晶片按周生產：電力按年排隊：GPU算力溢價為何遲遲不退

亞里士多德記載了古希臘哲學家米利都的泰勒斯所進行的一筆交易。這是史料中最早的交易之一，買的卻是機器的使用時間。泰勒斯預料橄欖會豐收，便在冬天支付少量定金，租下米利都和希俄斯的全部榨油機。等到收穫季，人人都急着榨油，他就按自己開出的價格轉租。他預測的是收成，買下的卻是榨油機的使用權。亞里士多德用這個故事說明壟斷，後人則常把它稱為第一筆期權交易。

今天，GPU 小時就像當年的榨油機使用權，已經形成了每日報價市場。至少 4 家公司發布每日租賃價格指數，4 家交易所已宣布推出算力期貨，美國監管機構也剛結束有關上市安排的公開徵求意見。然而，大多數租用 GPU 的工程師並不清楚，這個價格究竟由哪些部分組成。本文先從成本出發，為一個 GPU 小時定價，再看市場實際支付多少，最後追蹤哪些因素在改變兩者之間的價差。

為 GPU 定價，先記住三點。

兩代 GPU，兩種定價邏輯

10 月 24 日，Silicon Data 指數中的 H100 租金為每小時 2.88 美元，Ornn 指數為 3.02 美元。我測算的 H100 成本底價為 1.77—3.21 美元。因此，兩個以租賃數據為基礎的指數都顯示，H100 的價格大致處於成本區間。B200 的租金則為 6.45—9.57 美元，成本底價為 2.32—4.17 美元，中性情景為 2.90 美元。按不同指數計算，Blackwell 的價格大約是成本底價的 2—3 倍。價格取決於成本底價與稀缺溢價，後者受內存、封裝和電力供應的排隊情況等因素影響；哪一項約束更強，哪一項就主導價格。

電費之外，更重要的是資本成本

資本成本約占一個 GPU 小時成本的 70%，電費不到 10%。真正影響結果的，是你認為晶片還能賺錢多久、付費使用率有多高，以及借款利率是多少。電力主要影響供給何時上線。因此，信貸市場也是算力供給曲線的一部分。10 月 15 日，CoreWeave 的五年期信用違約互換（CDS）價格所隱含的風險中性違約機率超過 60%。這是市場定價口徑，並不等於現實中的違約機率預測。

算力無法儲存，對沖難在基差

今天沒用掉的一個 GPU 小時，不能留到下個月再賣。同一天、同一種晶片，主要指數的報價差距最高可達 78%。這個差距比大多數月份的價格漲跌還大。因此，主要風險在於基差，也就是你的實際成交價格與對沖所用指數之間的差異，而不只是價格方向。

1. 一個 GPU 小時的成本賬

可以把它想成開出租車：把車貸、油費和停車費加在一起，再除以真正載客的小時數。

先看一個公式。所謂底價，就是 GPU 擁有者剛好收支平衡時的價格：

每 GPU 小時的成本底價 =（年度資本成本 + 年度電費 + 年度機房租金）÷（8,760 小時 × 付費使用率）

資本成本：根據晶片的使用年限和資金成本，把採購支出折算成每年的資本回收額，類似每期償還房貸。財務上用於計算這一年度支出的係數，叫作資本回收因子。

電費：GPU 功率 × 機房能耗係數 × 運行小時數 × 電價。機房能耗係數即 PUE（電能使用效率），等於設施總用電量除以 IT 設備用電量。

機房租金：託管費用，通常按每千瓦每月計費。

付費使用率：全部小時中，真正有人付費的比例。空置的一小時，無法留到以後再賣。

我為每種晶片測算了低、中、高三種成本情景。能找到披露文件和官方數據的地方，都儘量採用這些來源。配備 8 張 GPU 的 DGX H100 最大功率為 10.2 kW，DGX B200 為 14.3 kW。2026 年 5 月，美國工業電價為每 kWh 8.71 美分。北弗吉尼亞和芝加哥的機房託管租金約為每千瓦每月 190—235 美元。2025 年，數據中心平均 PUE 為 1.54；Epoch AI 引用的 2023 年專用 AI 設施平均值為 1.14。服務器價格是這些輸入中最不確定的一項，主要採用供應商估算，再用 Epoch AI 的集群成本倍數交叉核對。

