首頁

一塊英偉達GPU算力的金融時刻

0xFacai

閱讀本文需 16 分鐘

算力交易大步迈进公开市场

一塊 Nvidia B200 GPU 在今年年底的每小時租金是多少？

預測市場把這個問題拆成了一組是或否的合約。交易者看好 B200 的租金會不會高於某個價格，再把不同價格、不同日期的合約拼在一起，一條由市場下注形成的 GPU 租金曲線就出現了。

Polymarket 此前已經上線過 GPU 租金合約，只是交易量不大。這一次，Kalshi 聯合創始人 Tarek Mansour 宣布，平台已經從 B200、H200 和 A100 的預測市場價格中提取出遠期曲線。

預測市場不再只回答選舉結果、降息時間和公司事件，它開始替一個從未擁有公開交易市場的產業建立金融市場。

這條曲線距離傳統商品市場裡的遠期曲線還有明顯距離，預測市場也不能讓買方在到期後收到一組 GPU。但它抓住了 GPU 交易市場最缺的東西：一張所有人都能看到的價格準線。

過去幾年，資本不斷湧入晶片、數據中心和電力，算力已經成為 AI 產業最大的成本之一，採購方式卻仍停留在電話預訂、熟人勾兌和線下合同裡。

算力的金融化正在轟轟烈烈地展開。

先有合約，後有市場

在大模型出現以前，企業獲得計算能力主要有兩種方式：自己購買伺服器，或者向雲廠商支付相對穩定的月費。AI 改變了這套採購邏輯。訓練和推理吞掉大量 GPU，不同晶片、地區和合同期限的價格開始分化，雲廠商的報價也隨供需快速變化。

今天的算力市場並非沒有遠期交易。

大型實驗室會提前鎖定未來容量，neocloud 會從雲廠商和經紀商手中預購 GPU，超大規模雲廠商之間也會互相預留資源。合同短則按小時租用，長則覆蓋數年。它們承擔著與石油長期包銷協議相似的功能，只是價格藏在私下談判裡。

一家大型推理服務商曾把採購算力形容為找一個熟悉供給的「中間人」。你告訴他需要什麼晶片、多少張卡、在哪個地區使用，他再從關係網路裡為你尋找庫存。經紀商依靠信息差賺錢，大型持有者依靠關係分配容量，真正的成交價格很少出現在公開屏幕上。

這套市場可以完成交付，卻無法形成連續預期。AI 實驗室不知道半年後的推理成本，數據中心無法提前鎖定出租價格，貸款人也缺少實時更新的數據，評估抵押 GPU 正在以多快速度貶值。

資金規模已經不允許這套定價方式繼續保持原樣。

Tarek 給出的數字是，超大規模云廠商今年將在算力上投入超過 7000 億美元，2030 年市場規模可達 7 萬億至 10 萬億美元。更謹慎的機構預測同樣龐大。Morgan Stanley 預計，2028 年前全球數據中心資本開支約為 2.9 萬億美元，其中約 2.5 萬億美元服務於 AI。McKinsey 對 2030 年前數據中心資本開支的估計是 6.7 萬億美元。Goldman Sachs 則把 2026 至 2031 年的 AI 基礎設施投入估到 7.6 萬億美元。

這些數字採用了不同年份和統計口徑，有的包含數據中心，有的同時計算算力與電力。共同之處在於，計算與硬件佔各家估算的 55% 至 67%，是這輪基礎設施投資中最大的部分。

晶片又是一種價格劇烈變化的資產。市場對 GPU 使用壽命的估計從三年到七年不等，新一代產品每年刷新性能，供應緊張卻讓舊晶片繼續保有租賃價值。數據中心需要把巨額資金壓在一批折舊速度尚無共識的設備上。

資本的負擔越重，遠期價格越重要。

GPU 交易市場的探索

GPU 交易市場的第一階段，是已經運行多年的「私下撮合」。

買方提前預訂容量，賣方鎖定未來收入，經紀商承擔尋找供給和撮合交易的工作。真實需求和遠期承諾都已存在，只是沒有統一合約，也沒有公開報價。

這批買賣雙方也構成了算力金融市場的底層。

超大規模云廠商、大型數據中心和 GPU 持有人手裡有庫存，擔心未來租金下降；AI 實驗室、推理平台、應用公司和已經向下游承諾容量的 neocloud 需要持續採購，擔心未來價格上漲。一方想保護設備收入，另一方想控制算力成本，市場由此有了最初的交易需求。

