据 Woofun AI 消息，AI 基础设施正加速迈入资本密集型扩张周期，算力的经济本质发生根本性位移。曾经被视为按需消耗的 IT 运营成本，如今已转化为具备典型资本资产特征的资产负债表项目：前期资本投入巨大、资金回收周期漫长，且未来收益与设备残值深受供需波动及技术迭代的双重挤压。GPU 采购与数据中心建设日益依赖债务融资，尽管当前信贷市场已能通过设备抵押和长期客户合同完成融资闭环，但公开、标准化的 GPU-hour 远期价格与对冲工具依然缺失。债务偿还具有刚性节奏，而数年后的租金收入与设备价值却充满不确定性，杠杆率越高，这种价格波动对偿债能力及再融资条件的冲击便越剧烈。

资本开支增速远超内部现金流扩张，成为近年 AI 基础设施领域最显著的特征。2020 年至 2023 年间，Top 5 云厂商的 AI 相关资本支出（CapEx）占经营现金流的比例大致维持在 20% 至 30% 的区间；

然而到了 2025 年，这一比例已逼近 94%。进入 2026 年，Top 5 云厂商已确认的 CapEx 规模合计突破 7000 亿美元。尽管这些巨头仍拥有强大的现金创造能力，但当基础设施建设长期以数千亿美元规模推进时，债务资本必然在融资结构中扮演更核心的角色。算力资产由此形成了一套独立的融资逻辑：GPU、服务器及数据中心需在收入产生前投入巨资，而 Neocloud 等算力运营商缺乏 Hyperscaler 那样成熟的主体信用评级。放贷方因此将风控重心下沉至项目本身，核心考量在于未来现金流是否足以覆盖本息，以及违约后的资产回收价值。

Take or Pay 长期合同是支撑这套融资结构的关键基石。即便客户未完全使用预订容量，仍需按约支付费用，这为运营商锁定了部分未来收入，同时将不确定的 GPU 利用率转化为可预测的合同现金流，极大增强了贷款人的信心。CoreWeave 是该模式的典型代表，其超过 98% 的收入源自此类 Take or Pay 条款合同。随着投资级客户多年期合同占比提升，其融资愈发依赖承购方信用及合同覆盖率。Nebius、IREN 等拥有大型客户长约的运营商随后也采用了类似结构。

这一转变重塑了 GPU 信贷的风险排序：贷款人首要评估合同现金流对债务的覆盖能力，其次才考量违约后 GPU 的回收价值。GPU 数量决定抵押物规模，长期订单则决定了资产所能获得的融资条件。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，几年后设备能产生多少收入、值多少钱，依然是悬在资产负债表上的风险。

GPU 兼具生产设备与技术产品的双重属性，导致会计折旧与经济折旧难以同步。作为生产设备，它能持续产生租金；作为技术产品，它处于极快的迭代周期中。新一代芯片推出后，上一代设备的竞争力下降会迅速反映在租金、利用率、续约价格及二手市场价值上。会计上可按固定年限摊销成本，但市场每天都在重新评估一张 GPU 还能生产多少具备竞争力的算力。对贷款人而言，核心变量最终落脚于剩余贷款期限内的现金流及违约回收价值。这也解释了为何当前 GPU 信贷在租金下跌时能暂时保持稳定：只要承购客户履约，现货价格波动未必立即影响当期偿债，风险更多集中在合同续约、再融资及违约处置节点。届时，GPU 的市场租金与残值将重新定义贷款安全垫。若租金和设备价值下降速度快于贷款本金摊还，贷款价值比（LTV）将重新上升，安全垫随之收窄。长期合同虽能将风险后置，却无法锁定设备全生命周期的经济价值。

当前算力信贷结构的缺口在于：合同锁定了部分客户付款，但 GPU 市场价格依然浮动。市场目前主要依靠多年期容量合同提前锁价。早期 H100 一年期合同相对现货存在明显折价，但随着现货价格下行、远期合同价格回升，两者价差已大幅收窄。供给改善与合同条款变化均会影响这一结果，但这反映出一个更基础的问题：在缺乏标准化远期、期货和掉期工具的情况下，产业参与者只能让长期实体合同同时承担采购与价格管理双重功能。长约可完成交易双方间的风险分配，但当市场需要持续形成公开价格、跨机构转移风险时，便亟需进一步的标准化金融工具。随着越来越多 GPU 资产由债务资本支撑，这一需求将愈发凸显。

算力一旦进入资本结构，价格波动便有了明确的承担方。Neocloud 持有租金下跌风险，AI 公司持有采购成本上涨风险，债权人持有残值和再融资风险。衍生品市场往往从这些资产负债表无法自行消化的风险中孕育而生。Neocloud 前期锁定 GPU、机房和融资成本，未来租金仍会重新定价；当长约覆盖不足时，租金下跌会迅速压缩 EBITDA 和偿债覆盖率（DSCR），因此其最有动力卖出远期以锁定收入。AI 实验室和推理平台则面临另一侧风险：GPU 涨价直接侵蚀毛利，且市场紧缺时价格与容量风险往往并发，故需同时锁定成本与可用容量。贷款人更关注贷款余额与 GPU 经济价值间的安全垫，缺乏公开指数和远期曲线使得 LTV、再融资及契约条款难以动态管理。随着套保要求逐渐纳入贷款条款，算力衍生品需求将从企业主动风险管理延伸至融资体系。

