當算力商品化，GPU 期貨市場還要等多久？

作者：Caleb Shack、Alana Levin

編譯：佳歡，ChainCatcher

在 Variant，我們熱衷於探索新興市場。新興資產類別、金融產品、資產發行、市場准入的擴大以及新穎的參與方式，都深深植根於我們的創立基因中。

近期，我們一直在思考圍繞算力構建的市場。

獲取算力是一個龐大且不斷增長的領域，而這個領域可以說已經具備進一步金融化的條件。

然而，算力的供需動態高度複雜、不透明且不斷演變。關於市場時機、結構，甚至交易的具體資產到底是什麼，仍存在諸多未解之謎。

在激辯與探討這些問題的過程中，我們希望分享一個新興的分析框架，以此作為思考算力市場的一扇窗口。

新期貨市場的誕生通常需要具備以下五個先決條件：

• 供給端碎片化
• 持續的價格波動
• 某種形式的實物結算基礎設施
• 標準化、可交易的單位
• 缺乏用於價格發現或對沖的替代品

我們的框架將當前算力市場的格局置於這五個維度中進行審視。我們借用歷史類比來解釋每個維度的重要性，並預測市場何時能達到爆發的臨界點。

核心要點簡述

快速瀏覽該框架便會發現，如今的算力市場尚缺乏維持穩健期貨市場所需的成熟度。

（儘管如此，該市場充滿活力，許多初創公司正積極致力於改變現狀；如果你正在做這件事，請聯繫我們！）

以下是我們目前在五個維度上對算力期貨市場的評分：

• 供給端碎片化：🔴 供給被超大規模雲服務商高度壟斷
• 價格波動：🟢 GPU價格極具波動性
• 實物結算基礎設施：🟢 OTC經紀商層面已具備實物結算基礎設施
• 標準化：🔴 算力缺乏標準化、可交易的單位
• 缺乏替代品：🟡 垂直整合的供應商可內部對沖，其他參與者只能被迫做多

一、供給端碎片化（算力評分：🔴）

期貨市場是價格發現的機制。

在壟斷供給下，價格發現失去了存在的必要，因為價格由少數大型供應商決定，從而消除了任何定價的不確定性。

縱觀歷史，這種情況屢見不鮮。

石油期貨只有在供給端卡特爾（如"七姐妹"，即20世紀中期主導全球石油的七大跨國巨頭）實力削弱後才得以壯大。

電力市場則是在政府放鬆管制、打破壟斷定價並允許獨立生產商進入市場後才形成的。供給端的碎片化推動了期貨市場成為價格發現的重要場所。

審視當今的算力動態，供給端顯得相對集中。

四大雲巨頭（如AWS、Azure、GCP、Oracle）控制了全球約78%的自建關鍵IT電力容量，以及約69%的H100供應量（按原文測算，假設2025年Q4存在1240萬塊H100）。

由此我們推斷，他們同樣主導著全球算力時長供給。供給並未呈現碎片化。

儘管如此，我們仍在思考可能改變這一動態的因素。

新雲廠商正在湧現。新的芯片架構為其他供應商贏取市場份額創造了機會。

主要實驗室的一些長期簽約產能可能最終未被充分利用，意味著這些實驗室最終可能轉身成為市場上的算力供應商或賣家。

因此，儘管我們對未來的集中程度尚不確定，但目前的判斷是：市場供給端的發展方向將比現在更加碎片化。

二、價格波動（算力評分：🟢）

彭博終端上的Ornn H100指數

期貨市場的另一個先決條件是標的資產具有高度波動性。

如果沒有顯著的價格不確定性，對沖者就缺乏動力去防範波動風險。

波動性也會吸引投機者，他們能從巨大的價格波動中獲利。如果市場平穩或可預測，投機者就會將目光轉向其他市場。

我們在20世紀50年代的石油市場中看到了這種情況。

當時由於石油供過於求，蘇聯掛出的價格低於"七姐妹"的掛牌價。"七姐妹"隨即在未通知中東產油國的情況下降低了該地區的價格。

由此引發的連鎖衝擊導致中東石油國有化、OPEC的成立，以及全球石油價格不確定性的加劇。隨後，石油的波動又引發了20世紀70年代電力市場的波動。

算力定價過去是、未來也將繼續是波動的。

新供應推向市場的速度是不確定的。新的芯片或數據中心架構可能會提高特定任務的Token效率。需求持續激增，且以無法預測的方式擴張。

我們非常有信心，這一先決條件如今已經具備。

三、實物結算基礎設施（算力評分：🟢）

為了讓市場高效運作，買方必須确信他們能夠在規定的日期和時間接收並消耗標的工具。

這需要基礎設施的支持：聚合供應、確保可靠交付、清算交易、處理抵押品和管理結算的機制。這些工作通常由中間商或經紀人承擔。

在電力市場中，這些任務由獨立系統運營商負責，它們作為中立的第三方，發揮著準政府實體的作用。

目前的算力市場尚無完全對等的角色，但我們的假設是：算力經紀商或OTC櫃台正開始（並越來越傾向於）承擔上述諸多職能。

如今，經紀商正在圍繞算力購買和租賃協議構建指數和數據聚合工具，以錨定市場價格。

Ornn和Silicon Data已經開始發布數據中心級GPU的價格數據。

經紀商群體也在就合同協議形成共識，這類似於SAFE協議標準化了早期融資條款。這些工具完善了底層的實物結算基礎設施------而在此之前，這些協調工作很大程度上還停留在群聊中。