測算結果是：提供一個 H100 小時的成本為 1.77—3.21 美元，B200 為 2.32—4.17 美元。有四點值得展開。

每小時成本，約七成來自資本

在中性情景下，兩種晶片的資本成本都約占總成本的 70%，電費占 8%—9%。即使電價翻倍，B200 的成本底價也只上升 9%。Kalshi 發布過另一種成本劃分，電力和冷卻占價格的比例更高，約為 16%，但沒有披露計算所用的輸入。

GPU 能賺錢多久，決定成本攤多薄

公司披露的折舊年限從 4 年到 6 年不等。CoreWeave 採用 6 年，Meta 為 5.5 年，Amazon 則把部分服務器的年限從 6 年縮短至 5 年。Nebius 原先採用 4 年，2026 年正改為 5 年。實際服役時間可能更長：Microsoft 的 K80 雲實例在晶片發布約 7 年後退役，V100 則約為 7 年半。把 H100 的使用年限從 6 年縮短至 4 年，成本底價就會上升 26%。因此，一家公司認為某種 GPU 還能創造多少年的價值，會顯著改變測算結果。

空置時間，也要有人買單

使用率為 80% 時，B200 的成本底價是 2.90 美元；降至 60%，就變成 3.86 美元，上漲 33%。使用率下降約 20 個百分點，增加的單位成本，比使用率提高 20 個百分點所節省的單位成本更多。

信貸收緊，改變的不只是利息

借款利率從 9.25% 升至 15%，H100 中性情景下的成本底價上升 11%。從低成本到高成本情景，底價總共上升 81%，是利率、使用年限和付費使用率共同變化的結果。貸款人往往會同時改變這三項條件：信貸收緊時，他們不僅要求更高利率，也要求更快回收本金，並重新審視設備使用率。

如果只考慮讓老晶片繼續運行所需的支出，而不把歷史採購成本計入底價，成本底線就會大幅下降。A100 所有者只需覆蓋電費和機房租金，每小時約為 0.36—0.49 美元。租金超過這部分的收入，仍可用於回收歷史投入。這也是老晶片能以低價繼續出租多年的原因。

從 GPU 小時換算到 token。大多數工程師購買的是 token，而不是 GPU 小時。兩者可以用一個公式連接：

每百萬 token 成本 = GPU 小時價格 ÷［每 GPU 小時可處理的百萬 token 數 ×（1 − 應對突發需求而預留的容量比例）× 利用率］

Ornn 的測算預留 15% 的容量，並假設利用率為 50%。按其 9 月 1 日的價格，用 H100 運行 Llama-2-70B，每百萬輸出 token 的成本約為 0.68 美元。對於開放模型 gpt-oss-120b，H100 的利用率需要達到 53%，才能與託管服務每百萬 token 0.60 美元的價格中位數持平；A100 只需達到 24%。

公式里的每一項都是風險：GPU 小時價格、模型吞吐量，以及晶片到底有多忙。你需要決定，哪些要對沖，哪些自己承擔。

2. 同一張 GPU，為什麼價格不同

成本底價告訴我們賣方的承受下限，市場價格告訴我們買方實際付了多少。一家 GPU 供應商在提交給 CFTC 的意見中，把算力交易分為四種：

長期承諾採購（Committed）：針對整個集群簽訂多年期照付不議合約，無論是否使用都要付款。合約保密，按交易金額計，這一類的規模遠超其他類型。

預留（Reserved）：以固定價格預訂 1—12 個月的容量，部分預付。由雙方私下協商，不公開報價。

按需（On-demand）：按小時收費，價格公開，可以取消。交易金額占比較小，但透明度最高。

現貨（Spot）：價格更便宜，但供應商可以收回容量。

價格發現，恰恰發生在規模最小、最透明的那部分市場。

至少有 4 家公司把這一小部分市場的數據編成每日指數。Compute Desk 的數值不公開，本文比較另外三家。它們的方法不同，得出的價格也不同：

Ornn：對實際成交的按需交易價格，按交易量加權平均（https://data.ornn.com/markets/h100-sxm）。

Silicon Data：收集新型 GPU 雲服務商和交易平台的租賃報價或觀測數據，再統一換算到同一套基準規格。它並未聲稱這些數據全部來自實際成交（https://www.silicondata.com/products/silicon-index/h100）。CME 擬推出的期貨將以該指數結算。

