AI 算力金融化：開源模型正在把算力推向資本市場（下）

本文為 OKX Ventures 出品的深度研報。由於篇幅較長，分為上下兩篇發布：上篇聚焦算力資產化、風險敞口與衍生品定價邏輯；下篇將重點分析算力金融基礎設施、推理資產化機會及行業趨勢。本篇為下篇。

四、算力市場的金融基礎設施：價格、風險與交割

算力金融市場的幾層基礎設施已經開始拼起來。指數把分散的 GPU 租金壓成統一基準；交易所圍繞基準組織標準化風險；Dealer 接下具體機房、期限和 SLA 帶來的基差；容量平台再把金融頭寸接回物理算力。這幾層誰先積累足夠多的真實訂單和合同引用，誰就更接近早期市場的定價權。

4.1 算力指數：誰能成為默認參考價格

同一型號 GPU 的成交價仍會被集群規模、互聯方式、地區、租期、預付比例、SLA 和供應商信用拉開。對指數商來說，難點在於能否把這些差異處理到市場願意拿它做合同結算、貸款估值和衍生品交割。

目前大致能看到三種路線。Silicon Data、Ornn 更接近獨立 benchmark provider，主要通過收集市場報價和合同數據，再做標準化處理形成基準；Compute Desk 兼做算力中介和結算，因此能直接看到已經成交的現貨與遠期合同，包括價格、期限和實際結算條件；SemiAnalysis 則從電力、芯片採購、折舊和機房成本出發做 TCO 建模，更適合資產估值和研究，離金融結算基準更遠一些

4.2 場內交易/標準化期貨：傳統及新興合規交易所進入算力市場

交易所提供的核心價值是標準化、清算和分銷。對於 Neocloud、AI Lab 和私有信用機構，如果套保能夠直接接入現有 FCM、保證金和清算體系，機構採用成本會明顯降低。傳統交易所和新興合規平台也因此同時開始測試算力產品：CME、ICE 延續成熟期貨基礎設施，Architect AX/AIX、Pluto/PMEX 則在永續合約和固定到期期貨上嘗試不同路徑。

算力期貨的冷啟動會比掛牌一張合約複雜很多。算力合約很容易碎片化。不同 GPU 型號、地區和集群配置對應的是不同的交付價值，流動性很難自然集中到一張合約裡。 遠端價格又高度依賴芯片交付、電力和模型效率，普通金融做市商缺少物理訂單信息，很難在六個月或一年期限上持續給出有深度的報價。

產業對沖盤短期也未必足夠大。Hyperscaler 可以內部吸收大量風險，頭部 Neocloud 又已經用長約覆蓋了相當一部分現金流。早期場內市場很可能先積累交易和投機流動性，產業套保能不能跟上，要看中小運營商和按需採購算力的 AI 團隊是否開始持續、重複地交易。

4.3 場外交易、做市商：OTC 定製化和基差管理

在場內深度形成之前，大量風險更可能先通過 OTC 完成轉移。物理算力的地區、網絡、集群規模、SLA 和交付時間都很具體，很難直接塞進一張統一的交易所合約。

Dealer 因此處在一個很有價值的位置。一邊是 Neocloud 希望提前鎖定租金，另一邊是 AI Lab 希望鎖定採購成本，Dealer 可以分別給雙方定製報價，再用標準期貨或其他頭寸管理整體價格風險。買賣需求在時間和規格上對不齊時，Dealer 還要先用自己的資產負債表接單。

這類業務賺的不只是 bid-ask spread。機房、電費、網絡條件、交付約束和客戶信用都會形成 basis，對這些非標差異持續定價，並願意用資本承接風險，是 Dealer 更難複製的能力。 FalconX 與 Robert Leshner 的 H100 swap、Wintermute 推出的 H100 遠期，可以看作做市商開始試水算力遠期報價和風險轉移的早期嘗試。嘗試。金融中間商開始為物理算力提供定製期限報價，並把無法標準化的部分留在自己的 book 裡。

真實訂單流因此很重要。指數告訴市場平均價格，Dealer 手裡的詢價和成交則更接近某個地區、配置和期限實際需要支付多少 premium；這部分信息直接決定 basis 怎麼定價、利潤留在哪裡。

4.4 容量平台與物理交割：紙面頭寸向實物的履約交割

對 AI Lab 來說，金融頭寸鎖住了價格，並不保證屆時有一組符合要求的 GPU 可以使用。算力緊張時，這個區別尤其重要。沒有物理履約能力，期貨價格和真實機房租金很容易各走各的。

現在已經出現幾種不同層級的嘗試。Vast.ai、RunPod、Hyperbolic 這類現貨平台提供了更豐富的物理報價和可用容量數據；SF Compute 允許已預訂容量轉售或回購，使長期容量合同具備了一定流動性；EFP 網絡則嘗試把標準期貨和具體物理合同連接起來，用期貨處理大盤價格，用線下合同處理地區、網絡和 SLA。

