H100算力有期货 AI算力正成为新资产
AI行业正在迎来一个全新的变化：曾经被视为稀缺技术资源的GPU算力，如今已经开始出现远期交易的报价，人们开始讨论半年甚至三年后的H100算力到底值多少钱。
过去两三年间，全球AI产业围绕GPU的核心议题始终是“够不够用”：大模型企业竞相采购加速卡，云厂商加速扩张数据中心集群，创业公司排队租赁算力资源，资本市场也在持续测算头部芯片厂商的出货量天花板。但如今，行业的讨论焦点已经从“有没有GPU”，转向了“GPU算力应该如何定价，以及如何提前锁定未来的算力成本”。
2026年8月，美国商品期货交易委员会（CFTC）正式公开征求关于算力衍生品的意见，议题涵盖现货算力市场规范、市场操纵防范、投资者保护以及永续算力期货等多个方面。CFTC主席Michael Selig直言，若要在AI竞争中保持领先，美国需要建立健全的算力衍生品市场。
这并非监管机构的空想。早在征求意见之前，全球领先的衍生品交易所CME Group就已经和AI算力市场基础设施服务商Silicon Data宣布，计划推出以NVIDIA H100和B200 GPU租赁价格为底层标的的期货产品。Silicon Data刚刚完成3050万美元的A轮融资，投资方不仅包含传统风投机构，还出现了CME Ventures、DRW、Samsung Next、VanEck、Jump Trading等带有浓厚金融市场背景的主体。
一条清晰的产业路径正在逐渐成型：GPU从单纯的硬件设备，逐步成为标准化的算力商品，进而形成公开的价格指数，最终演化出期货合约等金融产品，最终成为可交易的金融资产。AI基础设施的竞争，已经不再局限于芯片、网络和数据中心的硬件层面，华尔街正在正式进入机房领域。
算力价格波动的对冲需求
当下AI企业采购算力主要有几种路径：资金实力雄厚的企业可以直接采购GPU自建集群；规模较小的团队则可以通过主流云厂商购买算力实例；还有越来越多的企业选择从GPU云服务商或算力市场租赁短期或长期的算力资源。无论选择哪种方式，企业都面临一个共同的难题：未来的算力价格充满不确定性。
假设一家AI初创公司预计未来一年需要持续训练和运行模型，那么GPU成本将成为其最主要的支出项之一。企业可以提前签订长期算力合同，但这意味着需要承担预测错误的风险：如果未来GPU供给宽松导致价格下跌，企业可能会为合同付出过高的成本；反过来，如果模型调用量突然暴涨，或是新一轮大模型竞争再次引发GPU短缺，企业又会发现提前锁定的算力资源远远无法满足需求。
这一困境和航空公司面临的燃油成本问题高度相似。航空公司明确知道未来需要消耗大量燃油，但无法预知半年后的油价，因此成熟的航司会通过期货、期权等金融工具提前锁定部分成本。如今，行业开始尝试将这套机制移植到AI算力市场中。
CME和Silicon Data计划推出的产品，本质上是让市场参与者可以提前交易未来某个时间点的GPU算力价格。企业甚至不需要通过期货市场实际获取一张H100加速卡，就像航空公司交易石油期货并不需要将数万桶燃油运到总部一样。AI企业真正需要解决的，是算力价格波动带来的经营风险。
如果一家企业预计半年后需要大量B200算力，并且担心届时价格上涨，就可以提前建立对应的期货头寸。即便未来实际采购算力的成本上升，期货市场获得的收益可以抵消部分上涨带来的损失。反过来，持有大量GPU资产的云厂商、数据中心运营商，也可以通过衍生品工具降低未来算力价格下跌带来的风险。
这让GPU算力首次具备了成为标准化交易商品的可能，市场也开始尝试回答开篇的问题：未来的H100算力到底值多少钱？Silicon Data发布的GPU远期价格曲线最长已经覆盖未来36个月。以2026年7月19日的数据为例，H100的现货租赁价格约为每GPU·小时2.72美元，36个月期限的价格约为2.38美元；B200则从约5.62美元降至5.17美元，A100从约1.65美元降至1.40美元。三种GPU的远期价格均低于当时的现货价格，这和市场对未来供给扩大、新一代芯片逐步替代旧型号的预期一致。换句话说，市场已经通过真实的价格曲线，表达了对“三年后的H100算力价值”的判断。