Price of Compute：跟蹤 12 家供應商公開的按需價格，先計算每家供應商內部的中位數，再計算供應商之間的中位數（方法說明：https://priceofcompute.com/methodology）。

10 月 24 日，除了前面列出的 H100 和 B200 價格，Silicon Data 與 Ornn 對 H200 的報價分別為 3.48 美元和 6.20 美元，對 A100 則分別為 1.56 美元和 1.08 美元。Price of Compute 的公開報價中位數，在 H200 和 B200 上介於兩者之間，在 H100 和 A100 上則高於兩者。10 月 15 日，Silicon Data 的 B300 報價為 6.77 美元，Price of Compute 為 8.26 美元，相差 22%。

不要把這些數字直接取平均數，因為它們回答的不是同一個問題。公開掛牌價通常處於市場高位：10 月 25 日，幾家供應商公開的 H100 按需價格為每小時 3.99—4.50 美元，CoreWeave 約為 6.16 美元。大型雲廠商又是另一個市場。Silicon Data 的 H100 大型雲廠商指數為 7.17 美元，是其新型 GPU 雲服務商指數的 2.5 倍，而且整個月幾乎沒變。

這些價格今年都在上漲。Silicon Data 的 H100 指數從 2.00 美元升至 2.88 美元，漲幅為 44%。Ornn 的數據顯示，3 月至 9 月，新晶片價格上漲約 70%—110%，A100 約漲 20%。Nebius 公開的 H100 按需價格為 4.50 美元，據報導，其 10 月 1 日之前的價格為 3.85 美元。僅靠成本變化，很難解釋這樣的漲幅。供應緊張、需要通過價格分配有限容量，才能更好地解釋這些走勢。

3. 今天鎖定未來算力，要付多少錢

遠期曲線展示的是：如果算力在未來不同日期交付，今天分別要付多少錢。Ornn 的分析師根據正在洽談或交易中的合約構建曲線。所有晶片系列的曲線都向下傾斜：五年期 H100 合約的小時價格只有一個月期的 60%，H200 為 44%，A100 為 80%。

Together AI 公開的期限報價也呈現同樣的形狀：預訂 H100 達 91—180 天，價格為按需價格的 80%。

交易員把這種向下傾斜的曲線稱為 backwardation（遠期貼水）。在這裡，它有三個原因：

a）買方預期，下一代晶片會拉低價格。

b）供應商願意用較低的小時價格換取確定的收入，因為貸款人可以據此提供融資。

c）有實際業務對沖需求的參與者集中在賣方一側：供應商都想提前賣出未來的算力，因此，願意接下這部分風險的買方可以獲得價格補償。

A100 的曲線最平，原因正是第一節提到的老晶片營運成本：歷史採購支出已經發生，繼續出租主要需要覆蓋電費和機房租金。最新一代晶片的長期價格降得最快，因為它們目前包含的稀缺溢價最多，未來可能失去的也最多。

向下傾斜的曲線看起來像是在預測價格下跌，因此可以拿實際結果來檢驗。用「成本底價加上逐漸衰減的溢價」擬合每條 Ornn 曲線，就能推算其隱含的價格路徑。按 8 月 13 日的報價，這條路徑意味著，到 10 月 24 日，H100 應便宜約 6%，H200 便宜 10%，B200 便宜 5%。但 Ornn 自己的指數顯示，H100 上漲了 11%，H200 上漲 32%，B200 上漲 64%。

Kalshi 7 月從市場價格推導出的曲線則有所不同：A100、H100 和 H200 到 2027 年大致持平，B200 在一年內從約 7.20 美元降至約 5.50 美元。兩組曲線對哪種晶片會先失去溢價看法不同，但都預計 B200 會跌。

