芝商所 10 月推算力期货，Chamath：万亿美元新资产

据 Woofun AI 消息，贝莱德（BlackRock）CEO Larry Fink 曾预言算力将成为 AI 时代的关键金融标的，如今这一构想正由芝商所（CME Group）与 Silicon Data 联手推向现实，双方计划在监管审查通过后，于 2026 年 10 月 5 日正式推出'算力期货（Compute Futures）'。知名创投人、Social Capital 创始人 Chamath Palihapitiya 近日发布长文《The Next Trillion-Dollar Futures Market》，深入剖析了这一变革：GPU 算力有望从科技公司的内部运营成本，演变为像石油、天然气那样可定价、可避险甚至可投机交易的大宗商品，进而可能催生一个名义交易规模达数万亿美元的全新资产类别。

算力市场亟需金融化机制的深层动因，在于 AI 基础设施支出的爆炸式增长。Chamath 援引数据指出，2026 年全球 AI 资本支出（Capex）已达 7650 亿美元，这一数字首次超越了石油与天然气行业的 6810 亿美元，标志着算力基建在宏观资本配置中占据了主导地位。更惊人的是，预计到 2031 年，AI 资本支出还将接近翻倍。Morgan Stanley 的评估进一步放大了这一趋势的经济影响力，认为随着 AI 向全球经济各角落扩散，其可能创造约 40 万亿美元的经济机会。

然而，当前企业花费数十亿甚至数百亿美元建设 AI 基础设施时，却缺乏成熟的金融工具来对冲算力价格波动。这与成熟的能源市场形成鲜明反差：石油生产商可通过期货提前锁定售价以规避现货价格下跌风险，航空公司和制造商等买方也能通过期货锁定能源成本。相比之下，AI 基建投资者目前只能被动承受价格不确定性，这种金融工具的缺失成为了行业规模化发展的潜在瓶颈。

Chamath 认为，AI 基础设施建设目前至少面临三种主要价格风险，这些痛点正是算力期货试图解决的核心问题。首先是 GPU 租赁价格的高度波动性。当市场突然出现大量 AI 训练或推理需求时，GPU 租金可能快速飙升；反之，当供给增加，或 NVIDIA 推出新一代芯片后，旧世代 GPU 的租赁价格又可能迅速下滑。第二个风险来自硬件折旧与融资成本的联动效应。每当 NVIDIA 推出性能更强的新芯片，前一代 GPU 的租赁价值可能下降，而以这些硬件作为抵押品的贷款，其担保品价值也会跟着缩水，从而引发融资链上的连锁反应。

第三个风险则是数据中心建设周期的时间错配。大型数据中心从规划到完工可能需要两至三年，但开发商今天投入数十亿美元时，几乎无法提前锁定两三年后这些 GPU 算力究竟能以什么价格出租。每建一座 AI 数据中心，本质上都在同时押注未来的电力、芯片、AI 需求与算力价格。若 Compute Futures 成立，数据中心、GPU 云服务商乃至 AI 公司，理论上就能把其中一部分价格风险转移到金融市场，从而优化资本效率。

Woofun AI 整理数据显示，这种风险转移机制若能有效运行，将显著降低 AI 基建项目的整体融资成本与不确定性。

然而，Chamath 也提醒，稀缺资源并不是只要建立期货合约，就一定能形成成功市场。历史上，洋葱、铀、DRAM 内存甚至网络带宽，都曾出现建立期货或类似衍生品市场的尝试，却遭遇不同程度的困难。其中最重要的两个障碍是：市场集中度（Concentration）与商品可互换性（Interchangeability）。算力在第一个问题上的情况相当特殊。需求端正在快速分散，随着 AI 从模型训练进入大规模推理，未来可能有数千家公司持续购买算力。供应端表面上也逐渐分散，Chamath 指出，2025 年超过 60 家 Neocloud 业者的营收已突破 250 亿美元。

然而更底层的 GPU 供应仍高度集中，NVIDIA 依然掌握 AI 芯片市场的主要供应。因此，算力市场虽然可能存在大量买家与云服务卖家，最核心的硬件供给却仍具有高度集中性。

此外，目前 GPU 市场通常使用'GPU-hour'报价，即租用一张 GPU 一小时的费用。但这种计价方式存在根本缺陷：同样一张 GPU 跑一个小时，不代表真的能完成相同工作量。Silicon Data 与学术研究者合作，在 11 家云服务商、共 3500 张 GPU 上执行相同工作负载，结果发现即使是相同型号的芯片，实际性能仍存在明显差异。其中 H100 在一项测试中的性能差距最高达 34.5%，整体研究观察到的最大差距甚至达到 38%。

如果买进一份'100 小时 H100 算力'期货，但不同供应商提供的实际运算能力可能相差三成以上，那么这个商品就不像一桶标准化原油那么容易被交易。因此 Chamath 认为，早期 Compute Futures 最终可能需要建立不同'等级（Grades）'的算力规格，这与能源市场类似：不同燃料种类、品质、交割地点与交割月份，都可能形成不同合约。

CME 推出 Compute Futures 的意义，远不止于增加一种新的期货商品，其真正试图解决的是如何将高度异质化的 GPU 运算能力，转换成金融市场可以标准化定价的商品。AI 公司可以借此锁定未来算力成本；Neocloud 可以提前锁定 GPU 出租收入；数据中心开发商可以降低两三年建设周期带来的价格风险；GPU 融资业者也可能利用衍生品管理硬件残值风险。

而当避险者进入市场后，做市商、套利者、投机者与金融机构也可能随之加入，形成流动性充沛的交易生态。届时交易的就不只是 GPU 硬件本身，而是未来某个时间点取得特定运算能力的价格预期。为了研究'Compute 能否成为下一个万亿美元级资产类别'这一问题，Chamath 表示，其团队与为 CME Compute Futures 提供价格指数基础的 Silicon Data 合作，完成了一份长达 129 页的研究报告。

该研究涵盖算力成为资产类别后可能形成的市场规模、历史上其他稀缺资源期货市场成功与失败的原因、金融市场究竟该如何定义 Compute，以及目前市场正在测试哪些算力计价单位等问题。从 NVIDIA、GPU 云服务商、Hyperscaler、AI Lab、数据中心开发商，到提供 GPU 融资的金融机构，都存在管理未来算力价格的需求。

这一金融基础设施的完善，或将标志着算力正式从技术资源跃升为独立的金融资产类别，重塑全球资本对 AI 时代的定价逻辑。