算力标准化的核心难题
不过，GPU算力的金融化比石油等商品要复杂得多。一桶符合标准的布伦特原油和另一桶原油理论上具有很强的可替代性，但“一小时H100算力”到底是什么？
同样一张H100加速卡，放在不同的数据中心中，实际价值可能天差地别。它可能通过NVLink和另外七张GPU组成完整节点，也可能只是单卡实例；背后可能搭载高速InfiniBand网络，也可能只是普通以太网；数据中心可能位于美国，也可能在欧洲或亚洲；实例的可用率、存储性能、CPU配置和软件环境也都存在差异。
对于大模型训练来说，这些差异尤为关键。企业购买的一小时H100算力，实际上包含了一整套系统能力：GPU × 网络 × 集群规模 × 可用率 × 软件栈 × 地理位置 × 时间。这意味着AI算力首先需要解决金融市场最基础的问题：如何实现标准化？
没有标准化，就很难形成公认的价格指数；没有价格指数，也无法建立真正具有流动性的期货市场。这也是Silicon Data这类企业受到关注的原因：它们没有直接进入GPU云市场和主流服务商争夺客户，而是尝试搭建更底层的市场基础设施——收集不同算力市场中的GPU租赁价格，形成能够被金融市场接受的基准价格。
它们想要扮演的角色，更像是AI算力市场里的专业价格基准提供商。谁能够定义市场价格，谁就可能成为未来大量金融产品的基础设施提供商。
过去几年GPU市场的一个特殊现象也强化了这种需求：价格极度不透明。云厂商有自己的定价体系，GPU云服务商有长期合同报价，算力经纪商还有另一套报价。同一型号的GPU，因为合同周期、地区、集群规模和客户议价能力的不同，最终成交价格可能存在明显差异，甚至大量交易根本没有公开的市场价格。
这在快速扩张的行业早期并不罕见。石油、电力、航运、利率甚至碳排放市场，都经历过类似的发展过程：最开始是大量双边交易，随后出现标准合同，再后来形成价格指数，最终演化出具有流动性的金融衍生品市场。AI算力市场如今可能正走到这一发展路径的第三步。
一旦形成可信的GPU价格指数，其带来的变化将远远超出“可以交易GPU期货”的范畴。准备建设大型GPU数据中心的企业，可以根据未来算力价格曲线判断项目的投资回报；银行可以基于未来算力收入提供贷款；GPU云服务商可以对冲算力价格下跌的风险；AI企业可以锁定未来的推理成本；投资机构则可以直接交易对AI算力供需的判断。
甚至数据中心项目的融资逻辑也会发生改变。过去银行评估一个数据中心项目是否值得贷款，重点会考察客户合同、资产价值和运营能力。如果未来GPU算力期货市场足够成熟，金融机构将首次拥有一个公开、实时变化的“未来算力价格”，相当于为AI基础设施增加了一套资本市场能够理解的定价语言。
算力的衡量标准之争
GPU的金融化还会迫使市场回答一个长期被硬件型号掩盖的问题：我们到底应该如何衡量AI算力？
过去行业最简单的评价方式是看GPU的型号和数量：比如1000张H100、10000张B200、10万张GPU集群。但真正运营过大模型集群的人都清楚，“拥有多少GPU”和“实际获得的有效算力”之间存在巨大差距。GPU利用率、模型浮点运算利用率、网络通信效率、故障率、任务调度策略、模型并行方案都会影响最终的产出。一万张GPU如果只有40%的有效利用率，和另一套拥有更少GPU但能长期维持70%利用率的集群，经济价值显然完全不同。
于是一个有趣的问题出现了：如果未来算力真的成为标准化商品，市场最终应该交易“GPU使用时长”，还是经过利用率、通信效率等因素折算后的“有效算力”？
至少在现阶段，金融市场选择了更容易标准化的前者。目前正在设计中的GPU算力期货并没有试图创造横跨不同芯片的统一“标准算力单位”，而是按照具体GPU型号分别设计合约：H100、B200、A100被视为性能和价格不同的产品，以每GPU·小时作为基础计价单位，H100和B200的合约也分别独立交易。
这解决了金融交易中的标准化问题，但并没有完全解决工程世界里的算力衡量问题。两套同样拥有1000张H100的集群，如果网络互联、GPU利用率、故障率和软件栈完全不同，最终能够提供的有效算力显然也存在差异。Silicon Data在建立价格指数时，也需要对GPU型号、内存和CPU配置、租赁期限、互联和集群规模、数据中心区域等变量进行标准化处理。
