137Labs Global

Introduction
In early July, reports that Meta was building a cloud computing business and preparing to sell AI compute capacity to external customers triggered an unusually sharp reaction across the AI infrastructure sector. The market response was strikingly asymmetric: Meta's shares surged, while AI compute rental companies such as CoreWeave and Nebius suffered significant losses. At the same time, nearly the entire AI hardware ecosystem—including AMD, Micron, SanDisk, ASML, TSMC, Samsung Electronics, and SK hynix—came under broad selling pressure. On the surface, this appeared to be nothing more than another technology company expanding into a new line of business. In reality, however, what the market was pricing was not whether Meta intended to commercialize its GPU resources, but whether one of the fundamental assumptions that has underpinned the AI industry over the past two years was beginning to change.
For the past two years, investors have largely embraced a single narrative: compute has been the primary bottleneck of the AI era. The companies capable of securing the most GPUs, building the largest data centers, and committing the highest levels of capital expenditure were widely regarded as the future winners. As this narrative became increasingly entrenched, valuations across the AI ecosystem came to reflect the same underlying assumption—that AI compute would remain structurally scarce, hyperscalers would continue expanding capital expenditure at an unprecedented pace, and upstream suppliers of GPUs, high-bandwidth memory (HBM), enterprise SSDs, servers, power infrastructure, and networking equipment would all enjoy sustained secular growth. Meta's latest move, however, introduces an entirely different question. If data centers are no longer built solely for internal consumption, but can also be commercialized as external infrastructure, is the industry beginning to shift its focus from continuously expanding capacity toward maximizing asset utilization? If that transition is indeed underway, then the defining competitive advantage of the AI industry may no longer be the ability to build infrastructure, but the ability to operate it efficiently.

I. Why Does Meta Need a Second Commercial Path for Its AI Investments?
Viewed in isolation, the news could easily be interpreted as Meta making a late entry into the cloud computing market. In reality, however, cloud computing itself is not the primary driver behind this strategic shift. Rather, the underlying catalyst is the unprecedented scale of capital expenditure required by the AI era.
Over the past several years, Meta has become one of the most aggressive investors in AI infrastructure globally. From continuously expanding hyperscale data centers and purchasing tens of thousands of high-end GPUs to repeatedly raising its annual capital expenditure guidance, the company has committed virtually every available resource to AI. Unlike Microsoft, which owns Azure, Amazon, which operates AWS, or Google, which has Google Cloud, Meta has never possessed a large-scale enterprise cloud business capable of directly monetizing infrastructure. Its data centers have historically served internal workloads, including advertising recommendation systems, social media platforms, content distribution, and the training of Llama models. In other words, these assets have functioned primarily as internal production infrastructure rather than commercially monetizable products.
As capital expenditure has grown from tens of billions of dollars to well over one hundred billion dollars annually, Meta has found itself facing not only technological challenges but also increasing pressure from capital markets to demonstrate an acceptable return on investment. AI undoubtedly continues to improve the efficiency of Meta's advertising business, but whether incremental gains in advertising performance alone can justify such extraordinary levels of fixed-asset investment has remained an open question for investors. Against this backdrop, Meta's decision to commercialize AI compute should not be interpreted as a sudden ambition to become another cloud provider. Rather, it represents an effort to establish a second monetization pathway for AI-era capital expenditure. Once an asset that was previously dedicated solely to internal operations acquires the ability to generate independent cash flow, its role within the company's financial profile fundamentally changes—from a cost center into a revenue-generating asset.
Viewed from this perspective, what Meta is ultimately commercializing is not its GPUs themselves, but the enormous capital investment that those GPUs represent.
II. What Is Meta Really Selling?
Many initial market interpretations reduced this development to a simple conclusion: Meta is beginning to rent out its GPUs. In reality, however, GPU rental is likely to be only one component of a much broader strategy.
Based on the information currently available, Meta appears to be building a comprehensive AI infrastructure offering rather than simply providing raw compute capacity. This ecosystem would likely include GPU computing resources for developers and enterprise customers, fully managed large language model inference services, enterprise-grade model hosting, model fine-tuning capabilities, and, over time, an integrated runtime environment designed to support AI agents. From a business model perspective, Meta's positioning appears to fall somewhere between AWS Bedrock, Azure AI, and AI-native cloud providers such as CoreWeave, rather than representing a straightforward attempt to replicate a traditional public cloud platform.
This distinction is important because it suggests that Meta's competitive advantage does not lie in enterprise IT infrastructure or decades of accumulated cloud services expertise. Instead, its strength comes from the hyperscale AI infrastructure it has already built for its own products. Over the past several years, Meta has invested heavily in optimizing AI training, recommendation systems, and inference deployment across Facebook, Instagram, WhatsApp, and the Llama ecosystem. These engineering capabilities, once developed exclusively for internal use, now have the potential to become commercial products available to enterprise customers. Put differently, Meta is not merely selling GPU capacity—it is commercializing a mature AI infrastructure platform that has already been tested and validated at internet scale.
If this model ultimately succeeds, Meta's data centers will no longer function solely as the company's internal backend infrastructure. Instead, they could gradually evolve into infrastructure assets capable of generating recurring revenue in their own right.

