據 Woofun AI 消息，AI 基礎設施正加速邁入資本密集型擴張週期，算力的經濟本質發生根本性位移。曾經被視爲按需消耗的 IT 運營成本，如今已轉化爲具備典型資本資產特徵的資產負債表項目：前期資本投入巨大、資金回收週期漫長，且未來收益與設備殘值深受供需波動及技術迭代的雙重擠壓。GPU 採購與數據中心建設日益依賴債務融資，儘管當前信貸市場已能通過設備抵押和長期客戶合同完成融資閉環，但公開、標準化的 GPU-hour 遠期價格與對沖工具依然缺失。債務償還具有剛性節奏，而數年後的租金收入與設備價值卻充滿不確定性，槓桿率越高，這種價格波動對償債能力及再融資條件的衝擊便越劇烈。

資本開支增速遠超內部現金流擴張，成爲近年 AI 基礎設施領域最顯著的特徵。2020 年至 2023 年間，Top 5 雲廠商的 AI 相關資本支出（CapEx）佔經營現金流的比例大致維持在 20% 至 30% 的區間；

然而到了 2025 年，這一比例已逼近 94%。進入 2026 年，Top 5 雲廠商已確認的 CapEx 規模合計突破 7000 億美元。儘管這些巨頭仍擁有強大的現金創造能力，但當基礎設施建設長期以數千億美元規模推進時，債務資本必然在融資結構中扮演更核心的角色。算力資產由此形成了一套獨立的融資邏輯：GPU、服務器及數據中心需在收入產生前投入巨資，而 Neocloud 等算力運營商缺乏 Hyperscaler 那樣成熟的主體信用評級。放貸方因此將風控重心下沉至項目本身，核心考量在於未來現金流是否足以覆蓋本息，以及違約後的資產回收價值。

Take or Pay 長期合同是支撐這套融資結構的關鍵基石。即便客戶未完全使用預訂容量，仍需按約支付費用，這爲運營商鎖定了部分未來收入，同時將不確定的 GPU 利用率轉化爲可預測的合同現金流，極大增強了貸款人的信心。CoreWeave 是該模式的典型代表，其超過 98% 的收入源自此類 Take or Pay 條款合同。隨着投資級客戶多年期合同佔比提升，其融資愈發依賴承購方信用及合同覆蓋率。Nebius、IREN 等擁有大型客戶長約的運營商隨後也採用了類似結構。

這一轉變重塑了 GPU 信貸的風險排序：貸款人首要評估合同現金流對債務的覆蓋能力，其次才考量違約後 GPU 的回收價值。GPU 數量決定抵押物規模，長期訂單則決定了資產所能獲得的融資條件。Take or Pay 提升了償債現金流的可見性，但 GPU 本身的經濟價值仍在持續波動，幾年後設備能產生多少收入、值多少錢，依然是懸在資產負債表上的風險。

GPU 兼具生產設備與技術產品的雙重屬性，導致會計折舊與經濟折舊難以同步。作爲生產設備，它能持續產生租金；作爲技術產品，它處於極快的迭代週期中。新一代芯片推出後，上一代設備的競爭力下降會迅速反映在租金、利用率、續約價格及二手市場價值上。會計上可按固定年限攤銷成本，但市場每天都在重新評估一張 GPU 還能生產多少具備競爭力的算力。對貸款人而言，核心變量最終落腳於剩餘貸款期限內的現金流及違約回收價值。這也解釋了爲何當前 GPU 信貸在租金下跌時能暫時保持穩定：只要承購客戶履約，現貨價格波動未必立即影響當期償債，風險更多集中在合同續約、再融資及違約處置節點。屆時，GPU 的市場租金與殘值將重新定義貸款安全墊。若租金和設備價值下降速度快於貸款本金攤還，貸款價值比（LTV）將重新上升，安全墊隨之收窄。長期合同雖能將風險後置，卻無法鎖定設備全生命週期的經濟價值。