第二階段是建立標準化的價格指數。Ornn 的 Compute Price Index 從性真實 GPU 租賃成交中提取價格，涵蓋多種主流晶片。Silicon Data 每天發布 H100、A100 和 B200 的按需租賃指數，並將數據送入彭博終端。Compute Desk 也在搭建同類產品。

指數商定義的並不只是一串數字。哪些晶片、地區、網路配置和合約類型會被納入，異常成交如何處理，晶片換代後舊指數如何退出，最終都會改變市場口中的「GPU 價格」。交易所提供交易場所，指數商定義人們究竟在交易什麼。

Ornn 最近獲得了 a16z 的 3300 萬美元投資。誰能把分散的交易數據整理成被市場接受的基準，誰就有機會成為算力市場裡的價格入口。

第三階段是把指數寫進可交易的合約中。CME 選擇 Silicon Data 作為數據提供商，計劃推出以每日 GPU 租賃基準結算的算力期貨。紐交所母公司 ICE 選擇 Ornn，準備上線另一套 GPU 期貨。兩家傳統交易所都把產品定位為 AI 實驗室、雲廠商、數據中心和金融機構的風險管理工具，但產品仍處於等待監管審查的階段。

預測市場走了另一條路。它讓交易者不斷回答同一個問題：「某款晶片在某個日期會不會高於某個租賃價格？」計算相鄰閾值之間的價格差，可以近似反映市場對該價格區間的判斷；再沿著不同日期重複計算一次，期限結構就出現了。

傳統商品市場通常先定義可交割合約，再由期貨交易形成曲線。預測市場先用事件合約形成公開預期，再考慮用這條預期服務場外交易、期貨和永續合約。

傳統算力期貨還在等待監管批准，預測市場已經給出了期限結構。

一條曲線能解決什麼問題

市場花力氣建立指數、期貨和遠期曲線，究竟能替一家普通 AI 公司解決什麼問題？

假設一家推理平台已經答應半年後為客戶提供服務。它知道到時需要一批 GPU，卻不知道租金會漲到多少。如果租金突然上漲，已經談好的客戶價格不會跟著變，它只能自己承擔增加的成本。買入一份隨 GPU 租金上漲而升值的合約後，雲帳單雖然變貴，合約上的收益卻能補回一部分差額。數據中心面對的是相反的問題：設備已經買下，未來租金一旦下降，收入就會縮水。賣出遠期敞口，可以讓它提前鎖住一部分設備收入。

這份合約無需與企業實際採購的每一張卡完全相同。企業也許使用紐約地區的 H200，市場上交易的卻是一個覆蓋多個供應商的 H200 指數。只要兩者價格大體同漲同跌，這份合約就能發揮作用。分析師估算，當兩種價格的相關係數達到 0.7，合理配置的對沖可以消除接近一半的波動。航空公司無法買到與自身每一筆航油支出完全相同的合約，仍會用原油期貨控制成本，道理也是如此。

貸款人同樣需要這條曲線。一家數據中心拿 GPU 申請貸款時，銀行要判斷這些晶片兩年後還能帶來多少租金。過去只能依賴廠商報價、零散成交和自己的假設；有了公開曲線，貸款人可以隨市場變化調整抵押品估值，數據中心也更容易證明未來收入。

價格甚至會反過來影響企業選擇哪種晶片。假如 Nvidia GPU 的租賃成交更多、指數更可靠、對沖工具也更活躍，銀行會更願意接受它作為抵押品，持有者也更容易在需要時出租或出售。設備因此更容易融資，更多買方又會繼續選擇它。這種圍繞 Nvidia 聚集的交易流動性，可能成為競爭對手難以複製的優勢。

一條價格曲線因此服務的不只有交易者。它讓使用者更早知道成本，讓持有者更早確定收入，也讓貸款人敢於給設備和數據中心定價。