AI Infra 正在诞生自己的石油期货？GPU 不够买之后，华尔街开始交易算力

AI 行业可能很快就要面对一个过去听起来有些荒诞的问题：半年后的 H100 算力值多少钱？ 过去两年，围绕 GPU 的讨论大多集中在“够不够用”：大模型公司抢 GPU，云厂商扩数据中心，创业公司排队租算力，资本市场则不断计算 NVIDIA 还能卖出多少张卡。但现在，问题开始从“有没有 GPU”，转向“GPU 算力应该值多少钱，以及如何提前锁定这个价格”。 2026 年 8 月，美国商品期货交易委员会（CFTC）正式就 compute derivatives（算力衍生品） 公开 征求意见 "，讨论现货算力市场、市场操纵、客户保护以及 perpetual compute futures（永续算力期货） 等问题。CFTC 主席 Michael Selig 更直接表示，美国如果希望在 AI 竞争中保持领先，就需要一个健全的算力衍生品市场。 这并不是监管机构凭空设想出来的新金融产品。就在此前，CME Group 与 AI 算力市场基础设施公司 Silicon Data 已经 宣布 "，计划推出以 NVIDIA H100 和 B200 GPU 租赁价格为基础的期货产品。Silicon Data 刚刚完成 3050 万美元 A 轮融资，投资方中不仅有传统 VC，还出现了 CME Ventures、DRW、Samsung Next、VanEck、Jump Trading 等明显具有金融市场背景的机构。 一条越来越清晰的路径正在形成： GPU → 算力商品 → 价格指数 → 期货合约 → 金融资产。 AI Infra 的下一场战争，可能已经不只发生在芯片、网络和数据中心之间。华尔街正在进入机房。 GPU 不够买之后，人们开始交易“未来的 GPU” 今天一家 AI 公司采购算力，大致有几种选择。财力足够雄厚的公司，可以直接购买 GPU，自己建设集群；规模稍小一些的企业，可以向 AWS、Azure、Google Cloud 等云厂商购买实例；还有越来越多公司从 CoreWeave 等 GPU Cloud 或算力市场购买短期、长期租赁服务。 无论选择哪一种方式，企业都会面临一个共同问题：未来的算力价格是不确定的。 假设一家 AI 创业公司预计未来一年需要持续训练和运行模型，那么 GPU 成本可能成为其最大的成本项之一。公司可以今天签下一份长期算力合同，但这意味着它必须承担预测错误的风险。如果未来 GPU 供给突然宽松，价格大幅下降，它可能买贵了；反过来，如果模型调用量突然暴涨，或者新一轮大模型竞争再次制造 GPU 短缺，它又可能发现自己提前锁定的算力远远不够。 这和航空公司面临的燃油问题其实非常相似。航空公司知道未来一定需要燃油，却不知道半年后的油价，因此成熟的航空公司会通过期货、期权等金融工具提前锁定一部分成本。现在，有人希望把同样的机制搬到 AI 算力市场。 CME 与 Silicon Data 计划推出的产品，本质上就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真正获得一张 H100，就像航空公司交易石油期货，并不意味着最终需要把几万桶石油运到总部一样。AI 公司真正需要解决的是算力价格波动带来的经营风险。 如果企业预计半年后需要大量 B200，而担心届时算力价格上涨，就可以提前建立相应的期货头寸。即便未来实际算力采购成本提高，期货市场获得的收益也可以抵消其中一部分上涨。反过来，拥有大量 GPU 资产的云厂商、数据中心运营商，也可以通过衍生品降低未来算力价格下跌带来的风险。 于是，GPU 算力第一次真正拥有了成为可标准化交易商品的可能。而市场已经开始尝试回答文章开头的那个问题：未来的 H100 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，这与市场对未来供应扩大、新一代芯片逐步替代旧型号的预期一致。换句话说，市场已经开始用一条真实的价格曲线，表达对“三年后的 H100 值多少钱”的判断。 但 GPU 比石油麻烦得多 这里还有一个问题有待解决，一桶布伦特原油和另一桶符合标准的布伦特原油，理论上具有很强的可替代性，但“一小时 H100 算力”到底是什么？ 同样是一张 H100，放在不同的数据中心里，实际价值可能完全不同。它可能通过 NVLink 与另外七张 GPU 组成节点，也可能只是单卡实例；背后可能是高速 InfiniBand 网络，也可能是普通以太网；数据中心可能位于美国，也可能位于欧洲或亚洲；实例的可用率、存储性能、CPU 配置和软件环境同样存在差异。 对于大模型训练而言，这些差异尤其关键。企业购买的一小时 H100，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 算力首先必须解决一个金融市场最基本的问题：如何标准化？ 没有标准化，就很难形成价格指数；没有价格指数，也很难建立真正具有流动性的期货市场。这也是 Silicon Data 这样的公司值得关注的原因。它没有直接进入 GPU 云市场与 AWS、CoreWeave 争夺算力客户，而是试图建立一层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 benchmark。 它想扮演的角色，更接近 AI 算力市场里的 Platts、Argus，甚至 Bloomberg。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。 过去几年 GPU 市场一个非常特殊的现象也在强化这种需求：价格极度不透明。 云厂商有自己的价格体系，GPU Cloud 有自己的长期合同，算力经纪商还有另外一套报价。同一型号 GPU，因为合同周期、地区、集群规模和客户议价能力不同，最终成交价格可能存在明显差异，大量交易甚至根本没有公开市场价格。 这在一个快速扩张的行业早期并不奇怪。石油、电力、航运、利率甚至碳排放市场，都经历过类似的过程：最开始是大量双边交易，随后出现标准合同，再后来出现价格指数，最后才形成具有流动性的金融衍生品市场。AI 算力今天可能正在走到第三步。 而一旦形成可信的 GPU 价格指数，它带来的变化就远远超过“可以炒 GPU 期货”。一家准备建设大型 GPU 数据中心的公司，可以根据未来算力价格曲线判断项目回报；银行可以基于未来算力收入提供贷款；GPU Cloud 可以对冲算力价格下跌；AI 公司可以锁定未来推理成本；投资机构则可以直接交易对 AI 算力供需的判断。 甚至数据中心项目融资的逻辑也可能随之变化。过去银行判断一个数据中心项目是否值得贷款，需要重点评估客户合同、资产价值和运营能力。如果未来存在一个足够成熟的 GPU 算力期货市场，金融机构就第一次拥有了一个公开、实时变化的“未来算力价格”，相当于给 AI 基础设施增加了一套资本市场能够理解的定价