
Gas 由原生 Token、稳定币还是应用代付；
网络手续费、质押收益和 MEV 如何回到原生资产持有人。

因此，研究 AI × Crypto 的价值捕获应建立如下桥梁：

Agent 经济活动 → API/算力/数据支付 → 链上交易与结算 → 区块空间需求 → 网络费用与验证服务 → 原生 Token 的经济权益。

只要其中任意一环被中心化服务商吸收、由稳定币支付或被 Gas Sponsorship 抵消，价值传导就可能停留在基础设施公司和稳定币发行方，而不一定回到公链 Token。

九、BlackRock 视角下的产业受益层级

第一层：机器支付和结算基础设施

包括稳定币、钱包、托管、支付协议、身份和授权系统。这一层最接近真实商业流程，关键指标是支付量、活跃 Agent、商户接入和服务费收入。

第二层：资产发行和 Tokenized RWA

包括代币化现金、国债、基金、应收账款、数据中心融资和算力凭证。关键指标是资产规模、赎回能力、二级流动性、抵押使用率和法律权利。

第三层：算力市场与资源金融化

包括 GPU 云、模型路由、算力市场、长期融资、期货和差价合约。关键指标是可交付容量、利用率、价格差异、违约率、合同标准化和融资成本。

第四层：公链和结算网络

包括 Ethereum、专用稳定币网络、Layer 2 和其他支付链。关键指标是机器交易占比、区块空间需求、网络费用、验证者收入、稳定币余额和 Gas 资产设计。

第五层：高波动 AI 叙事资产

包括 AI Agent 代币、算力代币和相关基础设施 Token。它们可能具有较高价格弹性，但必须证明真实用户、真实收入、代币使用需求和价值回流机制。

十、风险：宏大叙事与现实基础设施之间存在时间差

1. Agent 经济仍处于早期

BlackRock 明确指出，Agentic Payment 活动仍处于早期，算力市场的流动性和标准化也有限。

当前很多 AI Agent 仍停留在原型、辅助工具或半自动工作流阶段。它们可能由人类预先设定支付账户、调用权限和消费额度，尚未形成大规模机器自主交易。因此，2025—2030 年的市场预测不能直接作为今天的链上收入。

2. 稳定币交易量与机器支付量不能混同

11.2 万亿美元的调整后稳定币交易量反映了稳定币网络的总体活动，但其中并不等于 AI Agent 采购数据、GPU 和 API 的交易。需要单独跟踪：

Agent 发起的支付笔数；
机器到机器交易占比；
单笔支付金额；
x402、MPP 等协议的真实结算量；
付费 API 和算力服务商数量；
用户授权后的自动支付留存率。

3. 算力不是同质化商品

如果不同 GPU、地区、网络和软件环境无法形成统一标准，所谓算力 Token 可能只是对某个供应商的预付凭证，而不是具有广泛流动性的商品。它还需要解决交付、故障、性能、替代和违约问题。

4. Agent 的支付安全风险

机器自动支付可能遭遇 Prompt Injection、恶意 API、虚假服务、私钥泄露、预算失控和身份冒用。一个可扩展的 Agent 金融系统必须同时具备：

加密授权和可撤销权限；
交易限额和风险评分；
服务结果验证；
争议处理和退款机制；
Agent 身份和信誉记录；
交易可审计但不过度暴露隐私。

5. Token 价值捕获风险

即使 AI Agent 经济增长，也不意味着所有相关 Token 获益。应观察：

协议是否收取真实费用；
费用是否由 Agent 产生，而不是投机交易；
Gas 和支付由哪种资产承担；
网络是否拥有定价权；
代币持有人是否获得回购、销毁、质押或使用权；
新增发行和解锁是否抵消实际收入增长。

十一、研究框架：如何用 AiPlot 跟踪 AI × Crypto 真实进展

AiPlot 在这一主题中的价值，不只是展示某个 AI Token 的价格，而是帮助研究者建立从技术使用到资产价值的完整观察链。

1. Agent 采用层

跟踪 Agent 产品数量、活跃用户、自动任务完成量、可调用工具和真实付费行为，判断 AI 是否从 Demo 进入生产环境。

2. 支付协议层

跟踪 x402、MPP、ACP、AP2 和其他 Agent 支付协议的交易笔数、结算金额、商户数量、稳定币占比和跨链分布。

3. 资产层

跟踪稳定币供应量、Tokenized RWA 资产规模、抵押品使用、算力融资凭证、赎回量和二级市场深度。

4. 算力资源层

跟踪 GPU 租赁价格、利用率、芯片代际、区域电力成本、云厂商收入、模型路由和算力供需差异。

5. 网络价值捕获层

跟踪区块空间需求、机器交易占比、网络费收入、验证者收益、Gas 资产、质押比例、协议回购和 Token 解锁。

6. 事件与政策层

追踪云厂商、支付公司、稳定币发行方、交易平台和监管机构的合作、收购、牌照、产品上线和规则变化。

最终可以把每个项目放进一个统一判断模型：

贝莱德重新定义 AI × Crypto 的价值链 image 1

十二、结论：真正的 AI × Crypto 不是“AI 代币”，而是机器经济的金融操作系统

BlackRock 的报告提供了一个比“AI + Crypto”更具解释力的框架：

AI 是机器原生智能；
数字资产是机器原生货币和资产表示；
稳定币是机器可以使用的现金；
区块链是机器交易的可编程结算层；
Tokenized RWA 是机器可以识别、调用和抵押的现实资产；
算力可能成为可以标准化、融资、交易和对冲的新商品；
Agent 是未来最重要的新型经济参与者之一。

这条产业路径的意义在于，它把 AI 与 Crypto 从两个并行叙事连接成一个经济循环：AI Agent 产生交易需求，稳定币完成支付，区块链提供结算，RWA 提供资产，算力提供生产资源，协议和网络则尝试从机器经济中捕获收入。

但该循环尚未完全形成。当前最需要避免的是，把宏大的远期预测直接翻译成短期 Token 估值。真正值得跟踪的是三个问题：

机器是否真的开始自主支付，而不是人类替它使用钱包？
算力是否真的形成标准化合同和可融资市场，而不是简单的 GPU 租赁？
Agent 经济创造的收入，是否真正回流到稳定币、RWA、结算网络和相关 Token 持有人？

如果这三个问题逐步得到肯定回答，Crypto 的用户群将从人类扩展到海量全天候运行的机器，数字资产也将从投资和交易工具演变为机器经济的金融接口。

AI 的终局不只是让机器更聪明；Crypto 的长期机会，也不只是让人类更方便地交易。真正值得关注的交汇点，是机器开始拥有预算、资产和支付能力，并能够在链上自主完成经济活动。