我們給實物結算基礎設施打出綠分，因為它為價格發現奠定了基石。

但與成熟的現貨市場相比，它遠談不上完善。這些購買行為發生在基礎設施層面，並非所有市場參與者都有權在購買後公開轉售。我們正在密切關注該層面新市場創建的進展。

四、標準化（算力評分：🔴）

新商品面臨的一個主要挑戰，通常是其單位的獨特性和不可替代程度。

過多的變量可能將流動性分散到眾多市場中，或導致基差風險過高，無法滿足大多數對沖和交割需求。

例如，原油是根據密度和含硫量來衡量的，這因產地而異。

NYMEX憑藉其WTI指數（輕質低硫油）找到了產品市場契合點，因為它鎖定了一個可服務於全球上游市場的標準，甚至被下游市場（如航空公司）用於對沖。

電力則按地區實行標準化，考量了因溫度、人口密度等因素而不同的供需波動。

算力市場缺乏能夠滿足一般對沖需求的標準化水平。

挑戰在於：一個H100實例並不總是等同於另一個H100實例。

地區（以及當地電力輸入）、整機配置（即硬體和網路組件）以及期限（即合同持續時間）等因素，加劇了GPU實例定價的差異性。

不過，我們已看到了標準化的早期跡象，尤其是當需求來自長尾（即非前沿實驗室）推理時。

與訓練不同，推理工作負載所需的細微差異要少得多，並且可以在分佈式而非同址部署的環境中運行。

如果推理供應分散到許多供應商中，例如開源權重模型增加了市場份額，標準化就可能應運而生。

五、缺乏替代品（算力評分：🟡）

這是市場形成過程中一個不易察覺卻常被忽視的要點。

期貨市場的建立是為了服務對沖者。如果存在具有充足流動性且基差風險可忽略不計的替代品，那麼替代合約將無人問津。

一個教科書般的例子是航空燃油期貨缺乏採用------因為WTI和其他上游指數已充分滿足了需求。

在電力相關領域，基於溫度的期貨以失敗告終，因為市場參與者發現，對沖價格波動的結果（電力）比對沖其原因（溫度）更有效率。

如今，模型提供商通過長期租賃協議或合資企業來對沖算力風險，這些協議通常採用"照付不議"的形式，即用現貨價格風險敞口換取交易對手風險。

超大規模雲服務商通常實物擁有其部署的GPU。

另一方面，長尾供應商既缺乏獲得優惠租賃條款的合同籌碼，又缺乏資金建立自己的垂直化基礎設施，因此首當其衝地承受著現貨市場波動的衝擊。

從市場角度來看，不存在替代品；然而，控制供應的參與者可以通過垂直整合進行內部對沖。

綜合判斷

綜合計分卡來看，算力要支撐一個穩健的期貨市場可能為時尚早。

這個市場擁有吸引投機者的波動性，以及支持交易的早期結算基礎設施，但缺乏在大規模範圍內進行真正價格發現所需的供給碎片化和標準化。

大多數交易發生在OTC端。

經紀商正在構建價格源，Ornn和Silicon Data正在發布指數，群聊交易正在被規範為合同模板。

這並非毫無意義，但它尚未成為像WTI或PJM那樣成型的市場。交易量太小，合同太定制化，且供應過於集中，導致現有基礎設施無法大規模清算。

解讀該框架的正確方式，是將其作為一種診斷工具，而非最終結論。它告訴我們缺少了什麼，而不是什么是不可能的。

待解之謎

市場將以我們目前尚不確定的方式發展。

我們有許多未解之謎和一些初步假設。這些假設是試探性的，需要進一步的驗證或推翻。下面，我們將闡述這些假設的最強論點。

▍未來1-2年，市場供給端會變得更加碎片化還是更加集中？

我們預計會出現適度的碎片化。

新雲廠商上線新產能的速度比任何其他類別都要快。

隨著電力成為核心約束條件，新區域正在啟用，這有利於那些能在廉價電力附近（而非現有超大規模雲服務商足跡附近）建立產能的運營商。

財富2000強企業甚至在支撐小規模數據中心。這一領域的擴張似乎是不可避免的。

然而，標準的商業模式依賴於與可靠交易對手（如超大規模雲服務商和前沿實驗室）簽訂的大規模、長期合同。

Hyperbolic和SF compute等雲經紀服務提供商則反其道而行之，提供按小時計費的產能。

這些企業服務於AI原生初創公司、在開源權重上運行推理的應用層公司，以及沒有前沿級預算的研究實驗室的長尾算力需求。

我們相信，開源權重的採用尤其將導致算力產能進一步碎片化------因為供應將從前沿實驗室和超大規模雲服務商那裡"去垂直化"。

