作者：OKX Ventures

算力正在从 IT 成本变成资本资产，而未来租金与残值的不确定性，正使其成为新的金融风险敞口。

引言：算力的资产化与风险敞口

AI 基础设施正在进入资本密集型扩张阶段，算力的经济属性也随之改变。过去企业更多把算力视为按需采购的 IT 成本；现在，GPU、数据中心容量和多年期采购合同越来越多地进入资产负债表，算力开始具备资本资产的特征：前期投入大、资金回收需要几年，未来收入和设备价值又会持续受到供需和技术迭代影响。

GPU 采购和数据中心建设也越来越依赖债务资金。今天的 GPU 信贷已经可以依靠设备抵押和长期客户合同完成融资，但市场仍缺少公开、标准化的 GPU-hour 远期价格和对冲工具。债务需要按既定节奏偿还，而几年后这批 GPU 能收多少租金、还能值多少钱，都取决于届时的市场。杠杆越高，这种价格不确定性对偿债和再融资的影响就越大。

一、背景：算力市场资本结构

1.1 算力扩张开始进入杠杆阶段

过去几年，AI 基础设施最值得关注的变化之一，是资本开支开始快于企业内部现金流扩张。2020–2023 年，Top 5 云厂商的 AI 相关 CapEx 占经营现金流的比例大致仍在 20%–30%，到 2025 年已经接近 94%。进入 2026 年，Top 5 云厂商已确认的 CapEx 规模合计超过 7000 亿美元。

这些公司仍然拥有很强的现金创造能力，但当基础设施建设长期以数千亿美元规模扩张时，债务资本自然会承担更大的角色。算力资产开始形成一套独立的融资逻辑。

GPU、服务器和数据中心需要在收入发生之前投入资金，而 Neocloud 等算力运营商通常没有 Hyperscaler 那样成熟的主体信用。放贷方因此逐渐把融资判断落到项目本身：未来现金流是否足够稳定，能否覆盖债务本息，违约以后又能回收多少资产价值。

Take or Pay 长约是这套结构能够成立的关键。客户即使没有完全使用已经预订的容量，也需要按照合同支付约定费用。对于运营商，这相当于提前锁定一部分未来收入；对于贷款人，它把高度不确定的 GPU 利用率，转换成了一条更容易预测的合同现金流。

CoreWeave 是这套模式最典型的案例 (其超过98%的收入来自Take or Pay条款合同)。随着投资级客户的多年期合同占比提高，其融资越来越依赖承购方信用和合同覆盖率。Nebius、IREN 等拥有大型客户长约的运营商随后也开始采用类似结构。

这改变了 GPU 信贷的风险排序。贷款人首先判断看合同现金流能否覆盖债务，最后评估违约以后 GPU 能回收多少。GPU 数量决定抵押物规模，长期订单进一步决定这批资产能够获得什么样的融资条件。

1.2 现金流被锁定后，剩下的是资产价格风险

Take or Pay 提高了偿债现金流的可见性，GPU 本身的经济价值仍然会持续变化。几年以后，这批设备还能产生多少收入、值多少钱，依然是留在资产负债表上的风险。

GPU 同时具有生产设备和技术产品两种属性。它能够持续产生租金，却又处于极快的技术迭代周期。新一代芯片推出以后，上一代设备受到的影响会逐渐反映在租金、利用率、续约价格和二手市场价值上。

因此，GPU 的会计折旧和经济折旧很难完全一致。会计可以按照固定年限摊销设备成本，市场每天都在重新判断一张 GPU 还能生产多少具有竞争力的算力。对于贷款人，核心变量最终会落到剩余贷款期限内的现金流，以及违约时能够回收多少价值。(围绕大型云厂商的数据中心资产折旧政策，市场已经出现质疑）

这也解释了为什么当前 GPU 信贷可以在租金下跌时暂时保持稳定。只要承购客户继续履约，现货价格变化未必立刻影响当期偿债；风险更多会集中在合同续约、再融资和违约处置几个节点。到了这些时点，GPU 的市场租金和残值会重新决定贷款的安全垫。