當前算力信貸結構的缺口在於：合同鎖定了部分客戶付款，但 GPU 市場價格依然浮動。市場目前主要依靠多年期容量合同提前鎖價。早期 H100 一年期合同相對現貨存在明顯折價，但隨着現貨價格下行、遠期合同價格回升，兩者價差已大幅收窄。供給改善與合同條款變化均會影響這一結果，但這反映出一個更基礎的問題：在缺乏標準化遠期、期貨和掉期工具的情況下，產業參與者只能讓長期實體合同同時承擔採購與價格管理雙重功能。長約可完成交易雙方間的風險分配，但當市場需要持續形成公開價格、跨機構轉移風險時，便亟需進一步的標準化金融工具。隨着越來越多 GPU 資產由債務資本支撐，這一需求將愈發凸顯。

算力一旦進入資本結構，價格波動便有了明確的承擔方。Neocloud 持有租金下跌風險，AI 公司持有采購成本上漲風險，債權人持有殘值和再融資風險。衍生品市場往往從這些資產負債表無法自行消化的風險中孕育而生。Neocloud 前期鎖定 GPU、機房和融資成本，未來租金仍會重新定價；當長約覆蓋不足時，租金下跌會迅速壓縮 EBITDA 和償債覆蓋率（DSCR），因此其最有動力賣出遠期以鎖定收入。AI 實驗室和推理平臺則面臨另一側風險：GPU 漲價直接侵蝕毛利，且市場緊缺時價格與容量風險往往併發，故需同時鎖定成本與可用容量。貸款人更關注貸款餘額與 GPU 經濟價值間的安全墊，缺乏公開指數和遠期曲線使得 LTV、再融資及契約條款難以動態管理。隨着套保要求逐漸納入貸款條款，算力衍生品需求將從企業主動風險管理延伸至融資體系。

若直接用全球 GPU 出貨量、數據中心 CapEx 或 AI 基礎設施規模估算算力衍生品潛在市場規模（TAM），結果極易高出一個數量級。真正能進入衍生品市場的，是仍暴露在市場價格下且未被其他方式吸收的風險。Hyperscaler 自建並內部使用的 GPU，大部分風險留存於自身資產負債表；已簽下多年固定價格合同的容量，價格風險已在雙邊合同中分配完畢。它們雖有經濟風險，但未必需每日進入市場交易。

因此，從全球算力需求到真正的衍生品 TAM，需經過多層過濾：未來算力衍生品市場規模很可能與 merchant compute（商業算力）的佔比關係更密切，而非與全球 GPU 裝機量呈簡單線性增長。過去大量先進模型運行於少數大型實驗室和 Hyperscaler 內部，算力採購高度內部化。隨着開源模型性能提升，越來越多企業可自行部署或將 workload 交給第三方 Neocloud 和推理平臺。原本封閉在幾個大資產負債表內的算力需求，逐漸轉化爲公開市場上的採購訂單。

開源模型的發展之所以關鍵，在於它提高了市場化採購比例，使算力形成真實成交價格。缺乏足夠外部交易，指數難以形成，遠期曲線更無從談起。同時，需求衝擊更快傳導至現貨市場：熱門模型發佈後，若大量企業同時增加部署，新增需求直接衝擊第三方 GPU 容量，價格和可用率快速變化。公開市場承擔的邊際需求越多，租金波動越可能成爲企業需管理的損益（P&L）風險。

Woofun AI 整理數據顯示，DeepSeek V4 發佈後，H100 租金在兩週內上漲約 7.5%；Kimi K3 和 GLM 5.2 上線前後，H100、H200 租金也出現類似走強趨勢。熱門開源模型在短時間內帶來大量部署和推理需求，當這些新增負載主要由 Neocloud 和第三方推理平臺承接時，市場往往先出現可用率下降、排隊和配額收緊，隨後反映到按需租金。最終決定算力衍生品市場規模的變量包括：多少算力進入公開市場、多少價格保持浮動，以及其中多少風險無法繼續留在原資產負債表上。