III. Why Is the Market So Sensitive to This Move?
The most significant implication of Meta's announcement is not whether the company can become the next AWS. Rather, it is that Meta has, for the first time, openly framed AI infrastructure as a commercial asset that can be operated—not merely built.
Over the past two years, the valuation framework for the AI industry has rested on a relatively straightforward assumption: demand will continue to expand at such an extraordinary pace that building more infrastructure is inherently the right strategy. More GPUs were always viewed as better. Larger data centers were always considered an advantage. Higher capital expenditure was interpreted as a signal of future growth because investors believed that ever-increasing training and inference demand would eventually absorb all available computing resources.
Meta's willingness to discuss selling excess AI compute introduces a fundamentally different possibility. The industry's most important question may no longer be whether companies possess enough GPUs, but whether those GPUs can maintain sufficiently high utilization over time.
These represent two very different economic models.
In the construction phase, success is measured by capital deployment.
In the operational phase, success is measured by asset returns.
During the construction phase, companies compete on procurement capability.
During the operational phase, they compete on utilization efficiency.
During the construction phase, investors ask how many GPUs a company owns.
During the operational phase, they ask how much revenue each GPU can generate over the course of a year.
This shift should not be interpreted as evidence that AI demand has peaked, nor does it imply that GPUs have become oversupplied. Instead, it reflects a natural evolution of the industry. As AI infrastructure reaches unprecedented scale, capital markets are beginning to demand proof that these increasingly expensive assets can produce sustainable cash flow, rather than relying indefinitely on the assumption that future demand alone will justify continued investment.
From this perspective, Meta's decision to commercialize AI compute may ultimately be remembered less as a cloud computing initiative than as a symbolic milestone marking the AI industry's transition from an era of infrastructure expansion to one of infrastructure operation.
IV. Why Did the Entire Market Sell Off?
To understand the broad sell-off that followed Meta's announcement, it is essential to distinguish between direct and indirect impacts.
The companies most directly affected were AI-native cloud providers such as CoreWeave and Nebius. Over the past several years, their competitive advantage has largely been built around a straightforward business model: acquiring large quantities of GPUs, building specialized AI infrastructure, and renting compute capacity to AI companies at a premium. Meta, however, possesses data center capacity on a comparable scale, significantly stronger financial resources, and, perhaps more importantly, substantially lower procurement costs. Once one of the world's largest buyers of AI infrastructure begins positioning itself as a potential supplier of AI compute, the core investment thesis behind the Neocloud model inevitably comes under scrutiny. As a result, companies operating within this segment became the most heavily impacted names following the announcement.
By contrast, the declines seen across GPU manufacturers, HBM suppliers, and the broader semiconductor sector were driven less by immediate changes in business fundamentals than by a reassessment of future expectations. Investors began to question whether hyperscalers might eventually shift their focus from continuously expanding data center capacity toward maximizing the utilization of infrastructure they had already built. If that were to happen, future GPU procurement, HBM demand growth, and overall AI infrastructure capital expenditure could all prove less aggressive than the market's most optimistic assumptions had previously implied. Such concerns are unlikely to affect NVIDIA's, AMD's, TSMC's, or Micron's order books overnight. What they affect first is valuation, particularly for companies whose multiples have been built upon expectations of sustained hyper-growth.
The storage industry deserves separate consideration.
Over the past year, HBM has been one of the biggest beneficiaries of the AI training boom, leading many investors to group all memory and storage companies under a single AI investment narrative. In reality, however, the hardware requirements of AI training and AI inference differ in important ways. During the training phase, the primary bottlenecks are computational throughput and memory bandwidth, making GPUs and HBM indispensable components. During the inference phase, by contrast, technologies such as retrieval-augmented generation (RAG), AI agents, long-context models, vector databases, and KV cache management require vast amounts of data to be accessed continuously, efficiently, and at extremely low latency. Under these workloads, high-performance enterprise SSDs become increasingly important.
From this perspective, the inference era should not necessarily be viewed as one in which storage demand declines. Instead, it is more accurately understood as a period in which the composition of storage demand evolves.
Consequently, the simultaneous sell-off in companies such as Micron, SanDisk, Samsung Electronics, and SK hynix reflected not only the broader correction across AI-related equities, but also the possibility that investors were applying a training-era investment framework to an industry that is gradually transitioning toward inference. Whether these companies ultimately prove to be fundamentally weaker or merely become victims of indiscriminate selling will depend largely on how rapidly inference workloads continue to expand and whether enterprise SSD demand materializes at the scale many industry observers now anticipate.

