社区

1983年3月30日，纽约商业交易所（NYMEX）挂出第一张WTI原油期货合约。在那之前，油价由长协和官价说了算；在那之后，原油逐步变成全球定价、全球交易的金融资产，“油价”二字有了统一的坐标。

四十三年后，同一家交易所准备给一种新的“燃料”定价。

2026年8月11日，芝商所集团（CME Group）发布第9785号特别执行报告（SER-9785）：拟于10月5日在NYMEX上市两张新合约——Silicon Data H100 租赁指数期货与 B200 租赁指数期货。标的既不是原油，也不是铜，而是一个此前从未站上期货舞台的东西：每小时租用一块GPU需要花多少钱。

市场把它称作“AI 时代的原油期货”。这个类比有对的一半，也有错的一半。对在哪里、错在哪里，正是这篇开篇想讲清楚的。

$WTI原油主连 2610(CLmain)$

算力凭什么被“称重”

一种东西要能上期货，先得回答一个朴素的问题：它能不能被标准化地计量和交付？原油有桶，铜有吨，算力有什么？

从经济属性看，算力是三重身份的叠加体。它是资本品——依托GPU、服务器和数据中心等重资产形成，前期投资大、建设周期长、技术迭代快；它是生产资料——与数据、算法一起进入生产函数，抬升的是全要素生产率；它又是服务商品——经由云平台计量、按需交付，以Token（词元）或租赁时长计价。三重属性叠加，意味着算力价格同时受资本开支周期、技术进步和终端需求三股力量牵引——这是它天然具备"大宗商品式波动"的底层原因。

从计量看，算力世界有自己的“千瓦与千瓦时”。 行业用FLOPS（每秒浮点运算次数）衡量算力，但 FLOPS 是速率指标，好比电力里的千瓦（kW）；要衡量一段时间内的算力产量，需要引入时间维度——PFLOPS·小时，对应电力里的千瓦时（kWh）。你为电灯付费付的是千瓦时，AI 公司为模型训练付费，付的本质是"算力×时长"。

但算力比电力难标准化得多。同样标称"1 PFLOPS·小时"，不同芯片、不同计算精度（FP32/FP16/FP8/FP4 下同一块芯片的峰值算力可以差数倍）、不同显存带宽和软件优化水平，实际完成的工作量可能差别巨大。电是同质的，算力不是。所以现实市场放弃了理论上更优雅的 PFLOPS·小时，退而采用一个更粗糙但可交易的单位：GPU·小时（卡·时）——租一块指定型号的卡跑一个小时。

于是问题来了：连"同一型号的卡"在不同平台、不同租期、不同机房里的报价都天差地别，谁来把这些非标价格压缩成一个可结算的数字？

答案是指数商。这也是整场定价实验里最关键、也最少被讨论的一环——我们稍后专门讲。

合约长什么样：一卡、一月、一张纸

先看 CME 公布的合约要素：

图片

三个设计细节值得玩味。

730 GPU·小时=一块卡打一个月的工。 一年8760 小时除以12，恰好730——单张合约对应一块GPU 连续运转一个“平均月”。这个刻度对产业方极其友好：数据中心的月度出租收入、AI 公司的月度算力成本，都能直接翻译成合约张数。

36个月连续挂牌=一条三年的算力租金曲线。 这可能是比单月合约更有想象力的部分。GPU的经济寿命大约 3-5 年，数据中心投资回收测算、多年期租赁合同定价，此前只能拍脑袋或找中介询价；一条公开的三年期限结构，第一次让"2028 年的算力多少钱"有了市场报价。

现金交割=不搬卡。 到期不交付GPU、不交付机房容量、不交付 API 调用权，多空双方按最终结算价轧差了事。这让合约摆脱了物流和验收的泥潭，但也把全部压力集中到了一个点上：最终结算价怎么算。而恰恰在这个点上，CME 尚未公布细则——结算价公式、价格观察窗口、保证金、持仓限额，都要等新版规则章节和 CFTC 审查落地。

还有一个值得在上市前想清楚的问题：谁是这张合约的天然多头和空头？ 空头一侧，是收入挂钩租金的玩家——Neo-cloud云商和数据中心运营方，锁定未来出租收入，角色类似卖远期电的发电厂；多头一侧，是成本挂钩租金的玩家——模型公司和AI应用企业，锁定未来推理成本。中间还站着一类容易被忽视的参与者：为GPU资产提供融资租赁和抵押贷款的金融机构，一条公开的租金远期曲线，等于第一次给了他们给GPU残值定价和对冲的工具。天然多空是否都愿意入场，决定了这个品种是长成真正的风险管理市场，还是沦为一个纯投机的小众合约。