如果租金和设备价值下降得比贷款本金摊还更快，LTV 会重新上升，贷款的安全垫随之收窄。长期合同可以把风险向后推，却无法锁定设备整个生命周期内的经济价值。

当前算力信贷结构的缺口也因此很清楚：合同锁住了部分客户付款，GPU 的市场价格仍然浮动。

市场目前主要依靠多年期容量合同提前锁价。早期 H100 一年期合同相对现货存在明显折价，而随着现货价格下行、远期合同价格回升，两者价差已经大幅收窄。供给改善和合同条款变化都会影响这一结果，但它同时反映出一个更基础的问题：在缺少标准化远期、期货和掉期工具的情况下，产业参与者只能让长期实体合同同时承担采购和价格管理两种功能。

长约可以完成单个交易双方之间的风险分配；当市场需要持续形成公开价格、跨机构转移风险时，就需要进一步的标准化金融工具。 随着越来越多 GPU 资产由债务资本支撑，这一需求会越来越明显。

二、算力市场真正需要交易的是什么？

算力一旦进入资本结构，价格波动就开始有了明确的承担方。Neocloud 持有租金下跌风险，AI 公司持有采购成本上涨风险，债权人持有残值和再融资风险。衍生品市场往往就是从这些资产负债表无法自行消化的风险开始真正形成。

2.1 三类参与者与风险敞口

算力价格波动最终会落到三类资产负债表上。Neocloud 前期锁定 GPU、机房和融资成本，未来租金仍会重新定价；长约覆盖不足时，租金下跌会很快压缩 EBITDA 和 DSCR，因此最有动力卖出远期、提前锁定收入。AI 实验室和推理平台处在另一侧，GPU 涨价会直接侵蚀毛利，而且市场紧缺时价格和容量风险往往同时出现，因此它们需要同时锁定成本和可用容量。贷款人更关心贷款余额与 GPU 经济价值之间还剩多少安全垫，缺少公开指数和远期曲线，LTV、再融资和 covenant 都很难动态管理。随着套保要求逐渐进入贷款条款，算力衍生品的需求也会从企业主动管理风险，进一步进入融资体系。

2.2 潜在市场规模：哪些风险敞口会进入衍生品市场

如果直接用全球 GPU 出货量、数据中心 CapEx 或 AI 基础设施规模估算算力衍生品 TAM，结果很容易高出一个数量级。

真正能够进入衍生品市场的，是仍然暴露在市场价格下、又没有被其他方式吸收掉的那部分风险。

Hyperscaler 自建并内部使用的 GPU，很大一部分风险留在自己的资产负债表里；已经签下多年固定价格合同的容量，价格风险也提前在双边合同中完成了分配。它们都有经济风险，但未必需要每天进入市场交易。

因此，从全球算力需求到真正的衍生品 TAM，中间至少要经过几层过滤：

这也是为什么未来算力衍生品市场的大小，很可能和merchant compute 的占比关系更大，而不是和全球 GPU 装机量简单线性增长。

过去大量先进模型运行在少数大型实验室和 Hyperscaler 内部，算力采购同样高度内部化。随着开源模型性能提升，越来越多企业可以自行部署，或者把 workload 交给第三方 Neocloud 和推理平台。原本封闭在几个大资产负债表里的算力需求，会逐渐转化成公开市场上的采购订单。这也解释了为什么开源模型的发展值得关注:

第一，更多算力开始形成真实成交价格。 没有足够多的外部交易，指数很难形成，远期曲线更无从谈起。

第二，需求冲击会更快传导到现货市场。 一个热门模型发布以后，如果大量企业同时增加部署，新增需求会直接冲击第三方 GPU 容量，价格和可用率会快速变化。公开市场承担的边际需求越多，租金波动越有可能成为企业真正需要管理的 P&L 风险。

所以开源模型对算力金融化真正重要的地方，在于它可能提高市场化采购的比例。算力只有经过足够多的外部交易，才会逐渐形成一个值得被指数化、远期化和金融化的价格。最终决定算力衍生品市场规模的变量包括 1) 多少算力进入公开市场，2) 多少价格保持浮动，以及3) 其中多少风险无法继续留在原来的资产负债表上。

DeepSeek V4 发布后，H100 租金在两周内上涨约 7.5%；Kimi K3 和 GLM 5.2 上线前后，H100、H200 租金也出现类似的走强趋势。热门开源模型会在短时间内带来大量部署和推理需求，当这些新增负载主要由 Neocloud 和第三方推理平台承接时，市场往往先出现可用率下降、排队和配额收紧，随后反映到按需租金。

