
正文:
本文为 OKX Ventures 提供的深入研究报告。由于内容较为丰富,将分为上下两篇进行发布:上篇将专注于算力资产化、风险敞口及衍生品定价逻辑;下篇则将分析算力金融基础设施、推理资产化机会及行业趋势。本篇为上篇。
AI 基础设施正处于资本密集型扩展的关键阶段,算力的经济属性也因此发生了显著变化。过去,企业通常将算力视为按需采购的 IT 成本;而如今,GPU、数据中心的容量及长期采购合同日益纳入资产负债表,使算力逐渐具备资本资产的特征:初期投入巨大,资金回收周期长,未来收入及设备价值则会受到供需变化和技术进步的持续影响。
在 GPU 采购和数据中心建设方面,债务融资的依赖性日益增强。目前的 GPU 信贷可以通过设备抵押和长期客户合同来获得融资,但市场仍然缺乏公开、标准化的 GPU-hour 远期价格和对冲工具。借款人需要按照既定的节奏偿还债务,而几年后这批 GPU 能带来多少租金及其市场价值又将取决于当时的市场状况。杠杆越高,价格不确定性对偿债和再融资的影响也就越显著。
在过去数年中,AI 基础设施最大的变化之一便是资本支出增长快于企业内部现金流的扩张。从 2020 到 2023 年,前五大云服务商的 AI 相关资本支出占经营现金流的比例大致维持在 20%–30%,而到 2025 年,这一比例将近 94%。进入 2026 年,前五大云服务商确认的资本支出规模总计超过 7000 亿美元。
尽管这些公司依然具备强大的现金创造能力,但随着基础设施建设长期以数千亿美元的规模扩张,债务资本的角色自然愈发重要。算力资产的融资逻辑开始逐渐独立形成。
GPU、服务器和数据中心的资金投入通常是在收入产生之前,而像 Neocloud 这样的算力运营商通常不具备 Hyperscaler 那样的成熟信用。因而,放贷方逐步将融资决定权转向项目本身:未来的现金流是否足够稳定,是否能覆盖债务本息,违约后能回收多少资产价值。
Take or Pay 长约是这一结构得以成立的关键。即便客户未完全使用所预订的容量,也需按照合同支付约定费用。对运营商而言,这相当于提前锁定了一部分未来收入;对贷款人来说,它将高度不确定的 GPU 利用率转化为更易预测的合同现金流。
CoreWeave 是这一模式的典范(其超过 98%的收入来自 Take or Pay 条款合同)。随着投资级客户多年期合同比例的提升,其融资越来越依赖于承购方的信用和合同覆盖率。Nebius、IREN 等同样拥有大型客户长期合同的运营商也开始采用类似的结构。
这种变化重塑了 GPU 信贷的风险排序。贷款人首先判断合同现金流是否能覆盖债务,最后评估在违约后 GPU 的回收价值。GPU 的数量决定了抵押物的规模,而长期订单进一步影响这些资产的融资条件。
Take or Pay 提升了偿债现金流的可见性,但 GPU 本身的经济价值仍在持续波动。几年后,这批设备能够生成多少收入、值多少钱,依然是留在资产负债表上的风险。
GPU 同时具备生产设备和技术产品的双重属性。它能够不断产生租金,但又处在快速的技术迭代周期中。随着新一代芯片的问世,上一代设备的租金、利用率、续约价格和二手市场价值都会受到影响。
因此,GPU 的会计折旧和经济折旧难以完全一致。会计可以按照固定年限摊销设备成本,但市场则在不断重新评估一张 GPU 能够产生多少具有竞争力的算力。对于贷款人而言,核心变量最终将落在剩余贷款期限内的现金流和违约时能够回收的价值上。(围绕大型云服务商的数据中心资产折旧政策,市场已经出现质疑)

这也解释了为什么当前 GPU 信贷在租金下跌时能够暂时保持稳定。只要承购客户继续履约,现货价格的变化未必会立即影响当前的偿债情况;风险主要集中在合同续约、再融资和违约处理等几个关键节点。到了这些时点,GPU 的市场租金和残值将重新决定贷款的安全边际。
如果租金和设备价值下降的速度超过贷款本金的偿还速度,贷款价值比(LTV)将重新上升,贷款的安全边际随之缩小。长期合同可以将风险向后推,但无法锁定设备整个生命周期内的经济价值。