SF Compute 這類模式尤其值得注意。傳統 Take-or-Pay 合同裡，未使用容量通常接近沉沒成本；允許轉售以後，未來容量開始具有可交易的權利屬性。這會增加長期合同的流動性，也讓物理市場本身出現更清楚的遠期價格。

EFP 則解決另一層問題。AI Lab 可以先用標準期貨鎖定市場 beta，到了實際部署時，再通過履約網絡尋找具體機房，並支付地區、網絡和 SLA 對應的 basis。這樣一來，金融市場無需把所有物理差異都塞進一張期貨合約，也能服務真實的產業交割。

4.5 Inference Capital Markets：推理經濟中的融資、服務權與收益權

GPU 被推理服務商轉化成 Token 以後，金融需求開始從硬件租金延伸到推理業務的營運資金和合同權利。推理服務商如果希望鎖定完整毛利，理論上需要同時管理 GPU 輸入成本和 Token 輸出價格。

推理服務商的利潤大致等於: Token 實現價格 × 每 GPU-hour 的 Token 產出 × GPU 利用率 − GPU 成本 − 其他運營成本

4.5.1 推理經濟資產出現的需求點是什麼？

GPU 和容量需要提前採購，API 收入隨客戶請求隨後逐步發生。需求判斷偏高會留下閒置機器，也會佔用現金。大型模型公司和 Hyperscaler 可以用自己的資產負債表吸收這段波動，但中小型推理平台容易依賴客戶預付或者外部融資。

產能先於需求兌現的時間差催生了四類資產：GPU 信用為前期投入融資；預付服務權提前回收未來收入；產能激勵在需求形成前補貼供給；模型部署資產嘗試分配扣除運營成本後的剩餘利潤。

傳統雲市場很早就在用 prepaid credits 和 reserved capacity 處理類似的供需錯配問題。如 OpenAI 的 Scale Tier 就允許企業提前購買特定模型的 input 和 output Token 吞吐單位。這已經是一種標準化的預付推理服務，只是額度綁定企業賬戶，不能被自由轉讓。

Crypto 在鏈上增加了一層新的產權設計，原本記錄在供應商賬戶裡的服務額度可以由錢包持有，也可以進一步轉讓和融資。未來如果 Agent 開始自己採購推理服務，這類權利也可以直接進入機器的預算體系。隨著程序化支付未來成為行業通用化的基礎設施能力，鏈上更有辨識度的位置其實在權利層。一項未來服務能不能獨立持有，能不能轉讓，能不能拿去融資，會直接影響它能否從普通 credits 發展成金融資產。

目前鏈上推理在執行層的份額仍然很小，crypto native 推理服務商過去三個月在 OpenRouter 日度 Token 流量中的佔比大約只有 0.5%–1%。這也意味著鏈上現階段更現實的機會可能出現在金融層，推理服務繼續由效率最高的平台生產，鏈上負責資金和權利流轉。

4.5.2 四類推理資產化的嘗試

目前在 Inference Capital Markets 分為四類權益資產化的方向

GPU 信用

GPU 信用最先形成規模，一方面是因為它已經有外部付款人，另一方面是它的金融產品結構非常接近傳統信用資產，所以機構資本比較容易理解。

一筆典型 GPU 貸款仍沿用傳統資產融資結構：GPU 由 Delaware SPV 持有，貸款方通過 Loan and Security Agreement、UCC-1 和數據中心 lien waiver 建立抵押權。鏈上記錄貸款份額、還款和收益分配；一旦違約，債權執行仍要回到線下合同、設備控制和法院體系。

借款人部署 GPU 後，下游客戶持續支付算力費用，這筆現金流支持貸款本息。只要承購合同繼續履約，貸款就有明確的償債來源。

不過，GPU 信用這個方向相對也最容易被傳統資本吸收。隨著未來 Senior 貸款具有標準期限、利率、LTV 和法律追索後，銀行、保險資金和私募信貸的資本成本會遠低於鏈上資金。大額、投資級、結構清楚的貸款最終大概率會進入傳統銀團、ABS 或私有信貸基金。

鏈上可以長期保留的位置主要在 TradFi 服務成本較高的部分，比如：中小型運營商的貸款發起、跨境穩定幣資金、貸款份額分發、實時設備與利用率監控，以及承擔初始損失的 junior 或 mezzanine 層。未來更可能出現的結構是，鏈上協議負責發現借款人、監控資產和組織第一批資本；貸款表現穩定後，Senior 部分出售給傳統資金，鏈上繼續持有服務費、次級風險和數據關係。

預付服務權

預付服務權解決的是發行方今天的資金需求。平台提前出售未來 API 容量，先收到現金，再在未來持續履約。期限一旦拉長，買方承擔的平台風險也會越來越明顯。幾年後的模型是否還有競爭力？服務價格會降到什麼水平？credits 的購買力能否維持？都會影響今天的估值。