▍標準化將如何展開？

指數提供商正在圍繞每小時GPU實例成本制定標準。

這些數據源表示的是粗略估計，而非精確價格。

實例價格因諸多因素而異，包括地區、整機配置和期限，這使得標準化價格難以實現。

整機配置的差異化尤其突出，這是數據中心為定制化工作負載量身定制，以及超大規模雲服務商為了生態系統鎖定而非市場統一進行優化的結果。

當存在統一的市場需求時，標準就會出現。

WTI標準獲得採用，是因為它服務於汽油、柴油和航空燃油等廣泛的下游煉化產品。

如今，算力需求由AI訓練和推理工作負載驅動。

訓練基礎設施是定制的，專門為大型集中式設施中計算密集型的長任務進行優化，這使得底層的算力實例幾乎不可替代。

另一方面，推理基礎設施需要更簡單的硬體規格和更少的能耗；它針對延遲進行優化，意味著基礎設施分佈在不同地區而非同址部署。

推理是同質化的，預計到2029年將達到AI算力需求的65%以上。我們猜測，圍繞服務該市場的算力基礎設施層面的優化，將導致供應商之間的算力要求趨於統一。

如果芯片級實例仍然存在差異，標準化的其他途徑可能是硬體級基準測試。

英偉達創建了MLPerf基準測試，用於對各種模型架構的推理和訓練性能進行評分。

在這個構想下，GPU實例交易的依據不是其硬體規格，而是其輸出的質量和效率。

▍未來1-2年內，有什麼會阻礙標準的出現？

我們認為，"圍牆花園"和定制化工作負載將扼殺標準化的嘗試。

在未來1-2年內，超大規模雲服務商和前沿實驗室將努力維持其在AI基礎設施和模型提供方面的統治地位。

如果兩者沒有解耦，他們將根據自身需求維護硬體，而各公司的需求各不相同。新芯片架構的採用將進一步打碎硬體規格，使標準的制定變得困難。

▍開源權重將如何獲得有意義的應用？

這是算力市場形成的最簡單途徑。

如今這些市場面臨的兩個核心瓶頸是供給端集中和缺乏標準化。

開源權重的廣泛採用使運行推理的能力民主化。

這反過來又為獨立運營商的形成創造了動機，並促進了為這些特定模型量身定制的基礎設施優化。

我們在比特幣挖礦中看到了同樣的故事：開源軟體催生了眾多礦工，並推動了圍繞硬體配置的標準化。

迄今為止，開源權重在性能上一直落後於閉源權重模型。

但如果這種趨勢持續下去，開源權重很快將達到我們今天在閉源模型中看到的性能門檻。

企業已經開始在其系統中廣泛嵌入閉源模型，並見證了生產力的大幅提升。在三個月內，同樣能夠提升生產力的模型，其價格可能只是目前的一小部分。

不過，大多數企業可能仍會傾向於選擇性能最優的模型。

我們認為，終有一天，前沿閉源模型對於其所承擔的任務而言會變得過於昂貴，企業將在不同模型之間優化智能配置。

需要記住的是，前沿實驗室目前是虧本提供推理服務的，他們最終必須漲價才能維持運營。屆時，開源權重將迎來屬於自己的時刻。

▍最終交易的計價單位會是什麼？

算力大致可以分解為三層：芯片、芯片實例小時、Token。

芯片層面------供給高度集中。

ASML壟斷了台積電使用的光刻機，台積電壟斷了英偉達使用的芯片代工廠，英偉達則壟斷了前沿芯片設計。

此外，芯片只有接入電源並保持高在線時間才有用武之地。這使我們相信，單個、可交付的芯片不會成為最終的計價單位。

芯片實例小時層面------是指芯片可被實際使用的時間段。

這可以說是芯片最有價值的狀態，也是本文所討論的核心層。

在這一層，只要存在圍繞算力資源的足夠需求，算力作為商品的表現就會類似於電力。

我們設想算力將以類似電力和其他公用事業的方式進行交易：在區域性合約中實現標準化（算力是電力的函數），並在此基礎上疊加現貨市場和期貨市場用於對沖。在"芯片實例小時"這一格式下，這是可以實現的。

Token層面------是算力實例的下游產物，也可能成為最終的計價單位。

如果Token是驅動算力實例的主要因素，那麼Token市場將為需求側提供對沖成本的方式，並使供給側鎖定收入。

供給側可以通過持續的長期合同或垂直整合來對沖成本，並保持集中度。

然而，Token在不同模型之間並不統一。每個模型都有自己的文本切分標準，並產生各異的輸出，使其在不同用例之間無法完全互換。儘管如此，我們仍在密切關注這一領域的發展。