V. Why Operational Excellence Will Become the Next Competitive Advantage
The greatest significance of Meta's decision to commercialize AI compute does not lie in the addition of another revenue stream. Rather, it lies in the fact that the company has prompted the market to recognize, perhaps for the first time, that AI infrastructure is beginning to transition from an era of capital deployment to one of operational management.
Over the past several years, investors have focused overwhelmingly on metrics such as GPU counts, data center capacity, capital expenditure, and model size because the industry has remained firmly in its infrastructure build-out phase. As that infrastructure matures and an increasing number of large-scale data centers become operational, however, the factors that determine competitive advantage are beginning to change. In the years ahead, technology companies are likely to compete less on their ability to acquire additional GPUs and more on their ability to maximize GPU utilization, reduce unit computing costs, generate sustainable cash flow, and build long-term commercial ecosystems around their infrastructure assets.
This transition also implies that the valuation framework for the AI industry is evolving. During the construction phase, capital markets tended to reward companies willing to invest aggressively because higher capital expenditure was viewed as a direct indicator of future growth. As the industry moves into a more mature stage, investors are likely to place greater emphasis on measures such as return on capital, asset utilization, inference revenue, enterprise customer adoption, and the efficiency with which infrastructure is monetized. Ultimately, operational excellence—not simply the scale of investment—will determine whether these extraordinarily expensive assets can generate durable long-term value.
Meta's latest move is unlikely to reshape the cloud computing landscape overnight, nor is it likely to challenge the positions of AWS or Azure in the foreseeable future. What it does signal, however, is a meaningful shift in the competitive dynamics of the AI industry. Competition is gradually moving away from a race to accumulate the greatest amount of infrastructure toward a race to generate the greatest economic value from that infrastructure.
If the past two years represented the first half of the AI infrastructure cycle—a period defined primarily by construction and expansion—then the years ahead may well represent its second half, one defined by operation, monetization, and capital efficiency. Meta may simply be the first major technology company to take that step.

VI. Conclusion
In the short term, Meta's decision to sell AI compute should be viewed primarily as a catalyst for market repricing. It has reshaped investor expectations surrounding the competitive landscape for Neocloud providers while prompting a broader reassessment of AI infrastructure demand, capital expenditure trajectories, and long-term growth assumptions across the hardware supply chain. Yet viewed through a longer-term lens, the more important question is not whether Meta can become another AWS, but what this decision reveals about the future economics of AI infrastructure. As capital expenditure reaches unprecedented levels, simply owning more GPUs or building larger data centers is no longer sufficient to justify premium valuations. Investors are increasingly demanding evidence that these capital-intensive assets can generate sustainable cash flows and attractive long-term returns. In the years ahead, market attention is likely to shift away from GPU counts, data center scale, and model parameters toward metrics such as infrastructure utilization, inference-driven revenue growth, enterprise adoption, and return on invested capital. From competing on investment to competing on operations, and from competing on construction to competing on returns, Meta's decision to commercialize AI compute may ultimately prove to be more than a strategic business expansion. It may instead mark a defining moment in the evolution of the AI industry—one in which AI infrastructure begins to be valued not simply for its scale, but for its ability to generate enduring economic value.