若直接用全球 GPU 出货量、数据中心 CapEx 或 AI 基础设施规模估算算力衍生品潜在市场规模（TAM），结果极易高出一个数量级。真正能进入衍生品市场的，是仍暴露在市场价格下且未被其他方式吸收的风险。Hyperscaler 自建并内部使用的 GPU，大部分风险留存于自身资产负债表；已签下多年固定价格合同的容量，价格风险已在双边合同中分配完毕。它们虽有经济风险，但未必需每日进入市场交易。

因此，从全球算力需求到真正的衍生品 TAM，需经过多层过滤：未来算力衍生品市场规模很可能与 merchant compute（商业算力）的占比关系更密切，而非与全球 GPU 装机量呈简单线性增长。过去大量先进模型运行于少数大型实验室和 Hyperscaler 内部，算力采购高度内部化。随着开源模型性能提升，越来越多企业可自行部署或将 workload 交给第三方 Neocloud 和推理平台。原本封闭在几个大资产负债表内的算力需求，逐渐转化为公开市场上的采购订单。

开源模型的发展之所以关键，在于它提高了市场化采购比例，使算力形成真实成交价格。缺乏足够外部交易，指数难以形成，远期曲线更无从谈起。同时，需求冲击更快传导至现货市场：热门模型发布后，若大量企业同时增加部署，新增需求直接冲击第三方 GPU 容量，价格和可用率快速变化。公开市场承担的边际需求越多，租金波动越可能成为企业需管理的损益（P&L）风险。

Woofun AI 整理数据显示，DeepSeek V4 发布后，H100 租金在两周内上涨约 7.5%；Kimi K3 和 GLM 5.2 上线前后，H100、H200 租金也出现类似走强趋势。热门开源模型在短时间内带来大量部署和推理需求，当这些新增负载主要由 Neocloud 和第三方推理平台承接时，市场往往先出现可用率下降、排队和配额收紧，随后反映到按需租金。最终决定算力衍生品市场规模的变量包括：多少算力进入公开市场、多少价格保持浮动，以及其中多少风险无法继续留在原资产负债表上。

算力远期的难点在于，市场尚未形成足够可信的期限价格曲线。GPU-hour 无法储存，今日闲置的一小时 H100 随时间窗口关闭而永久消失，无法在现货便宜时提前买入留待半年后交割。传统商品依靠库存套利建立的现货—远期约束，在算力市场中天然薄弱。

这意味着六个月后的 GPU 成交价更依赖届时的芯片交付、机房电力供给、模型效率及真实订单强度。硬件延期可迅速收紧未来容量，软件优化则可能在不增加 GPU 数量的情况下释放大量有效算力。一条算力远期曲线同时蕴含市场对硬件供给、能源约束和算法进步的判断。原油市场有稳定的仓储套利约束，当远期价格明显高于现货加融资仓储成本时，交易者可直接买入现货持有并卖出远期，价差难长期脱离持有成本。算力缺少 cash and carry 套利约束，现货价格对远期曲线的约束更弱，未来价格对边际信息极为敏感。

Blackwell 延迟交付、数据中心送电推迟会减少预期供给；模型蒸馏、推理优化或新一代芯片提高单位计算效率，则会增加全网有效算力。许多变化可能在数月内改写远期供需，从而凸显真实订单流的价值。公开现货报价仅反映当下，长期容量订单则能更早暴露未来供需。持续撮合 Neocloud 和 AI Lab 的 Broker 或 Dealer 能洞察哪些机房出现空余容量、哪些买家愿为半年后的 GPU 支付溢价，这类信息最终直接进入远期报价。

算力指数的价值在于将高度分散的非标报价压缩为可被合同、信贷和衍生品共同引用的价格基准。若某套指数能持续进入长期容量合同、贷款估值、OTC 结算和期货交割，它将逐渐成为市场共同使用的定价锚。指数商和 Dealer 能否建立壁垒，很大程度上取决于其离真实成交和未来订单的距离。AI 产业链实际存在两层价格：上游出售 GPU capacity，中游推理平台将 GPU-hours 转换为模型调用，再向下游出售 AI Token、API 或具体 workload。对推理平台而言，经营利润依赖两端：GPU 租金上涨抬高输入成本，AI Token 售价下降压低收入。若两端形成可交易价格，推理平台理论上可锁定一段 compute to intelligence spread，这与能源市场中炼油商管理 crack spread 的逻辑相近。

然而，GPU-hour 与 AI Token 目前标准化程度差异巨大。GPU 虽有型号、地区、互联方式等差异，但至少可围绕某一代芯片、交付期限和区域逐步定义标准规格，如 H100 或 H200 在技术属性上仍有相对明确边界。而 Token 缺乏稳定经济单位，单纯按数量结算难以将不同模型和服务质量纳入同一金融合约。同样一百万个 Token 可来自完全不同能力的模型，对应不同的延迟、吞吐和稳定性。企业大客户实际采购价常低于公开 API 报价，挂牌价难直接作为金融结算基准。

此外，技术通缩放大 AI Token 期限定价难度：模型架构、推理框架和硬件效率持续提升，同等质量任务所需计算成本可能在短时间内显著下降。期限拉长后，市场需预测的不仅是 Token 供需，还包括未来一单位'智能能力'究竟需要多少 Token 和 GPU。由此，需求侧标准化未必直接从 Token futures 开始，更可能先出现模型篮子、Router 和 workload pricing：将 coding、search 等任务定义为相对稳定的服务单位，由底层系统动态选择模型和 Provider。待这类 workload 拥有足够真实成交，市场才有条件进一步形成指数和衍生品。GPU-hour 更接近基础商品，workload 更接近最终经济需求，两者间的标准化进程将决定算力金融市场最终的交易标的。