GPU=石油？

在AI大變局時代，算力被認為是整個產業鏈上游的中堅底座，也可以被看作是決定性的根本。

正如在工業化時代，石油和天然氣等大宗商品，由于其對工業生產的基礎性作用，也成為了商品交易，特別是期貨、遠期合約等資本化交易市場的核心。那么，投資者是否有可能把以GPU價格為基準的算力視作類似的資本化“大宗商品”，進而進行套期保值或投機等交易呢？

現在，答案已經開始變得明確。

AI算力的資本化開端

綜合媒體報道，一家名為Silicon Data的公司正在與芝加哥商品交易所集團合作，嘗試推出全球首個與運行人工智能所需計算能力掛鉤的期貨合約。這家企業本身的業務涵蓋追蹤云服務提供商和GPU市場價格。

據悉，這種AI算力期貨合約推出的目的是幫助企業對沖訓練和運行人工智能模型成本的波動風險。正如航空公司對沖燃油成本，農業企業對沖農作物價格，制造業對沖金屬價格。

雖然這些合約目前仍在等待監管部門的批準，但早期跡象表明，美國的投資者已經對此表現出濃厚的興趣。在Silicon Data與芝加哥商品交易所集團宣布合作后的幾天內，包括ProShares和Rex Shares在內的多家資產管理公司就提交了與這些合約掛鉤的交易所交易基金（ETF）的發行方案，其中包括杠桿和反向產品。

有投資機構負責人認為，該期貨市場最終可能與全球一些最大的商品市場相媲美。甚至AI算力期貨的潛在規模將超過當前的石油期貨市場。理由是全球運行人工智能運行所需的能源最終將超過其他所有能源用途的總和，而算力正好是一個綜合性的媒介。

一個簡單的邏輯是：業務和AI有關的公司對算力的依賴程度越來越高，而且是其成本的決定性因素，就像航空公司對航空燃油的依賴程度一樣。

然而，大多數公司本身并不擁有驅動現代AI系統的高端圖形處理器（GPU）。相反，它們通過云服務提供商和日益壯大的所謂“新云”生態系統租用算力資源。隨著對人工智能基礎設施的需求激增，算力成本可能會波動，這使得企業難以預測支出。

如果采訪一位AI公司的老板，明年需要為運行其AI模型租用多少算力，很多人大概會一臉迷茫。甚至是那些大型云計算服務商，可能也無法預測到底要預購多少GPU和服務器才能滿足自身業務的發展。因為AI劇變來得很快，變化多端，正如前幾年全球缺高性能AI芯片，今年全球缺高端存儲芯片，明年可能還會缺CPU，哪怕是英偉達這樣的巨頭，也沒辦法做到完全掌控。

對抗這種成本波動性的方法，自然可以通過期貨等產品的對沖來實現。

據披露，Silicon Data本身已經構建了一系列GPU價格指數，用于追蹤不同供應商特定芯片的每小時租賃成本。該公司希望這些基準數據能夠像北海布倫特原油支撐能源衍生品市場一樣，成為期貨市場的基礎。

該公司的基準數據已經開始出現在一些知名企業的披露文件中。例如，SpaceX在其上市招股說明書中就引用了該公司的GPU租賃價格數據。

與任何期貨市場一樣，計算合約也需要買賣雙方。擔心算力成本上漲的公司會尋求對沖，而擁有大量算力的供應商則可以對沖價格下跌的風險。

當然，正如所有大宗期貨市場一樣，并非所有市場參與者都是像做市商、套期保值者那樣為了對沖風險。算力合約也會吸引投機者，這些人本身并不需要什么GPU來支撐業務，但卻對預測算力價格走勢從而謀利有極大興趣。

不要以為投機者就一定產生完全不好的作用，其實在成熟的市場，投機者往往能在構建市場流動性和改善價格發現方面發揮著重要作用。不過，過度的投機當然不是健康市場的特征，很多投機行為會加劇市場波動，并使價格與潛在需求脫節。

一旦算力期貨市場被真正構建，后續的ETF產品也可能被監管層批準，從而讓算力成為一種真正普及的可交易資產類別。

不過，當前攔在算力期貨市場真正成型前的問題也不少。其中之一便是標準化問題。

對于期貨產品來說，標準化一直就是比較難的地方。比如，玉米期貨會明確規定合約下可交付的玉米的具體等級。而在算力方面，標準化就更難了。僅英偉達的H100芯片就有超過50種不同的配置，價格會根據處理器、內存、網絡、利用率和數據中心位置而有所不同。要使潛在算力期貨市場有效運作，交易者需要確信單一基準能夠準確反映這些波動。其標準化步驟的難度可想而知。