أمس، سيطرت بسرعة على النقاشات داخل مجتمع العملات المشفرة ومؤسسي الأسهم في الولايات المتحدة، إعلاناتٌ جديدة عن عملة مستقرة (ستابل كوين) واعدة بالاستقرار. فقد قامت أكثر من 140 شركة ومؤسسة بالاشتراك في تقديم Open USD (OUSD)، بينما انخفضت أسهم Circle (CRCL) فوراً بنحو 17.5%. وفي الوقت نفسه، أدت أحدث إعادة موازنة لمؤشر Russell إلى زيادة ضغط البيع من الصناديق السلبية. يتجاوز هذا الحدث إطلاق منتج واحد فقط. إنه يعبّر عن تسارع تكامل العملات المستقرة من أدواتٍ نشأت داخل عالم التشفير إلى البنية التحتية للدفع المالي السائدة، مع دفع السوق إلى إعادة تقييم الأثر التنافسي الحقيقي للشركات المالية العملاقة التقليدية وهي تدخل هذا المجال. فيما يلي تفصيل شامل للحدث وOUSD وتداعياته من عدة وجهات نظر.

لماذا عادت غرايسكيل لتوجيه اهتمامها نحو سولانا؟
خلال السنوات القليلة الماضية، كلمتان كانتا غالبًا ما تحددان سولانا: الأداء و"ال ميم كوينز".
باعتبارها واحدة من أبرز سلاسل الكتل (Layer 1) من دورة السوق السابقة، ارتفعت سولانا إلى دائرة الضوء بفضل إنتاجيتها العالية، وتكاليف المعاملات المنخفضة، وإنهاءها شبه الفوري للمعاملات (finality). وفي الوقت نفسه، حوّلت مشاريع النظام البيئي مثل BONK وdogwifhat (WIF) وPump.fun سولانا إلى مركز طفرة الميم كوينز. ومع ذلك، فقد طغت هذه النظرة أيضًا على تحول أعمق يجري داخل الشبكة.

في أواخر يونيو 2026، قدمت شركة Chainalysis إطارًا جديدًا يُسمى «Blockchain Tracing Ontology»، بهدف وضع طريقة أكثر توحيدًا وشفافية لوصف استخبارات البلوك تشين. وبدلًا من إطلاق منتج تحليلات آخر أو أداة استقصائية، تحاول الشركة شيئًا أكثر جوهرية بكثير: إعادة تعريف كيفية هيكلة بيانات التتبّع على البلوك تشين وتفسيرها وتوصيلها.
على الرغم من أن الإطار ما يزال في مرحلة المقترح، فقد أثار بالفعل نقاشًا مهمًا عبر صناعة الأصول الرقمية. وتكمن في جوهره مسألة بسيطة ولكنها بعيدة المدى: هل تحتاج «استخبارات البلوك تشين» إلى لغة مشتركة؟

في 26 يونيو 2026، قدّمت OpenAI رسميًا عائلة GPT-5.6، كاشفةً عن ثلاثة نماذج متميزة: Sol وTerra وLuna. بخلاف الإصدارات السابقة التي كانت تركز حول نموذج رائد واحد، تمثل GPT-5.6 تحولًا مهمًا في استراتيجية منتجات OpenAI. بدلًا من تقديم نموذج واحد «الأفضل»، تتيح الشركة الآن مجموعة نماذج متكاملة مصممة لمعالجة ثلاث أولويات مختلفة: أقصى قدر من الذكاء، وأداء متوازن، وكفاءة تكلفة عالية من حيث الإنتاجية.
وفقًا لما ورد عن OpenAI، تُحسّن سلسلة GPT-5.6 بشكل كبير القدرات في هندسة البرمجيات، وتشغيل الحاسوب، والعمل المعرفي المهني، والبحث العلمي، والأمن السيبراني. وعند الإطلاق، تتاح النماذج فقط عبر معاينة محدودة من خلال واجهة برمجة التطبيقات وCodex لعدد صغير من الشركاء الموثوقين، مع توقع توفر نطاق أوسع من ChatGPT في مرحلة لاحقة.