到了 10 月 24 日，Ornn 的 B200 指數卻達到 9.57 美元。一家 GPU 供應商也曾公開質疑「租金會隨晶片使用年限增加而下降」這一假設。

應當把曲線理解為風險的價格，而不是確定的預測。

有一個框架可以同時解釋這些現象：現貨價格 = 成本底價 + 稀缺溢價。 隨著晶片採購成本下降、使用年限延長，底價緩慢下移。稀缺溢價則會因突發新聞和供應消息而跳升，再隨著新產能到來逐漸消退。能源交易員也經常用類似方式建立電價模型：緩慢變化的趨勢，加上突然出現、隨後衰減的價格衝擊。

曲線的斜率，反映了市場對溢價消退速度的判斷。用同樣的方法擬合，可以得到具體數值：主流 GPU 曲線隱含的稀缺溢價，每 11—15 個月減半。B200 的曲線在近一年內幾乎持平，因此最貼合它的模型，是讓溢價先維持約 9 個月、直到 2027 年 5 月前後，再每 10 個月減半。2026 年，溢價消退得比市場定價預期更慢。我的判斷是，封裝、內存和電力瓶頸一再推遲了新增供應。

還有一個常見問題：為什麼算力的交易邏輯更像交易電力，而不是交易石油？

石油可以儲存，因此可以通過買入現貨、持有並賣出期貨來套利。這種機制把期貨價格與現貨價格、持有一桶油的成本聯繫起來。電力無法儲存，也就沒有同樣的套利機制把遠期和現貨價格聯繫起來。

Bessembinder 和 Lemmon 在 2002 年提出的經典模型認為，電力遠期價格由對沖需求決定：隨著預期需求和需求風險上升，溢價也會上升，並與現貨價格突然飆升的風險相關。GPU 小時屬於同一類商品。下文提到的按月均價結算和按地區劃分合約，也都能在電力市場中找到對應設計。

真正做對沖時，會遇到以下風險：

基差。你實際租用的 GPU，不等於指數里的那張 GPU。互聯方式、集群規模、地區、在線率和租期都會影響價格。Lambda 為期兩周至一年的 H100 集群，公開價格為每小時 5.54—6.16 美元，高於其 3.99 美元的按需實例。即使晶片相同，集群和單機也是兩種產品。合約結算所依據的產品，與實際工作負載需要的產品之間存在的價格差異，就是基差。

指數選擇。截至 10 月 24 日的 30 天裡，Silicon Data 的 B200 指數上漲 9.9%，Ornn 上漲 19.5%。10 月 24 日，兩者的價格差距為 48%。

數據稀少。Price of Compute 的 B300 指數隻取 3 家供應商的報價中位數。10 月 25 日，這些掛牌價從 6 美元到 15 美元不等。

新聞衝擊。出口許可和模型發布會在幾天內推動價格變化，隨後影響又逐漸消退。

對手盤風險。預留合約能否兌現，取決於供應商是否可靠。10 月 15 日，CoreWeave 的 CDS 升至約 1,195 個基點。截至 6 月 30 日，該公司債務約為 351 億美元。

4. GPU 到貨了，算力未必就緒

只有供應鏈的每個環節都完成，一個可供出租的 GPU 小時才真正存在。上線時間取決於三個日期中最晚的那個：晶片交付、機房就緒、電力接通。只要最慢的環節沒有完成，其他環節提速也無法讓算力提前上線。

晶片反而是快的那一環。

邏輯晶圓大約在 GPU 出貨前 16 周開始製造，HBM 至少提前 8 周採購，CoWoS 封裝也大約提前 8 周進行。CoWoS 就是把晶片與內存連接起來的封裝步驟。2025 年，真正限制供應的是 HBM 和 CoWoS，而不是晶圓。

內存還沒生產，就已被預訂。

Micron 在 9 月 30 日表示，其 2027 年 HBM 供應的「絕大部分」已簽訂協議，價格也顯著提高。

電力最慢。

Wood Mackenzie 的一位分析師告訴路透社，到 2026 年初，發電機升壓變壓器的交付周期已超過 160 周。2025 年投運的發電項目，從提出併網申請到實際運行，中位耗時超過 5 年。晶片供應在全力提速，電力卻仍受這些長期瓶頸拖累。