当前算力信贷结构的缺口也因此变得清晰:虽然合同锁定了部分客户的付款,但 GPU 的市场价格依然存在波动。
目前市场主要依赖多年期容量合同来提前锁定价格。早期 H100 的一年期合同在现货价格面前存在明显的折价,随着现货价格下行、远期合同价格回升,两者的价差已大幅缩小。这一结果受到供给改善和合同条款变化的影响,同时也反映了一个更根本的问题:在缺乏标准化的远期、期货和掉期工具的情况下,产业参与者只能通过长期实体合同来同时承担采购和价格管理的功能。
长约可以完成单个交易双方之间的风险分配;而当市场需要形成公开价格、跨机构转移风险时,就需要进一步的标准化金融工具。随着越来越多的 GPU 资产由债务资本支撑,这一需求将愈发明显。
一旦算力进入资本结构,价格波动的承担方将变得明确。Neocloud 承担租金下跌的风险,AI 公司承担采购成本上涨的风险,债权人则面临残值和再融资风险。衍生品市场通常从这些资产负债表无法自行消化的风险开始逐渐形成。
算力价格的波动最终将影响到三类资产负债表。Neocloud 在前期锁定 GPU、机房和融资成本,未来租金仍需重新定价;而当长约覆盖不足时,租金下跌将迅速压缩 EBITDA 和 DSCR,使得其最有动力出售远期合约以提前锁定收入。反之,AI 实验室和推理平台则处于另一侧,GPU 价格上涨会直接侵蚀毛利,且市场紧缺时价格与容量风险往往会同时出现,因此它们需要同时锁定成本和可用容量。贷款人则更关注贷款余额与 GPU 经济价值之间的安全边际,但缺少公开指数和远期曲线,LTV、再融资和契约条款的动态管理则变得困难。随着套保要求逐步纳入贷款条款,算力衍生品的需求将从企业主动管理风险,进一步融入融资体系。
如果直接用全球 GPU 出货量、数据中心资本支出或 AI 基础设施规模来估算算力衍生品的市场规模,结果很可能会高出一个数量级。
真正能够进入衍生品市场的,是仍然暴露于市场价格、并未被其他方式吸收的那部分风险。
Hyperscaler 自建并内部使用的 GPU 中,许多风险仍留在其资产负债表上;已经签署多年固定价格合同的容量,价格风险也提前在双边合同中完成了分配。尽管它们面临经济风险,但未必需要每日进入市场交易。
因此,从全球算力需求到衍生品市场的实际规模,中间至少需要经过几层过滤:
这也是为什么未来算力衍生品市场的规模,很可能与商用计算的占比关系更加紧密,而非简单线性地与全球 GPU 装机量增长挂钩。
过去大量先进模型的运行主要集中在少数大型实验室和 Hyperscaler 内部,算力采购同样高度内部化。随着开源模型

来源:Odaily星球日报
锦鲤(KoiPayment)原创作品,发布者:锦鲤KoiPayment,转载请注明出处:https://koipayment.com/2026/08/17/%e7%ae%97%e5%8a%9b%e9%87%91%e8%9e%8d%e5%8c%96%e4%b8%8eai%ef%bc%9a%e5%bc%80%e6%ba%90%e6%a8%a1%e5%9e%8b%e6%8e%a8%e5%8a%a8%e8%b5%84%e6%9c%ac%e5%b8%82%e5%9c%ba%e7%9a%84%e5%8f%98%e9%9d%a9%ef%bc%88%e4%b8%8a/
评论列表(8条)
这篇文章真是太有意思了!算力金融化的概念让我眼前一亮,期待下篇的分析!
开源模型推动资本市场的变革,听起来很酷!计算机技术和金融结合,会不会改变我们的投资方式呢?
我觉得算力资产化是未来的趋势,尤其在风险管理方面有很大潜力,期待更多案例分析!
非常认可作者提到的风险敞口问题,不同的算法模型可能会影响资本市场的稳定性。
这篇报告写得很专业,能否分享一些具体的应用实例?这样更容易理解!
AI和算力金融结合,真是个颠覆性的想法!希望能看到更多关于这方面的研究!
读完之后对衍生品定价逻辑有了新的认识,果然科技在金融行业的影响力越来越大了!
期待下篇内容!尤其是关于金融基础设施的部分,想知道未来会有什么样的变化。