三、 产品与定价：如何给未来算力定价？

算力远期的难点在于，市场还没有形成一条足够可信的期限价格曲线。

GPU-hour 无法储存。今天闲置的一小时 H100，过了这个时间窗口就永久消失，也无法在现货便宜时提前买入、留到半年以后交割。传统商品依靠库存套利建立起来的现货—远期约束，在算力市场里天然弱很多。

这意味着六个月后的 GPU 应该以什么价格成交，会更依赖届时的芯片交付、机房和电力供给、模型效率以及真实订单强度。硬件延期可以迅速收紧未来容量，软件优化又可能在不增加 GPU 数量的情况下释放大量有效算力。一条算力远期曲线同时包含了市场对硬件供给、能源约束和算法进步的判断。

3.1 没有库存套利，远期价格更依赖预期和订单流

原油市场的期限结构有比较稳定的仓储套利约束。当远期价格明显高于现货价格加融资和仓储成本时，交易者可以直接买入现货、持有库存并卖出远期，价差因此很难长期脱离持有成本。

算力缺少 cash and carry 这层套利约束，现货价格对远期曲线的约束因此更弱。

未来价格因此会对边际信息非常敏感。Blackwell 延迟交付、数据中心送电推迟，会减少预期供给；模型蒸馏、推理优化或者新一代芯片提高单位计算效率，又会增加全网有效算力。很多变化都可能在几个月内重新改写远期供需。

这也提高了真实订单流的价值。公开现货报价只能告诉市场今天发生了什么，长期容量订单则能更早暴露未来供需。一家持续撮合 Neocloud 和 AI Lab 的 Broker 或 Dealer，能够看到哪些机房开始出现空余容量、哪些买家愿意为半年后的 GPU 支付溢价。这类信息最终会直接进入远期报价。

因此，算力指数的价值，在于把高度分散的非标报价压缩成一套可以被合同、信贷和衍生品共同引用的价格基准。如果某套指数能够持续进入长期容量合同、贷款估值、OTC 结算和期货交割，它就会逐渐成为整个市场共同使用的定价锚。后面指数商和 Dealer 能否建立壁垒，很大程度上取决于它们离真实成交和未来订单有多近。

3.2 GPU-hour 和 AI Token 的金融化节奏不会同步

AI 产业链里实际存在两层价格。上游卖 GPU capacity，中游推理平台把 GPU-hours 转换成模型调用，再向下游出售 AI Token、API 或具体 workload。

对推理平台而言，经营利润同时依赖两端。GPU 租金上涨会抬高输入成本，AI Token 售价下降又会压低收入。如果两端都形成可交易价格，推理平台理论上可以锁定一段 compute to intelligence spread，这和能源市场里炼油商管理 crack spread 的逻辑很接近。

不过， GPU-hour 和 AI Token 目前距离标准化的程度差很多。

GPU 虽然也有型号、地区、互联方式、集群规模和 SLA 的差异，至少可以围绕某一代芯片、交付期限和区域逐步定义标准规格。一张 H100 或 H200 在技术属性上仍然具有相对明确的边界。

而Token 更缺少稳定的经济单位。单纯按 Token 数量结算，很难把不同模型和不同服务质量放进同一份金融合约。同样一百万个 Token，可以来自完全不同能力的模型，也可能对应完全不同的延迟、吞吐和稳定性。企业大客户的实际采购价格还经常低于公开 API 报价，因此挂牌价格本身也很难直接作为金融结算基准。

此外，技术通缩进一步放大了AI Token 期限定价难度。模型架构、推理框架和硬件效率持续提高，同等质量任务所需的计算成本可能在很短时间里明显下降。期限一旦拉长，市场需要预测的已经不只是 Token 供需，还包括未来一单位“智能能力”究竟需要多少 Token 和多少 GPU。

由此，需求侧的标准化未必会直接从 Token futures 开始。更可能先出现的是模型篮子、Router 和 workload pricing：把一项 coding、search 或其他任务定义成相对稳定的服务单位，再由底层系统动态选择模型和 Provider。等这类 workload 有了足够多的真实成交，市场才有条件进一步形成指数和衍生品。

GPU-hour 更接近基础商品，workload 更接近最终经济需求。两者之间的标准化过程，会决定算力金融市场最终交易标的。

四、算力市场的金融基础设施：价格、风险与交割

算力金融市场的几层基础设施已经开始拼起来。指数把分散的 GPU 租金压成统一基准；交易所围绕基准组织标准化风险；Dealer 接下具体机房、期限和 SLA 带来的基差；容量平台再把金融头寸接回物理算力。这几层谁先积累足够多的真实订单和合同引用，谁就更接近早期市场的定价权。

