算力金融化“尋錨”

文/中國金屬礦業經濟研究院（五礦產業金融研究院）副院長曲雙石

算力正在變成一種可交易的金融資產。但一個根本問題隨之而來：它該錨定什么？本文從衍生品設計的底層邏輯出發，討論算力期貨為什么必須有一個清晰的標的物——標準化、可交割、可定價，是期貨合約能活下去的三條“腿”。然后對比當前最受關注的兩條路：掛鉤芯片租賃費率，還是掛鉤Token處理服務。此外也會涉及電力與能效、數據吞吐量等其他可能性。結論是：算力期貨的標的物不是單選題，而是隨著產業成熟度逐步展開的演進過程。短期內，掛鉤芯片租賃費率是現實的破冰選擇；中期更務實的做法是按算力類型（比如FP16 TFLOPS）和精度來標準化；遠期則可以逐步落地能效指數等品種。中國應該走一條“芯片起步、算力類型跟進、多錨并存”的路，在全球算力定價權競爭中找到從追趕到引領的節奏。

算力金融化：為何必須有“錨”？

金融衍生品和現貨交易最大的不同在于，前者交易的是未來的不確定性。要讓人們愿意為這種不確定性定價，必須有一個公認的參照系——這就是“標的物”的價值。

沒有錨，合約就立不住。期貨合約要想有生命力，得滿足三個剛性需求：

第一，標準化。算力的形態千差萬別：訓練算力和推理算力不一樣，不同芯片架構的算力不一樣，同一塊芯片在不同精度下的表現也不一樣。但期貨市場要求每一手合約代表完全一樣的東西，否則就沒法連續競價、集中撮合。標的物的作用，就是把五花八門的算力收斂成幾類標準品。這一步做不到，市場就只能停留在碎片化的一對一談判。

第二，定價基準。期貨的價格發現功能，靠的是標的物在現貨市場有可觀測、可驗證的基準價格。這個基準價格就是定盤星。以原油期貨為例，布倫特和WTI之所以能成為全球定價基準，是因為它們的標的物定義清晰、現貨交易活躍、價格可以獨立驗證。算力期貨也需要這樣一個錨點。

第三，交割可行。期貨到期時，無論是實物交割還是現金結算，都得依據標的物的客觀狀態來計算盈虧。如果標的物定義模糊，交割環節就會扯皮不斷，市場信任無法建立。算力是一種服務流，看不見、摸不著、也不能存儲，這讓交割設計比傳統大宗商品更棘手。標的物的選擇，直接決定了交割機制能不能跑通。

更深一層看，掛鉤的本質不只是“方便定價”，而是為某一種特定形態的算力建立一個獨立、透明、可交易的微型市場，讓價格通過公開博弈自然長出來。標的物就像是這個市場的“憲法”，規定了什么能交易、什么不能。所以，選擇什么樣的標的物，不純粹是技術問題，更是一個市場設計哲學問題：它決定了這個市場為誰服務、反映誰的供需、最終形成什么樣的價格信號。

芯片租賃費率vs Token處理服務：兩種錨定思路

目前關于算力期貨標的物的討論，主要集中在這兩個方向：一個是錨定特定型號GPU的單位時間租賃服務費率指數（簡稱“掛鉤芯片”）；另一個是錨定按統一分詞規則定義的標準化Token處理服務價格指數（簡稱“掛鉤Token”）。這兩種思路背后，是對“算力到底是什么”的不同理解。

掛鉤芯片租賃費率：錨定“生產工具的使用權”

“掛鉤芯片”本質是錨定特定型號GPU的單位時間租賃服務。芯片是算力的物理載體，租賃服務就是把算力生產能力拿出來市場化。具體來說，就是把“租一張某型號GPU一小時”定義為一個標準化的算力服務單位，期貨合約的標的物就是這種服務的現貨費率指數——比如基于主流云平臺或算力市場成交價編制的NVIDIA H100 80GB每小時租賃價格指數。目前全球GPU租賃市場已經形成按芯片型號定價的習慣，某些數據服務商也嘗試建立了按芯片型號分類的價格跟蹤體系。芝加哥商品交易所（CME）正在探索的算力期貨，走的就是這條路，用GPU按需租賃費率指數做結算基準。這種期貨合約并不交割物理芯片，而是現金結算，結算依據來自第三方發布的租賃費率指數。

掛鉤芯片的優勢，一是標的物清晰，芯片型號是確定的物理實體，性能參數公開，定義爭議小。二是現貨參照系已經有雛形，GPU租賃市場的定價習慣和指數體系可以直接拿來用。三是監管審批的可行性相對高一些，CME的探索給后來者提供了一個參照。