换句话说，这张合约的骨架已经清晰，心脏还没装上。心脏，就是标的指数。

标的指数：这场定价实验的心脏

两张合约都以Silicon Data编制的 GPU 租赁价格指数为标的。这家专注 GPU 市场数据的机构，目前发布着一个不小的指数家族：H100、B200、A100、H200、MI300X 的租赁价格指数，甚至还有一条 LLM Token 支出指数（彭博代码 SDLLMTK）。与期货直接相关的两条，是 H100 Neo-cloud 指数（SDH100RT）和 B200 指数（SDB200RT），均以美元/GPU·小时表示、每个工作日发布一次。

图片

这张图里藏着理解这个新品种的三把钥匙。

第一把钥匙：同一块卡，两个世界。H100 指数分为两个层级——Neo-cloud（新型专业 GPU 云服务商，如 CoreWeave 一类）与 Hyperscaler（AWS、Azure、谷歌云等超大规模云）。2026 年 3 月，前者运行在 2.43-2.63 美元/GPU·小时，后者高达 7.43-7.52 美元——同一型号 GPU，约 3 倍价差。Hyperscaler的溢价来自企业级服务等级协议、网络、合规与生态绑定，两类服务经济内涵不同，价差并不构成无风险套利。但对期货而言这是个致命重要的问题：GPU1 最终锚定哪一层？CME 至今未以指数代码确认。若锚定 Neo-cloud 层（Silicon Data 公开远期曲线采用该口径），Hyperscaler 用户的套保将面对一条巨大且不稳定的基差。

第二把钥匙：价格已经走出了完整的商品周期。 H100 上市初期（2023 年）租赁报价普遍超过 7-10 美元，主要云服务商按需价格一度超过 12 美元——彼时芯片产量有限、长期容量被提前锁定，稀缺定价。随着出货放量、新云服务商涌入，2025 年末非超大规模云报价跌至 2-4 美元，较高点回落约 70%。2026 年以来低位回升，SDH100RT从年初约 2.20 美元涨至 8 月中的 2.74 美元。暴涨、暴跌、筑底、修复——这条曲线用三年时间演完了一轮大宗商品的完整叙事，也证明了这个市场确实需要风险管理工具。

第三把钥匙：波动率结构像极了“老品种带新品种”。 B200 作为 Blackwell 架构的新一代主力，2025 年 12 月才有指数，价格对芯片交付和高端训练需求高度敏感：2026 年 3 月受 HBM 成本传导与 GTC 需求预期推动，从年初 4.40 美元冲至 6.11 美元，随后回落震荡，8 月中报 5.61 美元。样本期内 B200 日度波动率约为 H100 的 1.8 倍，最大单日波幅约 19.1%（H100 约 5.7%）。一个成熟稳定、一个年轻高波——H100 与 B200 的关系，颇像原油市场里的 Brent 与新兴基准。

但这颗心脏有一个必须直视的问题：指数的方法治理。据 Silicon Data官网产品页及其方法博客披露：其数据网络追踪约 95% 的Neo-cloud 供应商、覆盖全部主要 Hyperscaler，合计约占可得全球 GPU 租赁市场的 80% 以上；数据采集跨 50-100 个平台、40-50 个国家和地区，每日验证约 15 万条报价记录，再通过专有模型把不同配置、租期、地域的报价归一为可比费率。框架清晰，但核心归一化算法、供应商权重、异常值阈值均未公开，第三方无法独立复算每日指数值。更关键的是，指数方法并非一成不变：2025 年 12 月的一次大调整使H100 指数水平下移 4-6% 并追溯重述了全部历史；2026年 4 月和 7 月的两次供应商扩容分别预计影响 -7% 至 -3% 和最多 -6%，且未重述历史。对一张现金结算的期货合约来说，指数方法的每一次调整，都是直接写进结算价的基准风险。这是我们后续要单独深挖的主题。

一张图看懂算力产业链

期货是产业链的影子。要理解这个新品种的供需，得先把产业链装进脑子里。

黄仁勋曾把 AI 产业自下而上概括为“五层蛋糕”：能源、芯片、基础设施、模型、应用。他的出发点是生成式 AI 改变了软件的生产方式——传统软件执行预写指令，边际成本趋近于零；而 AI 每一次调用都在实时"生产"智能，持续消耗电力、芯片周期、存储和网络。沿着这个骨架把中间环节拆细，我们把算力产业链划分为七个环节：