4.1 算力指数：谁能成为默认参考价格

同一型号 GPU 的成交价仍会被集群规模、互联方式、地区、租期、预付比例、SLA 和供应商信用拉开。对指数商来说，难点在于能否把这些差异处理到市场愿意拿它做合同结算、贷款估值和衍生品交割。

目前大致能看到三种路线。Silicon Data、Ornn 更接近独立 benchmark provider，主要通过收集市场报价和合同数据，再做标准化处理形成基准；Compute Desk 兼做算力中介和结算，因此能直接看到已经成交的现货与远期合同，包括价格、期限和实际结算条件；SemiAnalysis 则从电力、芯片采购、折旧和机房成本出发做 TCO 建模，更适合资产估值和研究，离金融结算基准更远一些

4.2 场内交易/标准化期货：传统及新兴合规交易所进入算力市场

交易所提供的核心价值是标准化、清算和分销。对于 Neocloud、AI Lab 和私有信用机构，如果套保能够直接接入现有 FCM、保证金和清算体系，机构采用成本会明显降低。传统交易所和新兴合规平台也因此同时开始测试算力产品：CME、ICE 延续成熟期货基础设施，Architect AX/AIX、Pluto/PMEX 则在永续合约和固定到期期货上尝试不同路径。

算力期货的冷启动会比挂牌一张合约复杂很多。算力合约很容易碎片化。不同 GPU 型号、地区和集群配置对应的是不同的交付价值，流动性很难自然集中到一张合约里。 远端价格又高度依赖芯片交付、电力和模型效率，普通金融做市商缺少物理订单信息，很难在六个月或一年期限上持续给出有深度的报价。

产业对冲盘短期也未必足够大。Hyperscaler 可以内部吸收大量风险，头部 Neocloud 又已经用长约覆盖了相当一部分现金流。早期场内市场很可能先积累交易和投机流动性，产业套保能不能跟上，要看中小运营商和按需采购算力的 AI 团队是否开始持续、重复地交易。

4.3 场外交易、做市商：OTC 定制化和基差管理

在场内深度形成之前，大量风险更可能先通过 OTC 完成转移。物理算力的地区、网络、集群规模、SLA 和交付时间都很具体，很难直接塞进一张统一的交易所合约。

Dealer 因此处在一个很有价值的位置。一边是 Neocloud 希望提前锁定租金，另一边是 AI Lab 希望锁定采购成本，Dealer 可以分别给双方定制报价，再用标准期货或其他头寸管理整体价格风险。买卖需求在时间和规格上对不齐时，Dealer 还要先用自己的资产负债表接单。

这类业务赚的不只是 bid-ask spread。机房、电费、网络条件、交付约束和客户信用都会形成 basis，对这些非标差异持续定价，并愿意用资本承接风险，是 Dealer 更难复制的能力。 FalconX 与 Robert Leshner 的 H100 swap、Wintermute 推出的 H100 远期，可以看作做市商开始试水算力远期报价和风险转移的早期尝试。尝试。金融中间商开始为物理算力提供定制期限报价，并把无法标准化的部分留在自己的 book 里。

真实订单流因此很重要。指数告诉市场平均价格，Dealer 手里的询价和成交则更接近某个地区、配置和期限实际需要支付多少 premium；这部分信息直接决定 basis 怎么定价、利润留在哪里。

4.4 容量平台与物理交割：纸面头寸向实物的履约交割

对 AI Lab 来说，金融头寸锁住了价格，并不保证届时有一组符合要求的 GPU 可以使用。算力紧张时，这个区别尤其重要。没有物理履约能力，期货价格和真实机房租金很容易各走各的。

现在已经出现几种不同层级的尝试。Vast.ai、RunPod、Hyperbolic 这类现货平台提供了更丰富的物理报价和可用容量数据；SF Compute 允许已预订容量转售或回购，使长期容量合同具备了一定流动性；EFP 网络则尝试把标准期货和具体物理合同连接起来，用期货处理大盘价格，用线下合同处理地区、网络和 SLA。