算力遠期的難點在於，市場尚未形成足夠可信的期限價格曲線。GPU-hour 無法儲存，今日閒置的一小時 H100 隨時間窗口關閉而永久消失，無法在現貨便宜時提前買入留待半年後交割。傳統商品依靠庫存套利建立的現貨—遠期約束，在算力市場中天然薄弱。

這意味着六個月後的 GPU 成交價更依賴屆時的芯片交付、機房電力供給、模型效率及真實訂單強度。硬件延期可迅速收緊未來容量，軟件優化則可能在不增加 GPU 數量的情況下釋放大量有效算力。一條算力遠期曲線同時蘊含市場對硬件供給、能源約束和算法進步的判斷。原油市場有穩定的倉儲套利約束，當遠期價格明顯高於現貨加融資倉儲成本時，交易者可直接買入現貨持有並賣出遠期，價差難長期脫離持有成本。算力缺少 cash and carry 套利約束，現貨價格對遠期曲線的約束更弱，未來價格對邊際信息極爲敏感。

Blackwell 延遲交付、數據中心送電推遲會減少預期供給；模型蒸餾、推理優化或新一代芯片提高單位計算效率，則會增加全網有效算力。許多變化可能在數月內改寫遠期供需，從而凸顯真實訂單流的價值。公開現貨報價僅反映當下，長期容量訂單則能更早暴露未來供需。持續撮合 Neocloud 和 AI Lab 的 Broker 或 Dealer 能洞察哪些機房出現空餘容量、哪些買家願爲半年後的 GPU 支付溢價，這類信息最終直接進入遠期報價。

算力指數的價值在於將高度分散的非標報價壓縮爲可被合同、信貸和衍生品共同引用的價格基準。若某套指數能持續進入長期容量合同、貸款估值、OTC 結算和期貨交割，它將逐漸成爲市場共同使用的定價錨。指數商和 Dealer 能否建立壁壘，很大程度上取決於其離真實成交和未來訂單的距離。AI 產業鏈實際存在兩層價格：上游出售 GPU capacity，中游推理平臺將 GPU-hours 轉換爲模型調用，再向下游出售 AI Token、API 或具體 workload。對推理平臺而言，經營利潤依賴兩端：GPU 租金上漲抬高輸入成本，AI Token 售價下降壓低收入。若兩端形成可交易價格，推理平臺理論上可鎖定一段 compute to intelligence spread，這與能源市場中煉油商管理 crack spread 的邏輯相近。

然而，GPU-hour 與 AI Token 目前標準化程度差異巨大。GPU 雖有型號、地區、互聯方式等差異，但至少可圍繞某一代芯片、交付期限和區域逐步定義標準規格，如 H100 或 H200 在技術屬性上仍有相對明確邊界。而 Token 缺乏穩定經濟單位，單純按數量結算難以將不同模型和服務質量納入同一金融合約。同樣一百萬個 Token 可來自完全不同能力的模型，對應不同的延遲、吞吐和穩定性。企業大客戶實際採購價常低於公開 API 報價，掛牌價難直接作爲金融結算基準。

此外，技術通縮放大 AI Token 期限定價難度：模型架構、推理框架和硬件效率持續提升，同等質量任務所需計算成本可能在短時間內顯著下降。期限拉長後，市場需預測的不僅是 Token 供需，還包括未來一單位'智能能力'究竟需要多少 Token 和 GPU。由此，需求側標準化未必直接從 Token futures 開始，更可能先出現模型籃子、Router 和 workload pricing：將 coding、search 等任務定義爲相對穩定的服務單位，由底層系統動態選擇模型和 Provider。待這類 workload 擁有足夠真實成交，市場纔有條件進一步形成指數和衍生品。GPU-hour 更接近基礎商品，workload 更接近最終經濟需求，兩者間的標準化進程將決定算力金融市場最終的交易標的。