5. 從內存到信貸：算力價格如何變化

影響因素可以歸到五條路徑：內存和封裝決定數量，電力決定時間，信貸決定底價，模型效率影響需求，出口規則和地理位置則決定你面對的是哪一個價格。

內存和封裝決定能造出多少張 GPU

Epoch AI 估算，一張 B200 的製造成本約為 6,400 美元，區間為 5,700—7,300 美元。其中 HBM 為 2,900 美元，封裝為 1,100 美元，另有約 1,000 美元的良率損失。HBM 漲價 30%，每張 GPU 的成本約增加 870 美元，只會讓 B200 的小時成本底價上升約 1%。但如果 HBM 或 CoWoS 產能不足，GPU 根本就造不出來。內存對可供出租總小時數的影響，遠大於對每小時成本的影響。

電力決定供給何時到來

美國最大的電網 PJM 在 7 月的容量拍賣中，連續第三次觸及價格上限。在上一輪拍賣中，2027/28 年度預測峰值負荷增加 5,250 MW，其中數據中心貢獻了 5,100 MW。北美主要市場在建的數據中心容量中，80% 已有客戶預訂。因此，電力能否到位，成為遠期曲線長端所對應的未來供給何時增加的決定因素。

平均來看，電力成本占比不高，但在極端行情下就不同了。Kalshi 借用了電力交易員分析燃氣電廠的方法：用算力收入減去耗電成本，把這個差額稱為 Silicon Spark Spread（硅火花價差）。一張 H100 連同冷卻，每運行一小時大約消耗 1.7 kWh，按美國工業電價計算約為 14 美分。但在供應緊張的時段，得克薩斯州批發電價最高可達每 MWh 5,000 美元。按我的計算，當電價超過每 MWh 約 1,700 美元時，一張租金為每小時 2.88 美元的 H100，收入就不夠支付電費；對租金為 6.45 美元的 B200，這條線約為每 MWh 2,800 美元。大多數營運商以固定價格購電，因此只有承擔批發電價波動的營運商會直接受到影響。

信貸既決定底價，也會形成反饋循環

CoreWeave 以 GPU 為抵押的貸款，利率從一筆 2026 年融資的 SOFR + 2.25%，到 SOFR + 13% 不等。SOFR 是美元融資常用的基準利率。在一筆較早的融資中，如果對應的是投資級客戶合約，利差為 6—6.5 個百分點；其他合約則為 13 個百分點。資金成本既取決於借款人，也取決於其客戶。

這會形成反饋循環：信用利差擴大，既抬高成本底價，也使新項目更難獲得融資；建設放慢，未來供給減少，又可能推高現貨租金。由此可以看到，信貸衝擊在中期可能推高租金，卻會打擊那些必須為現有 GPU 設備再融資的營運商。

模型效率提高，也會增加需求

從 2022 年底到 2024 年底，運行達到 GPT-3.5 水平的模型，成本下降了超過 280 倍。需求增長得更快：Google 如今每月處理超過 3,200 萬億個 token，一年增長至原來的 7 倍。這與傑文斯悖論十分相似。William Stanley Jevons 在 1865 年提出，更高效的蒸汽機會增加英國的煤炭消耗，而不一定減少它。

效率也會改變哪種晶片最劃算。Ornn 估算，用 A100 運行一種開放權重的混合專家模型，每百萬 token 成本為 0.29 美元，而 H100 為 0.64 美元。3 月至 9 月，A100 的付費使用率從 74% 升至 90%。老晶片保持經濟價值的時間更長，遠期曲線也就更平。

6. 算力如何交易，風險如何對沖

目前可關注四類工具，但流動性充足、受美國監管的交易所算力期貨仍未推出。想通過這類期貨直接交易算力價格，還要再等一等。

交易所上市期貨（待批准）

CME 於 8 月 11 日提交了兩份合約，分別基於 Silicon Data 的 H100 和 B200 指數。每份合約對應 730 個 GPU 小時，大致相當於一張 GPU 一個月的使用時間。合約以當月每日指數的平均值進行現金結算，按月掛牌，最遠覆蓋未來 36 個月。每小時價格變動 1 美分，一份合約的價值就變動 7.30 美元。原定 10 月 5 日的上市計劃已推遲，CFTC 以存在「新穎或複雜問題」為由，把審查期延長至 11 月 9 日。幾家主要算力市場公司也分別宣布了合約計劃，均有待批准。