所以這類產品後面更可能逐漸靠近標準化容量合同。期限會更短，服務標準會更清楚，模型也可以按照約定規則替換。合同越清楚，預付服務權越容易形成相對獨立的市場價格。

此外，這裡還存在一個逆向選擇。擁有最好模型、客戶需求最強、定價權最穩的平台，通常沒有動力發行長期、可轉讓的推理權。它們更希望保留客戶差別定價、未使用 credits 的收入和隨時調整價格的能力。最需要提前出售長期服務權的，往往是需要融資和拉新、但未來競爭力尚未被證明的平台。

產能激勵

產能激勵解決的是推理網絡早期的供給組織問題。節點需要提前配置 GPU 和模型，也要承擔運維成本。需求側還沒有穩定形成時，節點沒有足夠動力提前上線，網絡代幣排放可以給供給側一段收入保障，讓網絡先獲得可用產能。

長期能不能成立還是要看外部客戶付費能否逐步覆蓋節點收入。協議可以驗證一次推理任務確實被執行，也可以驗證節點使用了指定模型，但計算發生本身不會產生經濟價值。代幣排放可以買到一段時間的供給，客戶需求仍然需要真實訂單來證明。

更合理的激勵機制可能會逐漸和真實收入綁定。客戶先用穩定幣支付任務費用，節點完成推理並通過驗證後獲得收入，協議再根據外部收入提供額外獎勵，並隨著網絡成熟逐步降低補貼。這樣可以讓排放承擔冷啟動成本，同時給市場一個更清楚的信號：節點收入中有多少來自客戶，有多少仍然來自資本補貼。長期看，產能激勵真正需要完成的是從用代幣購買供給走向用客戶收入養活供給，這個轉換發生以後，網絡才開始擁有獨立於代幣市場週期的經濟基礎。

單體模型收益權

模型收益權最接近前文所說的 crack spread：

模型部署剩餘利潤 = API 收入 − GPU 成本 − 網絡、存儲和工程成本 − 獲客與補貼

很多 Model Token 給持有人的主要是回購和質押激勵，未必對應一項可以依法主張的收入權。API 收入與 Token 價值之間如果缺少清晰的合同關係，估值就很難形成穩定錨點。

模型壽命又進一步放大了這個問題。模型更新速度很快，一項資產剛完成融資和部署，底層模型可能已經被新的替代品追上。單一模型因此很難支撐一項長期金融資產。

更可能的發展方向，是把底層單位逐漸擴展到 workload strategy。比如一個 coding inference strategy 可以持續切換底層模型，根據質量和成本調整路由。這樣持有人承接的是一套持續經營的推理策略，資產壽命跟著客戶需求和工作負載走。

另外，如果這類產品以後要進入機構市場，還需要明確的法律實體、經審計的 API 收入和清晰的現金流 waterfall。缺少這些基礎，Model Token 的估值仍會高度依賴未來使用量和發行方的回購政策。

4.5.3 Router 先於 Token 期貨提供需求側風險管理

Router 是推理金融化裡被低估的一層。

企業最終關心的是一項任務要花多少錢。具體用了哪個模型，在很多場景下只是實現路徑。Router 可以持續比較不同模型和 Provider，在價格變化時重新分配流量。底層服務原本高度異質，經過 Router 調度以後，替代性會逐漸提高。

這會直接影響需求側衍生品的規模。很多成本波動可以先通過模型切換和軟件優化消化。剩下無法通過這些方式處理的敞口，才更需要金融工具介入。

Router 還有一項很重要的數據優勢：它能看到真實賬單。公開 API 官價很難代表企業實際採購成本，Router 能看到客戶到底支付了多少，也知道這筆價格對應什麼樣的服務質量。訂單積累以後，這些數據有機會形成質量調整後的 workload cost index。

再往前一步，Router 可以直接向企業提供成本上限。比如企業提前鎖定未來三個月 coding workload 的預算，Router 在後台管理模型選擇和容量採購，需要時再通過 GPU 衍生品處理剩餘風險。客戶最終獲得的是預算確定性，也不需要自己管理模型籃子、期貨頭寸和基差。這種產品可能比通用 Token 期貨更符合企業採購習慣。Router 可以把底層複雜度留在內部，再給客戶一個更穩定和可預測的價格。

Token 本身暫時沒有形成統一標準，但Router 卻可以圍繞某種明確的工作負載持續尋找替代供給。交易積累到一定規模以後，workload 本身就可能成為新的價格單位。

如果這條路徑成立，Router 會逐漸從流量分配工具延伸到採購和風險管理。它長期最有價值的資產也會越來越清楚：真實訂單、真實成交價格，以及在不同模型之間管理成本和質量的能力。 workload 的價格標準很可能先在這一層形成，再進入指數和衍生品市場。

4.5.4 Crypto 的窗口在標準形成之前

一項權利還沒有統一規格的時候，傳統金融處理起來成本很高。合同金額較小，結構較碎，鏈上則