掛鉤芯片的缺陷，一是逃不掉“資產過時”的風險。AI芯片迭代周期只有18到24個月，而期貨合約可能覆蓋更長時間。等合約到期時，標的芯片很可能已經被新一代產品替代，市價和實用性大打折扣，持有遠期多單的買方要承擔額外的“技術折舊”。二是有“技術鎖定”的隱憂。如果全球算力期貨都錨定英偉達某款芯片，整個金融定價體系就會天然偏向這個生態，形成隱性的市場壁壘，壓制國產芯片的市場接受度。三是套期保值的精度有限。企業的算力成本和“租賃某款芯片時長”只是間接關系，中間有基差風險，即芯片租賃費率的變化，不一定精確對應企業實際算力成本的變化。

掛鉤Token處理服務：錨定“產出結果”

Token是目前主流大模型處理文本時的基本計價單元，但不同模型家族（比如GPT的BPE編碼、Llama的SentencePiece、國產模型的自定義分詞器）對同一段文本切出來的Token數量和含義不一樣。所以“掛鉤Token”并不是錨定一個天然統一的單位，而是錨定按某種公認規則定義下的“標準化Token處理服務”。核心邏輯是，不管底層用什么芯片，市場買的是算力的最終產出，也就是處理約定類型和數量Token的能力。這是一種“以結果計價”而不是“以過程計價”的思路。比如可以約定以“Llama 3 70B模型的分詞器”或“OpenAI的cl100k_base分詞器”為基準，定義1個標準Token。

掛鉤Token的優勢，一是技術中立，天然解決了迭代快的問題。Token是算力的產出，新一代芯片出來后，生成Token的單位成本下降，這個紅利會自動體現在現貨價格里。掛鉤Token的合約錨定的是不變的結果，而不是快速迭代的工具，從根本上避開了“標的物過時”的風險。二是套期保值精度高。現在主流大模型公司的API收費普遍按Token計價，企業的收入和成本可以用同一個度量衡來對沖，風險敞口最小化。三是對國產芯片友好。只要能達到約定的Token生成質量和速度，任何芯片都能參與交割，不存在技術鎖定。

掛鉤Token的缺陷，首先是Token標準化的難度被嚴重低估，這其實是個十年維度的挑戰，不適合當中期目標。一是任務類型不同。文本生成、圖像識別、科學計算，每個Token的經濟價值和算力消耗完全不一樣。就算是同一類任務，不同模型（比如GPT-4和Llama 3）生成一個Token所需的浮點運算量也可能有數量級上的差異。二是分詞規則不統一。GPT用BPE，Llama用SentencePiece，國產模型各有各的分詞器。同一段中文文本在不同分詞器下，Token數量可能差10%到30%，語義邊界也不一樣。三是質量和數量沒法兼顧。只規定Token數量而不約束輸出質量（比如困惑度、BLEU值、推理正確率），買方可能收到一堆低價值的輸出；要是再追加質量指標，標準化復雜度又上了一個臺階。

要建立一套被全球AI行業和金融監管都認可的Token基準測試框架，得在基礎模型、分詞器、任務類型、質量指標等多個維度上達成廣泛共識，這個難度遠超定義一張GPU的性能參數。所以，掛鉤Token更適合作為算力金融化的長期愿景，而不是中期就能落地的方向。

其次是現貨價格指數缺失。Token雖然是AI行業內部常用的計價單位，但還沒有像GPU租賃費率那樣的獨立第三方價格指數。編制指數需要大量真實交易數據和科學的方法論支撐。此外，市場認知和監管接受也需要時間。

兩種方案的對比

從演進邏輯看，掛鉤芯片租賃費率是“現貨思維”，回答的是“用什么來生產算力”；掛鉤Token是“產出思維”，回答的是“算力生產了什么”。有點像工業時代的“機床租賃合約”和“工業品遠期合約”。前者錨定生產工具，適合產業早期；后者錨定最終產品，但實現起來高度依賴行業標準化，目前更適合作為長期儲備方向。

除了芯片和Token，還能掛鉤什么？

掛鉤電力與能效——“算電一體化合約”

算力成本里，電費的占比大概在40%到60%之間（大型優化數據中心可降至30%左右，老舊或單機場景可能超過60%）。將算力和電力捆綁在一起，邏輯上很自然，政策上也與“算電協同”戰略合拍。

這種合約的標的物可以是一個組合包，比如“100 TFLOPS FP16算力/小時 + 對應35千瓦時綠電”的遠期交付合約。再進一步，還可以掛鉤“算力能效比”——也就是單位功耗完成多少算力任務。這類合約的好處是，它不光鎖定了算力成本，還鎖定了電力成本和碳排放因子，給有ESG需求的企業提供了一站式的對沖工具。

這個方向跟“雙碳”戰略和“算電協同”政策高度契合，也能給綠色算力一個市場化溢價的通道。挑戰在于，算力和電力是兩套獨立的計量和交易體系，組合定價的模型比較復雜，而且需要跨市場協調（算力交易市場和電力交易市場之間）。