图片

这条链上，每个环节回答的是一个不同的问题：电力回答"能扩多快"，芯片回答"单点有多强"，服务器网络与算力中心回答"纸面算力能兑现多少"，云平台回答"资产怎么变成按小时出售的商品"，模型与应用回答"需求从哪里来、会不会复购"。把七个答案连起来，才是一条完整的供需传导链——期货价格波动的每一个来源，都能在这条链上找到位置。

沿着链条看当下的卡点：

·电力已经从"配套"上升为"第一约束"。国际能源署预计全球数据中心用电量将从 2025 年约 485 TWh 增至 2030 年约950 TWh——接近当前日本全国的用电规模。美国的瓶颈不是发电而是并网：机房 1-3 年建成，骨干电网扩建动辄更久，部分公用事业公司收到的数据中心接电申请已超过其现有峰值负荷。中国 2025 年算力用电约 170 TWh（占全社会 1.6%），预计 2030 年达800 TWh（约 6%）——"东数西算"与特高压的组合，正是在同时搬运电力和算力两种要素。

·芯片环节的真瓶颈已从逻辑芯片转向 HBM 高带宽存储与 CoWoS 先进封装——AI 加速卡是"一颗逻辑芯片+多堆 HBM"的高价值封装体，任何一环产能不足都卡住交付。

·平台环节是算力从资产变成商品的关键：按需、预留、竞价的分层定价体系，本质上已经是一个"现货+远期+可中断电力"的市场雏形。期货，只是给这个自发形成的市场补上最后一块标准化拼图。

供需两侧，正在发生什么

供给侧：资金洪流仍在加速

图片

五大云厂的年度资本开支三年间普遍翻倍以上：亚马逊从 481 亿美元（FY2023）增至1283 亿（FY2025），谷歌从 323 亿到 914 亿，Meta 从 273 亿到 697 亿，微软从 281 亿到646 亿，甲骨文从 87 亿到 212 亿。市场对 2026 年四大 Hyperscaler 资本开支的指引汇总约 7250 亿美元（同比约 +77%，属前瞻指引口径），其中大约四分之三投向 AI 算力。供给侧的另一面镜子是英伟达——其季度营收从 FY25Q2 的 297 亿美元一路爬升至 FY27Q1 的 816 亿美元，收入是 GPU 出货最可靠的代理变量。

这些数字对期货意味着什么？每一美元资本开支，最终都要变成机房里可出租的GPU·小时。资本开支是租金曲线远端最重要的供给变量。

需求侧：从"建厂"走向"运营"

图片

算力需求的重心正在发生一场结构性迁移：训练占比从 2023 年的约 67% 一路让位于推理，2026 年推理占比普遍预计在 60-67%。训练是一次性的"建厂投入"，推理是持续的"日常运营"——需求性质从项目制的脉冲，变成高频、连续、可复购的流量。仅 OpenRouter 一个模型聚合平台，2026 年 3 月单周 Token 调用量就达20.4 万亿（平台口径）。

更有意思的是价格与需求的关系。Silicon Data 的追踪显示，2026 年前 5 个月 LLM Token 支出指数（SDLLMTK）上涨约 38%，同期B200 租金上涨约 20%——Token支出增速约为 GPU 租金增速的 2 倍。单位 Token 成本明明在降，总支出却涨得更快：成本下降刺激了调用量和上下文长度的更快膨胀。这是杰文斯悖论在 AI 时代的重演——蒸汽机效率提升没有省煤，反而烧掉了更多煤。

需求端的下一级火箭：AGI 竞赛与物理 AI

如果说训练到推理的切换是"现在时"，那么需求端还有两台"将来时"的发动机，它们决定了 36 个月远端合约真正要定价的东西。

第一台：AGI 的多路线军备竞赛。 美国头部实验室正在多条路线上同时下注：OpenAI 启动"星际之门"（规划四年最高 5000 亿美元、约 10GW 算力），另与 AMD、甲骨文分别签下 6GW 级容量协议；Anthropic 一边从谷歌云锁定五年期 TPU 容量、与 AWS 共建专属集群，一边向 AMD 采购最高 2GW，2026 年起转向自建数据中心；xAI 干脆完全自建"巨像"超级集群；Meta 则以千亿美元级资本开支自建算力押注下一代模型。这里的关键不是任何一家的数字，而是竞赛的结构：当目标是"先到 AGI"而不是"省钱"时，算力需求就不再是单个公司的成本函数，而是一个竞争函数——任何一家的算法效率突破，都会被所有对手用更大规模的算力扩张抵消，因为没有人敢用效率红利去"少买卡"。军备竞赛式的需求对价格最不敏感，这是租金曲线远端最强的看涨力量；但它同样是最脆弱的一环——一旦某条技术路线被证伪、或某家巨头率先收缩，需求的退潮也会是竞赛式的。期货市场的多空分歧，未来大概率就集中在这一条上。