في 22 يونيو 2026، أطلقت trade.xyz رسميًا عقد ZHIPU-USDC الدائم في سوق Hyperliquid HIP-3. يوفر العقد حتى 10x من الرافعة المالية ويمكّن من التداول على مدار الساعة طوال أيام الأسبوع.
هذا يمثل الأصول المدرجة الثانية في هونغ كونغ من قبل trade.xyz. الأولى كانت MINIMAX (Xi Yu Technology / MiniMax Group، HK:0100)، التي تم إطلاقها في 18 يونيو 2026.
نظرة سريعة
تبدأ هذه المقالة بخلفية شركة ZHIPU وانطلاقة التكنولوجيا GLM-5.2، ثم تفصل في آلية عقد trade.xyz وأدائه المبكر، وتقارنها مع MINIMAX، وتحلل عوامل متعددة تدفع السوق، وتستكشف نظام Hyperliquid HIP-3، وأخيرًا تنظر إلى الإمكانيات طويلة الأجل لتسعير الأصول المتنوعة على السلسلة.

في 22 يونيو 2026، أصبحت شركة مارفيل تكنولوجي رسمياً جزءًا من مؤشر S&P 500. للوهلة الأولى، قد يبدو أن هذه مجرد حدث إعادة توازن روتيني للمؤشر. ومع ذلك، عند النظر إليها من خلال عدسة أوسع لدورة استثمار بنية الذكاء الاصطناعي، وإعادة تقييم صناعة أشباه الموصلات في الولايات المتحدة، والنمو المتزايد لتدفقات الاستثمار السلبي، فإن انضمام مارفيل يمثل شيئًا أكثر أهمية. إنه يعتبر اعترافًا رسميًا بتحول الشركة الناجح من مورد تقليدي لأشباه الموصلات في الاتصالات إلى لاعب حاسم في نظام بنية الذكاء الاصطناعي. بالنسبة لمارفيل، فإن الانضمام إلى S&P 500 لا يمنحها فقط حالة الشركات الرائدة في نظر المستثمرين العالميين، بل يرفع أيضًا التوقعات بشأن النمو والربحية والتنفيذ على المدى الطويل. وبالتالي، فإن هذه المرحلة تعتبر إنجازًا وأيضًا بداية مرحلة أكثر تحديًا في رحلتها المؤسسية.

للوهلة الأولى، يبدو أن اجتماع السياسة النقدية لمجلس الاحتياطي الفيدرالي في يونيو 2026 كان بلا أحداث. قررت لجنة السوق المفتوحة الفيدرالية (FOMC) الإبقاء على معدل الفائدة الفيدرالية دون تغيير عند 3.50%–3.75%، وهو تحرك كان متوقعًا على نطاق واسع من قبل الأسواق وتم تسعيره بشكل كبير قبل الإعلان.
ومع ذلك، فإن التركيز فقط على قرار معدل الفائدة قد يضيع الرسالة الأكثر أهمية من الاجتماع. بينما اختار الاحتياطي الفيدرالي عدم رفع المعدلات هذه المرة، فإن توقعاته الاقتصادية المحدثة، والتغييرات في مخطط النقاط، ولغة السياسة المعدلة، والظهور الأول لرئيس الاحتياطي الفيدرالي الجديد كيفن وارش أرسلت جميعها إشارة أكثر أهمية: لقد تحول النقاش في السياسة النقدية من "متى ستبدأ تخفيضات الفائدة؟" إلى "هل لا يزال من الضروري رفع المعدلات أكثر للحد من التضخم؟"

مقدمة
على مدار العقد الماضي، أصبحت نوتيون واحدة من أكثر الشركات المثيرة للاهتمام للدراسة في مشهد SaaS العالمي. لم تُبنى من خلال ميزة ثورية واحدة، أو حيلة نمو قصيرة الأجل، أو آلة مبيعات مؤسسية عدوانية. بدلاً من ذلك، نمت نوتيون من خلال نظام نمو معقد ولكنه عضوي للغاية، متطورة من أداة إنتاجية متخصصة إلى منصة عالمية لإدارة المعرفة، وتعاون الفرق، وتصميم سير العمل. العديد من المنتجات تجذب المستخدمين الأوائل من خلال الجدة، ولكن مع تلاشي اهتمام المستخدم، تتزايد البدائل، وترتفع تكاليف الاستحواذ، فتصل بسرعة إلى سقف النمو. ما يُميز نوتيون هو أن نموها لم يُبنَ أبداً على قناة واحدة فقط. لقد ربطت تجربة المنتج، ونظم القوالب، ومجتمعات المستخدمين، وتوزيع المحتوى، واحتياجات تعاون الفرق في شبكة واحدة تعزز بعضها البعض.

