Visa Crypto Lead: 8 Major Evolution Directions for Crypto and AI by 2026

原文作者：Cuy Sheffield，Visa 副总裁兼加密业务负责人

原文编译：Saoirse，Foresight News

随着加密货币与 AI 逐步走向成熟，这两大领域最重要的转变已不再是「理论上可行」，而是「实践中能可靠落地」。目前，两项技术均已跨越关键门槛，性能实现显著提升，但实际应用普及率仍不均衡。而 2026 年的核心发展动态，正是源于这一「性能与普及」的差距。

以下是我长期关注的几大核心主题，以及对这些技术发展方向、价值积累领域，乃至「为何最终赢家可能与行业先驱截然不同」的初步思考。

主题一：加密货币正从投机性资产类别向优质技术转型

加密货币发展的第一个十年，核心特征是「投机优势」—— 其市场具有全球性、连续性和高度开放性，剧烈的波动性也让加密货币交易比传统金融市场更具活力与吸引力。

但与此同时，其底层技术尚未做好主流应用的准备：早期区块链速度慢、成本高且稳定性不足。除投机场景外，加密货币在成本、速度或便利性上，几乎从未超越过现有传统系统。

如今，这种失衡局面正开始扭转。区块链技术已变得更快、更经济、更可靠，加密货币最具吸引力的应用场景也不再是投机，而是基础设施领域 —— 尤其是结算与支付环节。随着加密货币逐渐成为更成熟的技术，投机的核心地位会逐渐弱化：它不会完全消失，但将不再是价值的主要来源。

主题二：稳定币是加密货币在「纯粹实用性」上的明确成果

稳定币与以往的加密货币叙事不同，它的成功基于具体、客观的标准：在特定场景下，稳定币比传统支付渠道更快、成本更低、覆盖范围更广，同时还能无缝融入现代软件系统。

稳定币无需用户将加密货币视为「意识形态」去信奉，其应用往往在现有产品与工作流程中「隐性发生」—— 这也让此前认为加密货币生态「波动过大、不够透明」的机构与企业，终于能清晰理解其价值。

可以说，稳定币助力加密货币重新锚定「实用性」而非「投机性」，并为「加密货币如何成功落地」树立了明确标杆。

主题三：当加密货币成为基础设施，「分销能力」比「技术新颖性」更重要

过去，当加密货币主要扮演「投机工具」角色时，其「分销」具有内生性 —— 新代币只需「存在」，就能自然积累流动性与关注度。

而当加密货币成为基础设施后，其应用场景正从「市场层面」转向「产品层面」：它被嵌入支付流程、平台与企业系统中，终端用户往往意识不到它的存在。

这种转变对两类主体极为有利：一是拥有现有分销渠道、可靠客户关系的企业；二是具备监管许可、合规体系与风险防控基础设施的机构。仅凭「协议新颖性」，已不足以推动加密货币的大规模落地。

主题四：AI 智能体具备实用价值，影响正超越编码领域

AI 智能体（Agents）的实用性日益凸显，但其作用常被误解：最成功的智能体并非「自主决策者」，而是「降低工作流程中协调成本的工具」。

从历史来看，这一点在软件开发领域体现得最为明显 —— 智能体工具加速了编码、调试、代码重构与环境搭建的效率。但近年来，这种「工具价值」正大幅向更多领域扩散。

以 Claude Code 这类工具为例，尽管它被定位为「开发者工具」，但其快速普及背后折射出更深层的趋势：智能体系统正成为「知识工作的接口」，而非仅局限于编程领域。用户开始将「智能体驱动的工作流程」应用于研究、分析、写作、规划、数据处理与运营任务 —— 这些任务更偏向「通用专业工作」，而非传统编程。

真正关键的并非「氛围编码」本身，而是其背后的核心模式：

• 用户委托的是「目标意图」，而非「具体步骤」；
• 智能体跨文件、工具与任务管理「上下文信息」；
• 工作模式从「线性推进」转向「迭代式、对话式」。

在各类知识工作中，智能体擅长收集上下文、执行限定任务、减少流程交接、加速迭代效率，但在「开放式判断」「责任归属」与「错误修复」方面仍存在短板。

因此，目前多数用于生产场景的智能体仍需「限定范围、接受监督、嵌入系统」，而非完全独立运行。智能体的实际价值，源于「知识工作流程的重构」，而非「替代劳动力」或「实现完全自主」。