CFTC 的公開徵求意見於 10 月 20 日結束，收到超過 100 份意見。其主席這樣概括其中的意義：「沒有健全的算力衍生品市場，美國就無法贏得 AI 競賽。」

事件合約

Kalshi 自 3 月起提供按周和按月結算的 GPU 價格市場，以 Ornn 指數作為結算依據，並在 7 月 14 日發布了由這些市場價格推導的遠期曲線。截至 7 月 27 日，這些合約的名義金額為 440 萬美元。在距結算還有兩天時，B200 預測價格與最終價格之間的偏差中位數為 10%。CFTC 工作人員已將 Kalshi 一項合約修訂的生效時間暫緩至 11 月 19 日。

場外遠期和掉期

這是目前真正開展交易的地方。BGC 在 6 月設立算力交易部門，開展場外交易。10 月，Jump Trading 也成立了算力交易部門，由算力對沖初創公司 Itô markets 的團隊領導。要持續報出買賣雙邊價格，交易商就需要持有相應部位，並有足夠的資本承接多年期風險。這也是這些交易部門通常設在大型交易公司內部的原因。

實物合約本身

預留合約就是實物交割的遠期合約。它可以精準鎖定某家供應商特定硬體的價格，但同時承擔供應商的信用風險。轉售市場也已開始出現：SF Compute 營運一個訂單簿，讓租戶轉售不再需要的預留容量。相比之下，上述交易所合約均以指數進行現金結算，用基差風險替代了實物交付風險。

使用這些工具前，需要理解三個機制

均價結算。按月平均價格結算，與算力逐小時消耗的方式相符，也更難在到期日通過短時操縱價格影響結算結果。電力市場也採用類似安排。

基差與對沖比例。合約按指數結算，你卻按供應商的價格付費。教科書中的最小方差對沖比例為 h = ρ × σ（你的價格）÷ σ（指數），即你的價格與指數的相關係數，再乘以兩者波動率之比。相關性低，無論持有多少份合約，對沖效果都有限。按我的計算，在截至 10 月 24 日的一個月里，Silicon Data 和 Ornn 的 H100 指數每日漲跌幾乎不同步；根據交易日的統計方式不同，相關係數接近零，甚至為負（作者計算）。一個月的數據不足以估算可靠的對沖比例，卻足以說明基差可能有多大。月均價結算能起到一定幫助，因為即使每日變動不同步，兩者的價格水平仍呈現相近趨勢。

對手盤與保證金。期貨通過清算所集中管理對手方信用風險，同時實行每日盯市，並在需要時要求追加保證金。場外交易和預留合約則由雙方直接承擔信用風險。永續合約需要持續滿足保證金要求，大多數 GPU 營運商難以為此準備資金。

最能從對沖中受益的，是那些需要借錢的營運商。一家 GPU 供應商告訴 CFTC，如今貸款人為 GPU 項目授信時，依據的仍是沒有對沖的租金收入；油氣行業的貸款人則會要求借款人對沖。如果交易所合約最終上市，最先發生的重大變化，可能是 GPU 的融資方式，而不是租賃方式。

哈耶克在 1945 年用錫舉例：如果錫變得稀缺，使用者不必知道原因。價格上漲，他們就會節約使用。他寫道，重要的是，「每個參與者只需要掌握很少的資訊，就能採取正確行動」。

算力指數也在做同樣的事。一個把批處理任務遷移到 A100 的工程師，不需要知道日本的玻璃布短缺，也不必了解弗吉尼亞的併網排隊情況。價格已經傳遞了這些資訊。尚待回答的是：今天這些指數中，哪一個能贏得足夠的信任，成為合約結算的依據？又有誰能從圍繞它的交易中獲利？

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。