مقدمة
في يونيو 2026، رفع بنك اليابان سعر السياسة إلى 1%، مما يمثل المرة الأولى منذ 1995 التي وصل فيها سعر الفائدة القياسي في اليابان إلى هذا المستوى. من حيث الأرقام المطلقة، فإن سعر الفائدة 1% ليس بالأمر الملحوظ بين الاقتصادات الكبرى. لا يزال سعر الفائدة الفيدرالي الأمريكي فوق 4%، وتظل أسعار الفائدة في معظم أنحاء أوروبا أعلى بكثير من اليابان. عند النظر إليها كرقم فقط، فإن زيادة سعر الفائدة في اليابان لا تبدو كافية لجذب هذه الدرجة من الاهتمام العالمي. ومع ذلك، نادراً ما تركز الأسواق المالية فقط على مستوى أسعار الفائدة؛ بل تركز على ما تشير إليه هذه الأسعار بشأن اتجاه السياسة والدورة الاقتصادية الأوسع. بالنسبة لاقتصاد قضى عقودًا في بيئة ذات سعر فائدة صفر و حتى أسعار سلبية، فإن الانتقال من الأسعار السلبية إلى 1% يمثل تحولًا عميقًا في الإطار النقدي الذي دعم اقتصاد اليابان لمدة تقارب الثلاثين عامًا.

صباح يوم الجمعة، كانت أسواق المال العالمية تحتفظ بأنفاسها مع رنين جرس افتتاح ناسداك. أكملت شركة SpaceX أكبر طرح عام أولي في التاريخ بسعر عرض ثابت قدره 135 دولارًا للسهم، مما جمع مبلغًا قياسيًا قدره 75 مليار دولار. افتتح السهم بسعر 150 دولارًا، وارتفع إلى أعلى مستوى خلال اليوم بلغ 176.52 دولار، وأغلق حول 161 دولارًا، محققًا مكسبًا بنسبة 19.22% في يومه الأول. تجاوزت قيمته السوقية على الفور 2.1 تريليون دولار، مما دفع إيلون ماسك إلى صفوف المليارديرات بقيمة تريليون دولار.
هذا الظهور "بمستوى الصاروخ" لم يكسر فقط الأرقام القياسية التاريخية، بل دفع أيضًا مشاعر السوق من نشوة شديدة إلى تأمل عميق خلال عطلة نهاية الأسبوع.

على مدار العام الماضي، ظهرت الذكاء الاصطناعي المتجسد كأحد القطاعات الأكثر مراقبة في التكنولوجيا العالمية. من Figure AI والذكاء الفيزيائي في الولايات المتحدة إلى AgiBot وGalbot في الصين، كان المستثمرون والباحثون وقادة الصناعة جميعهم يسعون إلى نفس السؤال: من سيبني طبقة الذكاء التي تشغل الجيل القادم من الروبوتات؟
على مدى عقود، كانت الروبوتات تعمل بشكل كبير من خلال قواعد محددة مسبقًا، وتدفقات عمل مصممة بعناية، وبيئات منظمة للغاية. رؤية الآلات الذكية حقًا - الروبوتات القادرة على فهم محيطها، والتكيف مع المواقف غير المألوفة، والتنبؤ بالنتائج، واتخاذ قرارات ذاتية - لا تزال بعيدة المنال. ومع ذلك، فإن التقدم في نماذج الأساس والذكاء المتجسد يقترب بهذه الرؤية من الواقع.