掛鉤數據吞吐量——“存算一體合約”

在云服務里，存儲和計算往往不分家。對于數據庫、大數據分析、AI訓練這些場景，數據讀取速度本身就是算力效率的關鍵瓶頸。

可以設計一種合約，錨定“一定容量的高性能存儲 + 與之匹配的算力單元”的聯合服務能力。比如“10TB NVMe存儲 + 100 TFLOPS算力”的月度遠期合約。這種合約特別適合存算一體化的垂直場景，可以直接作為云計算遠期合約的底層資產。

優點是貼近實際云服務采購場景，標的物的定義可以借鑒現有的云服務規格體系。缺點是存算配比關系多樣化，合約規格容易碎片化。

這幾條路徑的定位

上述替代方案并非并列關系，而是處在不同的成熟度梯隊上。

務實可行的方向是，掛鉤電力與能效是離得最近的拓展，有政策支持和產業基礎，可以作為掛鉤芯片的升級方向。掛鉤數據吞吐量是面向特定場景的差異化品種，適合在主品種成熟后作為補充推出。

掛鉤Token處理服務雖然理論上有優勢，但標準化難度太高，應該定位為十年維度的長期愿景，而不是中期目標。在Token標準化取得實質性突破之前，更務實的中間路徑是按算力類型（比如FP16 TFLOPS、INT8 TOPS）和精度要求來做精細化標準化。比如區分“大模型訓練算力（高精度、高通信帶寬）”和“推理算力（低精度、高吞吐）”，分別設計對應的期貨品種。這樣做既能避免單一芯片型號的技術鎖定和過時風險（不同廠商的芯片都能提供相同精度的算力），又能繞開Token標準化的難題，還更貼近企業實際采購中的算力規格劃分方式。

結論：從單一錨點到多元體系

算力期貨的標的物選擇，本質上不是“選A還是選B”的單選題，而是隨著產業成熟度逐步展開的演進過程。不同的標的物對應算力產業發展的不同階段，服務于不同層次的風險管理需求。

現階段，掛鉤芯片租賃費率是破冰的現實選擇。它的標準化難度相對較低，現貨價格指數已經有雛形，監管審批可以參照CME的探索先例，能夠以最快速度推出來，搶占定價權的窗口期。這解決的是“有沒有”的問題。

中期來看，更務實的升級路徑是按算力類型（比如FP16 TFLOPS、INT8 TOPS）和精度要求來做標準化，逐步推出區分訓練算力和推理算力的期貨品種。這樣既能避免單一芯片型號的技術鎖定和過時風險，又能給國產芯片一個公平競爭的環境。同時，持續跟蹤Token標準化、能效指數等方向的技術進展，做好制度儲備，但別急著把它們推上期貨品種。

長期乃至超長期，掛鉤能效指數、精細化算力類型等相對務實的品種可以逐步落地。至于掛鉤Token處理服務這種更抽象的方案，因為標準化障礙太大，更適合作為長期技術儲備和學術研究方向，不要指望它很快成為交易所的主流品種。算力金融化的終局形態，更可能是一個多錨并存的務實體系，而不是盯著某一個抽象指標。

因此，建議短期不猶豫，用芯片租賃費率合約搶占窗口。加快推進掛鉤主流芯片（比如H100、國產替代型號）的算力期貨品種研發和上市，依托現有現貨交易平臺積累市場數據，建立先發優勢。期貨采用現金結算，結算基準是權威第三方發布的租賃費率指數。中期不放松，推動算力類型標準化和Token技術儲備。 組織產業界、學術界一起制定按算力類型（精度、通信帶寬、存儲）的分類標準，同時研究Token標準化測試基準，但在沒有實質性突破之前不要急著上Token期貨。長期不設限，構建多元錨定體系。等算力產業生態和金融市場成熟到一定程度后，逐步推出掛鉤電力能效、數據吞吐量等差異化合約，形成“多錨并存、梯次互補”的算力衍生品體系。從全球競爭格局看，CME已經率先選擇了掛鉤芯片租賃費率的方案進行探索。中國在跟進的同時，完全有條件在算力類型標準化、算電一體化合約這些更高階的賽道上率先布局。算力金融化的標的物之爭，既是技術路線之爭，也是金融主權之爭。中國擁有全球最大的算力現貨市場、最完整的制造業鏈條和最豐富的AI應用場景，完全有能力走出一條從“跟隨”到“并跑”再到“引領”的路——而這條路的起點，就是對“錨點”的戰略性選擇。

來源 | 經作者授權轉發

編輯 | 丁開艷

審核丨秦婷

責編 | 蘭銀帆

Review of Past Articles -

01

02