对于企业来说，GPU本身通常只是生产过程中的中间变量。训练一个模型需要多少成本？生成一百万Token需要多少支出？完成一个智能代理任务需要多少算力成本？这些指标可能比单纯的GPU数量更接近企业最终关心的问题。
这也意味着，AI算力的金融化可能反过来推动AI基础设施的评价体系发生变化。行业长期习惯用GPU数量、峰值浮点运算性能等硬件指标衡量基础设施，但当算力真正进入成本核算和金融定价体系后，单位业务产出对应的算力成本会越来越重要。每元Token产出、有效算力、集群有效吞吐、模型完成时间等指标，也会从工程团队内部的优化指标，逐渐进入企业经营层面的计算体系。
算力金融基础设施的成型
将近期一系列行业变化放在一起观察，这一趋势会更加明显。GPU云服务商正在通过长期算力合同获得融资，数据中心运营商围绕未来AI需求发行债务，GPU被包装成能够产生持续现金流的基础设施资产，算力市场也开始建立GPU现货价格体系。如今CME计划推出GPU算力期货，CFTC也正式开始讨论算力衍生品的监管方案。
AI基础设施正在重复很多传统基础设施行业走过的道路。当一种资源足够重要、投入足够大、价格波动足够明显之后，围绕它自然会生长出一套完整的金融基础设施：定价、指数、期货、保险、融资、套利和风险管理。只不过这一次，被金融化的是GPU上的计算时间。
而且GPU很可能只是这一体系的第一层。随着模型数量越来越多，企业需要决定每一次请求应该发给哪一款大模型；不同模型之间的价格和性能不断变化，模型路由、Token成本管理开始成为独立的基础设施。底层解决计算资源如何定价，中间层解决Token如何定价和路由，再往上则会出现另一个问题：一个AI Agent完成一项任务到底值多少钱？
这三层其实对应着AI产业正在形成的全新经济链条：GPU / Compute → Token → Agent Task。
过去云计算时代，企业习惯计算一台虚拟机运行一小时的成本；进入生成式AI时代后，计价单位开始变成Token；而随着智能代理真正进入软件开发、客服、法律、金融等工作流，企业最终关心的计价单位很可能进一步变成“完成一个任务多少钱”。
如果沿着这条链条继续发展，AI产业可能最终形成一套从GPU到Token，再到Agent Task的完整经济体系。AI基础设施的竞争也会因此从“谁拥有更多算力”，逐渐延伸到“谁能够更准确地衡量、调度和定价算力”。
华尔街为何现在才进入机房？
原因其实并不复杂。过去GPU更接近一种普通的IT设备，而今天它已经成为AI时代最核心的生产资料之一。
传统企业购买服务器，通常意味着一笔固定的IT支出。服务器部署之后，很难被重新交易，更不存在活跃的“服务器小时现货市场”。但AI改变了这一切：GPU可以通过云计算被拆分为小时甚至秒级的资源出售，不同企业可以共享同一套基础设施，大量算力供应商同时提供相似的资源，而需求又随着模型训练、推理和Agent工作负载不断波动。
于是算力第一次同时具备了形成商品市场的几个重要条件：巨大的交易规模、持续的市场需求、明显的价格波动，以及越来越高的可替代性。金融市场自然会进入这一领域。
但真正决定GPU算力期货能否成立的，最终不会是华尔街设计出了多复杂的金融产品，而是AI基础设施能否解决那个最基础的问题：什么才是一单位“标准算力”？
如果这个问题无法得到解决，GPU算力期货可能最终只是一个流动性有限的小众金融产品；如果能够给出清晰的答案，其意义将完全不同。因为那意味着AI行业第一次拥有了一种可以被公开定价、交易和对冲的基础生产资料，也意味着企业衡量AI基础设施的方式可能随之发生根本性改变。
过去几年，我们一直在讨论“算力是不是AI时代的石油”。这个比喻长期以来更多是在强调GPU的稀缺性和战略价值。当H100和B200真正开始拥有价格指数、期货曲线，甚至进一步出现围绕算力建立的保险、融资和风险管理工具后，这个比喻才可能获得另一层更现实的含义：AI算力正在从一种昂贵的技术资源，变成一种真正可以被市场定价的资产。