SF Compute 这类模式尤其值得注意。传统 Take-or-Pay 合同里，未使用容量通常接近沉没成本；允许转售以后，未来容量开始具有可交易的权利属性。这会增加长期合同的流动性，也让物理市场本身出现更清楚的远期价格。

EFP 则解决另一层问题。AI Lab 可以先用标准期货锁定市场 beta，到了实际部署时，再通过履约网络寻找具体机房，并支付地区、网络和 SLA 对应的 basis。这样一来，金融市场无需把所有物理差异都塞进一张期货合约，也能服务真实的产业交割。

4.5 Inference Capital Markets：推理经济中的融资、服务权与收益权

GPU 被推理服务商转化成 Token 以后，金融需求开始从硬件租金延伸到推理业务的营运资金和合同权利。推理服务商如果希望锁定完整毛利，理论上需要同时管理 GPU 输入成本和 Token 输出价格。

推理服务商的利润大致等于: Token 实现价格 × 每 GPU-hour 的 Token 产出 × GPU 利用率 − GPU 成本 − 其他运营成本

4.5.1 推理经济资产出现的需求点是什么？

GPU 和容量需要提前采购，API 收入随客户请求随后逐步发生。需求判断偏高会留下闲置机器，也会占用现金。大型模型公司和 Hyperscaler 可以用自己的资产负债表吸收这段波动，但中小型推理平台容易依赖客户预付或者外部融资。

产能先于需求兑现的时间差催生了四类资产：GPU 信用为前期投入融资；预付服务权提前回收未来收入；产能激励在需求形成前补贴供给；模型部署资产尝试分配扣除运营成本后的剩余利润。

传统云市场很早就在用 prepaid credits 和 reserved capacity 处理类似的供需错配问题。如OpenAI 的 Scale Tier 就允许企业提前购买特定模型的 input 和 output Token 吞吐单位。这已经是一种标准化的预付推理服务，只是额度绑定企业账户，不能被自由转让。

Crypto 在链上增加了一层新的产权设计，原本记录在供应商账户里的服务额度可以由钱包持有，也可以进一步转让和融资。未来如果 Agent 开始自己采购推理服务，这类权利也可以直接进入机器的预算体系。随着程序化支付未来成为行业通用化的基础设施能力，链上更有辨识度的位置其实在权利层。一项未来服务能不能独立持有，能不能转让，能不能拿去融资，会直接影响它能否从普通 credits 发展成金融资产。

目前链上推理在执行层的份额仍然很小，crypto native 推理服务商过去三个月在 OpenRouter 日度 Token 流量中的占比大约只有 0.5%–1%。这也意味着链上现阶段更现实的机会可能出现在金融层，推理服务继续由效率最高的平台生产，链上负责资金和权利流转。

4.5.2 四类推理资产化的尝试

目前在Inference Capital Markets 分为四类权益资产化的方向

GPU 信用

GPU 信用最先形成规模，一方面是因为它已经有外部付款人，另一方面是它的金融产品结构非常接近传统信用资产，所以机构资本比较容易理解。

一笔典型 GPU 贷款仍沿用传统资产融资结构：GPU 由 Delaware SPV 持有，贷款方通过 Loan and Security Agreement、UCC-1 和数据中心 lien waiver 建立抵押权。链上记录贷款份额、还款和收益分配；一旦违约，债权执行仍要回到线下合同、设备控制和法院体系。

借款人部署 GPU 后，下游客户持续支付算力费用，这笔现金流支持贷款本息。只要承购合同继续履约，贷款就有明确的偿债来源。

不过，GPU 信用这个方向相对也最容易被传统资本吸收。随着未来 Senior 贷款具有标准期限、利率、LTV 和法律追索后，银行、保险资金和私募信贷的资本成本会远低于链上资金。大额、投资级、结构清楚的贷款最终大概率会进入传统银团、ABS 或私有信贷基金。

链上可以长期保留的位置主要在 TradFi 服务成本较高的部分，比如：中小型运营商的贷款发起、跨境稳定币资金、贷款份额分发、实时设备与利用率监控，以及承担初始损失的 junior 或 mezzanine 层。未来更可能出现的结构是，链上协议负责发现借款人、监控资产和组织第一批资本；贷款表现稳定后，Senior 部分出售给传统资金，链上继续持有服务费、次级风险和数据关系。

