本文为 OKX Ventures 出品的深度研报。由于篇幅较长，分为上下两篇发布：上篇聚焦算力资产化、风险敞口与衍生品定价逻辑；下篇将重点分析算力金融基础设施、推理资产化机会及行业趋势。本篇为上篇。
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。