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、資料中心和電力，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、熟人勾兌和線下合約裡。
算力的金融化正在轟轟烈烈地展開。
在大模型出現以前，企業取得運算能力主要有兩種方式：自己購買伺服器，或者向雲端供應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、地區和合約期限的價格開始分化，雲端供應商的報價也會隨供需快速變動。
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 會從雲端供應商和經紀商手中預購 GPU，超大規模雲端供應商之間也會互相預留資源。合約短則按小時租用，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，他再從關係網路裡替你尋找庫存。經紀商依靠資訊差賺錢，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螢幕上。
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，資料中心無法提前鎖定出租價格，貸款人也缺少即時更新的資料，評估抵押 GPU 正在以多快速度折價。
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，超大規模雲端供應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 年前全球資料中心資本支出約為 2.9 萬億美元，其中約 2.5 萬億美元用於服務 AI。McKinsey 對 2030 年前資料中心資本支出的估計是 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。
這些數字採用不同年份和統計口徑，有的包含資料中心，有的同時計算算力與電力。共同之處在於，計算與硬體佔各家估算的 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效能，供應緊張卻讓舊晶片繼續保有租賃價值。資料中心需要把鉅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。
超大規模雲端供應商、大型資料中心和 GPU 持有者手裡有庫存，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，市場因而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 從真實 GPU 租賃成交中萃取價格，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，並將資料送入彭博終端。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。誰能把分散的交易資料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 作為資料提供商，計劃推出以每日 GPU 租賃基準結算的算力期貨。紐約證券交易所母公司 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、雲端供應商、資料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審批，預測市場已經給出了期限結構。
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，雲端帳單雖然變貴，合約上的收益卻能補回一部分差額。資料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。賣出遠期曝險，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。一家資料中心拿 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，資料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，持有人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資料中心定價。
第一個問題是指數。
Ornn 強調真實成交，Silicon Data 關注按需租賃價格，其他方案還會對能源成本進行標準化。每一種方法都保留部分資訊，同時捨棄另一部分。沒有任何指數能同時涵蓋晶片、地區、期限、網路和交易對手。
與此同時，晶片也會快速換代。
石油的度量衡可以一直使用下去，GPU 市場卻從 H100 升級到 H200、B200、GB200 和 Rubin。AMD、Google TPU、Amazon Trainium 與專用晶片持續將算力需求分流。舊指數何時退場、新舊晶片如何銜接，會持續改變合約的底層標的物本身。
第二個問題是交割。
現金結算合約到期後只算錢，不交付 GPU。需要控制成本的公司可以用合約收益抵消租金上漲，但已經向客戶承諾容量的 neocloud 仍然要自己去市場上找卡。
另一個風險來自成交數量。
GPU 租賃市場每天公開記錄的真實交易量可能很少，供給又集中在少數賣方手中。這樣一來，單筆交易就可能明顯拉動指數，掌握供給的一方也更容易影響最終結算價格。
這也是用預測市場繪製出的曲線的問題。
傳統遠期曲線依靠交割或現貨交換機制把期貨價格拉回真實供需。預測市場的二元合約缺少這條通道，曲線表達的是參與者預期，尚未成為可交割、可套利的容量價格。
第三個問題是流動性。
賣方偏愛長期合約，因為資料中心希望提前鎖定收入；買方偏愛短期合約，因為 AI 公司需要保留更換晶片和供應商的自由。雙方在期限上的需求天然錯位。經紀商和大型持有者又從不透明市場中獲利，缺乏動力主動把所有交易放到公開市場中進行。
儘管有重重阻礙，但算力市場對公開價格的需求不會倒退。也許過不了多久，我們將看到關於某位聰明錢在鏈上「五倍做多算力」的報導
點擊了解律動 BlockBeats 在招崗位
歡迎加入律動 BlockBeats 官方社群：
Telegram 訂閱群：https://t.me/theblockbeats
Telegram 交流群：https://t.me/BlockBeats_App
Twitter 官方帳號：https://twitter.com/BlockBeatsAsia
122.37萬 熱度
12.75萬 熱度
22.21萬 熱度
95.36萬 熱度