预付服务权

预付服务权解决的是发行方今天的资金需求。平台提前出售未来 API 容量，先收到现金，再在未来持续履约。期限一旦拉长，买方承担的平台风险也会越来越明显。几年后的模型是否还有竞争力？服务价格会降到什么水平？credits 的购买力能否维持？都会影响今天的估值。

所以这类产品后面更可能逐渐靠近标准化容量合同。期限会更短，服务标准会更清楚，模型也可以按照约定规则替换。合同越清楚，预付服务权越容易形成相对独立的市场价格。

此外，这里还存在一个逆向选择。拥有最好模型、客户需求最强、定价权最稳的平台，通常没有动力发行长期、可转让的推理权。它们更希望保留客户差别定价、未使用 credits 的收入和随时调整价格的能力。最需要提前出售长期服务权的，往往是需要融资和拉新、但未来竞争力尚未被证明的平台。

产能激励

产能激励解决的是推理网络早期的供给组织问题。节点需要提前配置 GPU 和模型，也要承担运维成本。需求侧还没有稳定形成时，节点没有足够动力提前上线，网络代币排放可以给供给侧一段收入保障，让网络先获得可用产能。

长期能不能成立还是要看外部客户付费能否逐步覆盖节点收入。协议可以验证一次推理任务确实被执行，也可以验证节点使用了指定模型，但计算发生本身不会产生经济价值。代币排放可以买到一段时间的供给，客户需求仍然需要真实订单来证明。

更合理的激励机制可能会逐渐和真实收入绑定。客户先用稳定币支付任务费用，节点完成推理并通过验证后获得收入，协议再根据外部收入提供额外奖励，并随着网络成熟逐步降低补贴。这样可以让排放承担冷启动成本，同时给市场一个更清楚的信号：节点收入中有多少来自客户，有多少仍然来自资本补贴。长期看，产能激励真正需要完成的是从用代币购买供给走向用客户收入养活供给，这个转换发生以后，网络才开始拥有独立于代币市场周期的经济基础。

单体模型收益权

模型收益权最接近前文所说的crack spread：

模型部署剩余利润 = API 收入 − GPU 成本 − 网络、存储和工程成本 − 获客与补贴

很多 Model Token 给持有人的主要是回购和质押激励，未必对应一项可以依法主张的收入权。API 收入与 Token 价值之间如果缺少清晰的合同关系，估值就很难形成稳定锚点。

模型寿命又进一步放大了这个问题。模型更新速度很快，一项资产刚完成融资和部署，底层模型可能已经被新的替代品追上。单一模型因此很难支撑一项长期金融资产。

更可能的发展方向，是把底层单位逐渐扩展到 workload strategy。比如一个 coding inference strategy 可以持续切换底层模型，根据质量和成本调整路由。这样持有人承接的是一套持续经营的推理策略，资产寿命跟着客户需求和工作负载走。

另外，如果这类产品以后要进入机构市场，还需要明确的法律实体、经审计的 API 收入和清晰的现金流 waterfall。缺少这些基础，Model Token 的估值仍会高度依赖未来使用量和发行方的回购政策。

4.5.3 Router 先于 Token 期货提供需求侧风险管理

Router 是推理金融化里被低估的一层。

企业最终关心的是一项任务要花多少钱。具体用了哪个模型，在很多场景下只是实现路径。Router 可以持续比较不同模型和 Provider，在价格变化时重新分配流量。底层服务原本高度异质，经过 Router 调度以后，替代性会逐渐提高。

这会直接影响需求侧衍生品的规模。很多成本波动可以先通过模型切换和软件优化消化。剩下无法通过这些方式处理的敞口，才更需要金融工具介入。

Router 还有一项很重要的数据优势：它能看到真实账单。公开 API 官价很难代表企业实际采购成本，Router 能看到客户到底支付了多少，也知道这笔价格对应什么样的服务质量。订单积累以后，这些数据有机会形成质量调整后的 workload cost index。

再往前一步，Router 可以直接向企业提供成本上限。比如企业提前锁定未来三个月 coding workload 的预算，Router 在后台管理模型选择和容量采购，需要时再通过 GPU 衍生品处理剩余风险。客户最终获得的是预算确定性，也不需要自己管理模型篮子、期货头寸和基差。这种产品可能比通用 Token 期货更符合企业采购习惯。Router 可以把底层复杂度留在内部，再给客户一个更稳定和可预测的价格。

Token 本身暂时没有形成统一标准，但Router 却可以围绕某种明确的工作负载持续寻找替代供给。交易积累到一定规模以后，workload 本身就可能成为新的价格单位。