主题五：AI 的瓶颈已从「智能水平」转向「信任度」

AI 模型的智能水平已实现快速提升，如今的限制因素不再是「单一的语言流畅度或推理能力」，而是「在实际系统中的可靠性」。

生产环境对三类问题零容忍：一是 AI「幻觉」（生成虚假信息），二是输出结果不一致，三是故障模式不透明。一旦 AI 涉及客户服务、资金往来或合规环节，「大致正确」的结果已无法被接受。

「信任」的建立需要四大基础：一是结果可溯源，二是具备记忆能力，三是可验证，四是能主动暴露「不确定性」。在这些能力足够成熟前，AI 的自主性必须受到限制。

主题六：系统工程决定 AI 能否在生产场景落地

成功的 AI 产品，会将「模型」视为「组件」而非「成品」—— 其可靠性源于「架构设计」，而非「提示词优化」。

这里的「架构设计」包括状态管理、控制流、评估与监控体系，以及故障处理与恢复机制。也正因此，如今 AI 的发展越来越接近「传统软件工程」，而非「前沿理论研究」。

长期价值将向两类主体倾斜：一是系统构建者，二是控制工作流程与分销渠道的平台所有者。

随着智能体工具从编码领域扩展到研究、写作、分析与运营流程，「系统工程」的重要性会进一步凸显：知识工作往往复杂、依赖状态信息且上下文密集，这让「能可靠管理记忆、工具与迭代过程」的智能体（而非仅能生成输出的智能体）更具价值。

主题七：开放模型与集中控制的矛盾，引发尚未解决的治理问题

随着 AI 系统能力增强、与经济领域融合加深，「谁拥有并控制最强大的 AI 模型」这一问题，正引发核心矛盾。

一方面，AI 前沿领域的研发仍属「资本密集型」，且受「算力获取、监管政策与地缘政治」影响，集中度日益提升；另一方面，开源模型与开源工具在「广泛实验、便捷部署」的推动下，持续迭代优化。

这种「集中与开放并存」的格局，引发了一系列悬而未决的问题：依赖风险、可审计性、透明度、长期议价能力，以及对关键基础设施的控制权。最可能的结果是「混合模式」—— 前沿模型推动技术能力突破，而开放或半开放系统则将这些能力融入「广泛分布的软件」中。

主题八：可编程货币催生新型智能体支付流

当 AI 系统在工作流程中发挥作用时，它们对「经济互动」的需求日益增加 —— 例如为服务付费、调用 API、向其他智能体支付报酬，或结算「基于使用量的互动费用」。

这一需求让「稳定币」重新受到关注：它被视为「机器原生货币」，具备可编程性、可审计性，且无需人工干预即可完成转移。

以 x402 这类「面向开发者的协议」为例，尽管目前仍处于早期实验阶段，但其指向的方向十分明确：支付流将以「API 形式」运行，而非传统「结账页面」—— 这能让软件智能体之间实现「持续、精细化的交易」。

目前，这一领域仍显稚嫩：交易规模小、用户体验粗糙、安全与权限体系仍在完善中。但基础设施的创新，往往就是从这样的「早期探索」开始的。

值得关注的是，其意义并非「为了自主而自主」，而是「当软件能通过编程完成交易时，新的经济行为将成为可能」。

结语

无论是加密货币还是人工智能，早期发展阶段更青睐「吸引眼球的概念」与「技术新颖性」；而在下一阶段，「可靠性」「治理能力」与「分销能力」将成为更重要的竞争维度。

如今，技术本身已不再是主要限制因素，「将技术嵌入实际系统」才是关键。

在我看来，2026 年的标志性特征并非「某一项突破性技术」，而是「基础设施的稳步积累」—— 这些设施在默默运转的同时，也在悄然重塑「价值流转方式」与「工作开展模式」。