GPU成為AI算力的主角

讀到這里，可能還有讀者對AI算力的定義感到有點模糊。正好可以做一個解釋。

首先是框架層面，AI算力可以看作是AI計算大概念下的一個細分。

所謂AI計算，指的是利用專用硬件和軟件，使機器能夠像人類一樣完成工作。它包括使用算法自主處理海量數據，這些算法能夠像人類一樣學習、推理和決策。

AI計算的關鍵組成部分包括：

——算法：用于數據分析和決策的機器學習和深度學習模型。

——數據：大型數據集用于訓練人工智能模型，以實現更準確的預測和更佳的性能。

——AI算力：用于密集計算的專用硬件，例如GPU（圖形處理器）、TPU（張量處理器）和其他人工智能加速器。

——軟件框架：用于創建和部署人工智能模型的TensorFlow和PyTorch。

——云計算和邊緣計算：用于本地或互聯網人工智能應用的可擴展平臺。

AI計算的流程可以簡單概括為：首先收集并準備大型數據集以供人工智能計算使用，然后利用專門的算法從中發現模式和洞見。這些方法（通常是機器學習或深度學習）訓練模型來檢測數據關聯。訓練好的模型隨后用于預測、分類或自動決策。技術會不斷從新數據中學習，以提高準確性和效率。

其中，機器學習 (Machine Learning) 是AI計算的底座。它使系統無需編程即可從數據中學習。歷史數據用于訓練機器學習模型以進行預測或決策。在其基礎上，深度學習（Deep Learning ）則使用神經網絡處理非結構化數據，包括照片、視頻和文本。隨著機器學習的不斷改進和發展，人工智能系統變得更加可靠和靈活。

而推動AI計算整個流程的基礎，就是AI算力。

其中，GPU算力已成為優化深度學習、加速價值實現時間 (TTV)、提升編碼處理速度、增強數據管理、內容創作和產品工程以及提供全面數據分析洞察的關鍵。

因為GPU采用“眾核”架構，擁有?數千個小型計算核心?。它犧牲了單核性能和復雜控制邏輯，換取了極高的?數據吞吐量?。AI訓練和推理本質上是海量的矩陣乘法與加法運算，這些操作相互獨立且高度并行，GPU能同時處理成千上萬個數據點，實現“暴力美學”般的計算效率。反觀CPU在處理AI所需的海量簡單重復運算時，核心數量不足成為致命瓶頸。??

由于GPU并行計算的能力，當CPU因處理海量數據而不堪重負時，GPU會介入并將復雜問題分解為數百萬個任務，從而更容易一次性找到解決方案。GPU可以連續運行不同級別的任務，從而釋放CPU的常規處理能力，并通過將特定工作負載分配給最高效的處理器來保護兩個系統的完整性。CPU和GPU可以在人工智能生態系統中協同工作，相互支持問題解決。

除了處理能力之外，GPU還能擴展內存帶寬。GPU配備?高帶寬顯存的帶寬相比CPU依賴的系統內存高得多，高帶寬確保了海量模型權重和激活值能迅速喂給計算核心，避免核心閑置等待，這對大模型推理尤為關鍵。??

可以說，在智能體時代完全到來前，以GPU為主的AI算力基礎設施占據著絕對的主流。前文提及的AI算力期貨以GPU價格作為基準，也就非常自然了。

結語

最后需要注意的是，盡管當前GPU在AI計算中占主導，但CPU并未被取代。?CPU負責整體系統調度、數據預處理及邏輯控制?，與GPU形成“CPU指揮+GPU執行”的異構協同模式。

而隨著今年智能體的崛起，有機構預測，傳統AI訓練集群中CPU:GPU約為1:8，而在智能體與高并發推理場景下，該比例已趨向?1:1甚至更高?，以匹配復雜的任務調度需求。

后續GPU和CPU商品期貨能否同時產生，也是一大看點。

免責聲明（上下滑動查看全部）

任何在本文出現的信息（包括但不限于個股、評論、預測、圖表、指標、理論、任何形式的表述等）均只作為參考，投資人須對任何自主決定的投資行為負責。另，本文中的任何觀點、分析及預測不構成對閱讀者任何形式的投資建議，亦不對因使用本文內容所引發的直接或間接損失負任何責任。投資有風險，過往業績不預示未來表現。財經早餐力求文章所載內容及觀點客觀公正，但不保證其準確性、完整性、及時性等。本文僅代表作者本人觀點。

健談Alpha｜2026年度第51場直播

（總第115場）

點擊“預約”，觀看直播不錯過！

?星標財經早餐，好內容不錯過?

覺得好看，請點“在看”，歡迎點贊評論和轉發