如果这条路径成立，Router 会逐渐从流量分配工具延伸到采购和风险管理。它长期最有价值的资产也会越来越清楚：真实订单、真实成交价格，以及在不同模型之间管理成本和质量的能力。 workload 的价格标准很可能先在这一层形成，再进入指数和衍生品市场。

4.5.4 Crypto 的窗口在标准形成之前

一项权利还没有统一规格的时候，传统金融处理起来成本很高。合同金额较小，结构较碎，链上则可以更快实验新的产权形式。未来 Agent 如果开始直接持有和执行服务合同，这类基础设施的价值还会进一步提高。

当某类资产形成成熟合同以后，大额资金会逐渐进入银行和机构市场。Senior GPU 信贷已经能看到这个方向。标准化期货成熟以后，交易所和机构做市商也会进入。链上协议在这个窗口期更应积累真实订单流 (客户和交易数据) ，其合同标准和履约数据也会逐渐形成壁垒。

今天已经出现的产品，大致对应风险单位逐步标准化的不同阶段：

最早的产品仍然高度依赖某一家公司的信用。随着合同逐渐允许服务替换，发行方风险会下降。等市场能够稳定定义一篮子质量相近的 workload，需求侧指数才有机会形成。期货和期权需要建立在这类稳定风险单位之上。

Agent 可能进一步扩大链上合同的使用场景。如果未来软件开始自主购买推理服务，今天一份企业 API 合同会被拆成大量机器实时执行的采购决策。届时服务权持有，预算约束，履约验证等都会进入金融基础设施的设计范围。

推理层金融化最终要解决的是把高度定制化的 AI 服务逐渐变成资本市场能够理解和定价的权利。早期市场的定价权将依赖于谁率先定义这些权利。

五、总结

Timing/Why Now？

2026 年 CME、ICE 等传统金融机构开始密集进入算力定价和衍生品市场，市场基础设施已经开始搭建。相比交易所宣布了什么产品，我们更关注两个方向变化的节奏。

第一，债务正在更深地进入 AI 基础设施。 当 GPU 和数据中心更多依赖外部融资，租金波动就会直接影响 DSCR、LTV 和再融资条件。放贷方也有更强的动力把价格风险写进 covenant，要求运营商提前锁定一部分未来现金流。CoreWeave 的融资路径已经展示了合同覆盖率如何影响信用定价；如果类似融资结构继续扩散，私人信贷和银行很可能成为算力套保的重要推动力量。

第二，越来越多算力需求开始出现在公开采购市场。 开源模型降低了企业自行部署模型的门槛，第三方云、Neocloud 和推理平台承接的 workload 随之增加。公开市场承担的边际需求越多，GPU 租金越容易形成持续的价格发现，也会有更多企业直接暴露在租金波动下。

市场仍然偏早。GPU 迭代快，地区、网络、集群和合同期限又高度非标，早期交易大概率仍会集中在 OTC，由 Dealer 先承接客户需求和 basis。值得观察的 adoption signal，是产业客户有没有开始持续、重复地套保。

永续合约还是固定到期期货，谁更容易找到 PMF？

产业客户的风险通常有明确期限。半年训练项目、一年容量合同、数年 GPU 贷款，都需要一个对应期限的价格。固定到期期货在这方面更贴近企业风险管理，也更容易通过 EFP 与具体型号、地区和 SLA 的物理合同连接。

因此，永续合约更适合近端价格发现和交易流动性，固定到期期货更适合企业套保、期限价格和物理履约。

哪一层最可能先捕获商业价值？

短期内我们认为掌握物理订单流的 Broker / Dealer，以及控制推理订单流和调度的中游平台会更快地捕获商业价值。当前市场仍然经常为“有没有算力容量”支付很高的溢价，抢到卡带来的价值目前仍然远远高于优化几十个 BP 的套保成本。谁知道哪里有空卡、谁正在抢容量，又愿意用自己的 balance sheet 接单，谁就有机会同时赚到撮合费、bid-ask spread 和 basis premium。

随着市场交易逐渐标准化，价格指数的价值会越来越高，一旦某个 benchmark 被大量合同反复引用，迁移成本和网络效应都会迅速提高。

再往后，标准合约和产业套保规模足够大以后，交易所才会充分吃到清算、保证金和流动性网络带来的规模效应。