من تصنيف الصناعة إلى خريطة السلطة المالية
في يونيو 2026، كشفت مجلة Fortune عن أول قائمة Crypto 100، وهو تصنيف شامل مصمم لتحديد أكثر الشركات والبروتوكولات والمؤسسات تأثيرًا عبر نظام الأصول الرقمية. على عكس التصنيفات التقليدية التي تعتمد فقط على الإيرادات أو القيمة السوقية أو حجم التداول، تسعى قائمة Crypto 100 لتحقيق شيء أكثر طموحًا: إنها تهدف إلى رسم خريطة للمنظمات التي تبني بنية تحتية للحقبة المالية القادمة.
يقسم التصنيف الصناعة إلى عشر فئات—التمويل المركزي (CeFi)، التمويل التقليدي (TradFi)، التكنولوجيا المالية، التمويل اللامركزي (DeFi)، رأس المال الاستثماري، العملات المستقرة، خدمات التشفير، الأصول الرقمية وصناديق المؤشرات المتداولة، التعدين، وبروتوكولات البلوكشين. من خلال ذلك، يوفر واحدة من أوضح اللقطات حتى الآن لكيفية تطور مشهد الأصول الرقمية.

في يونيو 2026، قدمت Oracle ما قد يكون أهم تقرير أرباح في تاريخها. بلغت الإيرادات الفصلية 19.2 مليار دولار، بزيادة 21% على أساس سنوي، بينما ارتفعت الإيرادات السنوية إلى رقم قياسي بلغ 67.4 مليار دولار. لكن ما هو الأكثر إثارة للاهتمام هو التزامات الأداء المتبقية (RPO) للشركة، التي قفزت إلى 638 مليار دولار، مما يمثل زيادة بنسبة 363% مقارنة بالعام السابق. هذا الرقم يعني فعليًا أن Oracle قد جمعت تراكم إيرادات مستقبلية تعادل تقريبًا عشرة أعوام من إيراداتها السنوية الحالية.

انتهاء الإغلاق الجزئي للحكومة، لكن معركة سياسية أكبر تنتظرنا
في 3 فبراير 2026، وافق مجلس النواب الأمريكي بشكل ضيق على حزمة تمويل حكومية شاملة بتصويت 217–214، مما أنهى إغلاق الحكومة الفيدرالية الجزئي الذي استمر لفترة قصيرة. تم توقيع مشروع القانون، الذي بلغ إجماله حوالي 1.2 تريليون دولار، بسرعة ليصبح قانونًا من قبل الرئيس دونالد ترامب، مما سمح لمعظم الوكالات الفيدرالية باستئناف العمليات الطبيعية.
ومع ذلك، لم يصل الاتفاق إلى حل كامل. بينما تمول التشريعات معظم الإدارات الحكومية حتى نهاية السنة المالية في 30 سبتمبر، فإنها تقدم فقط تمديدًا مؤقتًا لمدة أسبوعين لوزارة الأمن الداخلي (DHS). وقد أجل هذا القرار - بدلاً من حله - أكثر النزاعات إثارة للجدل في قلب الإغلاق: إلى أي مدى يجب أن تذهب الكونغرس في فرض قيود على تنفيذ الهجرة الفيدرالية.

إذا صادف أنك مشيت في مدينة نيويورك مؤخرًا ولاحظت متجر بقالة مؤقت يقدم الطعام مجانًا، فهناك فرصة جيدة أنك كنت بالفعل داخل سرد أسواق التنبؤ - دون أن تدرك ذلك.
في أوائل عام 2026، أطلق بوليماركت ومنافسه الرئيسي كالشّي تفعيلاتهما المتزامنة تقريبًا لـ "البقالة المجانية" عبر نيويورك. لا صناديق تبرعات، لا محافظ تشفير، لا دروس تمهيدية. مجرد طابور، حقيبة من البقالة، ووجود علامة تجارية هادئ.
لم تكن هذه صدقة. ولم تكن حيلة.

تقول مؤسسة إيثيريوم إن ERC-8004 سيتجه إلى الشبكة الرئيسية قريبًا. بالنسبة للعديد من الأشخاص، فإن رد الفعل الأول مألوف: معيار جديد آخر - هل يهم ذلك فعلاً؟
هذه المرة، قد يحدث.
ERC-8004 ليست حول الكتل الأسرع أو التطبيقات الأكثر بريقًا. إنها موجهة نحو مشكلة أكثر إزعاجًا - واحدة تصبح لا مفر منها بمجرد أن تبدأ وكلاء الذكاء الاصطناعي في التصرف نيابة عنا وإنفاق الأموال الحقيقية:
كيف تعرف أن الوكيل على الجانب الآخر شرعي - ويستحق الثقة؟
1. عندما يتوسع الوكلاء، تتكسر الثقة أولاً