2915.39萬 熱度
一塊英偉達 GPU 算力的金融時刻
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、資料中心和電力，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、熟人勾兌和線下合約裡。
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，企業取得運算能力主要有兩種方式：自己購買伺服器，或者向雲端供應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、地區和合約期限的價格開始分化，雲端供應商的報價也會隨供需快速變動。
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 會從雲端供應商和經紀商手中預購 GPU，超大規模雲端供應商之間也會互相預留資源。合約短則按小時租用，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，他再從關係網路裡替你尋找庫存。經紀商依靠資訊差賺錢，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螢幕上。
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，資料中心無法提前鎖定出租價格，貸款人也缺少即時更新的資料，評估抵押 GPU 正在以多快速度折價。
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，超大規模雲端供應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 年前全球資料中心資本支出約為 2.9 萬億美元，其中約 2.5 萬億美元用於服務 AI。McKinsey 對 2030 年前資料中心資本支出的估計是 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。
這些數字採用不同年份和統計口徑，有的包含資料中心，有的同時計算算力與電力。共同之處在於，計算與硬體佔各家估算的 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效能，供應緊張卻讓舊晶片繼續保有租賃價值。資料中心需要把鉅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。
超大規模雲端供應商、大型資料中心和 GPU 持有者手裡有庫存，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，市場因而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 從真實 GPU 租賃成交中萃取價格，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，並將資料送入彭博終端。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。誰能把分散的交易資料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 作為資料提供商，計劃推出以每日 GPU 租賃基準結算的算力期貨。紐約證券交易所母公司 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、雲端供應商、資料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審批，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，雲端帳單雖然變貴，合約上的收益卻能補回一部分差額。資料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。賣出遠期曝險，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。一家資料中心拿 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，資料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，持有人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資料中心定價。
瓶頸 & 挑戰
第一個問題是指數。
Ornn 強調真實成交，Silicon Data 關注按需租賃價格，其他方案還會對能源成本進行標準化。每一種方法都保留部分資訊，同時捨棄另一部分。沒有任何指數能同時涵蓋晶片、地區、期限、網路和交易對手。
與此同時，晶片也會快速換代。
石油的度量衡可以一直使用下去，GPU 市場卻從 H100 升級到 H200、B200、GB200 和 Rubin。AMD、Google TPU、Amazon Trainium 與專用晶片持續將算力需求分流。舊指數何時退場、新舊晶片如何銜接，會持續改變合約的底層標的物本身。
第二個問題是交割。
現金結算合約到期後只算錢，不交付 GPU。需要控制成本的公司可以用合約收益抵消租金上漲，但已經向客戶承諾容量的 neocloud 仍然要自己去市場上找卡。
另一個風險來自成交數量。
GPU 租賃市場每天公開記錄的真實交易量可能很少，供給又集中在少數賣方手中。這樣一來，單筆交易就可能明顯拉動指數，掌握供給的一方也更容易影響最終結算價格。
這也是用預測市場繪製出的曲線的問題。
傳統遠期曲線依靠交割或現貨交換機制把期貨價格拉回真實供需。預測市場的二元合約缺少這條通道，曲線表達的是參與者預期，尚未成為可交割、可套利的容量價格。
第三個問題是流動性。
賣方偏愛長期合約，因為資料中心希望提前鎖定收入；買方偏愛短期合約，因為 AI 公司需要保留更換晶片和供應商的自由。雙方在期限上的需求天然錯位。經紀商和大型持有者又從不透明市場中獲利，缺乏動力主動把所有交易放到公開市場中進行。
儘管有重重阻礙，但算力市場對公開價格的需求不會倒退。也許過不了多久，我們將看到關於某位聰明錢在鏈上「五倍做多算力」的報導
點擊了解律動 BlockBeats 在招崗位
歡迎加入律動 BlockBeats 官方社群：
Telegram 訂閱群：https://t.me/theblockbeats
Telegram 交流群：https://t.me/BlockBeats_App
Twitter 官方帳號：https://twitter.com/BlockBeatsAsia