第二台：物理 AI 把算力需求从"数字世界"搬进"原子世界"。 大语言模型消化的是互联网文本，而这座矿藏的边际增量正在枯竭；下一波AI 要消化的是物理世界的交互数据——自动驾驶、人形机器人、工业具身智能。这类需求有一个与 LLM 完全不同的算力特征：物理交互数据大部分要靠仿真生成——世界模型、合成场景、sim-to-real 训练，先用海量算力"生产"训练数据，再用算力消化这些数据，需求出现自我复制的循环。已经落地的样本给出了量级感：Waymo 2025 年完成约 1500 万次出行、周服务量超 50 万次，每一单背后是车端实时推理+云端仿真+数据闭环再训练的三重算力消耗；中国 2024 年安装工业机器人 29.5 万台、占全球新增量的 54%，机器人保有量的每一步智能化升级，都会把推理算力装进一台台物理设备。若物理 AI 沿着这条曲线兑现，算力需求的远端将不是线性外推，而是凸性的——而 36 个月的挂牌周期，恰好覆盖了这段凸性最大的区间。

（需要标注：本节均为前瞻推演，各家算力规划为公司公告口径，能否兑现受融资、电力与技术路线的多重约束。）

微观算账：便宜的卡，未必便宜

图片

租卡决策的第一原则：比较"每单位有效产出的成本"，而非每小时租金。H100 时租最低（约 3.56 美元，Neo-cloud口径），但因为不支持 FP4 低精度、算力桶小，折算下来每PFLOP 成本反而最高；B300 在 FP4 模式下的单位算力成本只有 H100 的约 26%。"便宜的卡"是个陷阱——这也解释了为什么新一代芯片供给放量往往对上一代租金形成持续压制。

顺带一个反直觉的拆解：有分析师测算，H100 租金构成中硬件折旧仅占约 36%、能源约 1%，需求溢价占了约 64%。租金里最大的成分不是成本，是稀缺。这意味着一旦供需转向，租金的下跌空间远比"成本支撑"逻辑暗示的大——这正是期货存在的意义。

中国侧写

中国市场有自己的价格生态。SMM（上海有色网）发布的境内 GPU 租赁报价显示，8 月 13 日 H100-80G 全国零售均价 15.29 元/卡·时（含 13% 增值税）——注意这与海外美元/GPU·小时指数在税费、口径、渠道上均不可比，不能直接换算对照。更值得记录的是两个信号：其一，SMM 报道 A100 系列已出现被市场称为"租赁期货"的远期锁价交易（本质是场外远期租赁合同）；其二，上海在 2026 年发布的资管中心建设文件中明确提出"做好电力期货、算力期货研发准备"。海外挂牌、国内酝酿，算力金融化是全球同步进行时。

地板、天花板与坐标系

如果只把这两张合约理解为"多了一个可以炒的品种"，格局就小了。把前文供需两侧的事实拼在一起，可以推出一个更根本的判断：算力的报价基础正在迁移——从硬件参数，转向由电力成本铺出的"地板"和由智能产出价值撑起的"天花板"。

按硬件报价的老办法正在失效。 以芯片型号、卡数、租期为基础的报价，解释力持续下降：同样数量的 GPU 在不同集群里的有效吞吐差异巨大；推理时代客户真正在意的是每百万 Token 成本、首 Token 时延，卡时费只是中间变量。

电力成本铺出价格的地板。 当新增算力的瓶颈从"买不到芯片"变成"拿不到可持续、可调度的电力"，电源成本、并网周期和冷却效率就构成了租金的下限支撑。低价值任务会迁往能源便宜的地区，像高耗能产业百年来做的那样。

智能产出的价值撑起价格的天花板。 同样输出一百万 Token，不同模型在代码正确率、推理深度上的差异，让 Token 成为"带质量等级的生产资料"。同一家模型公司内部，旗舰模型与轻量模型的 API 价差可达 10 倍——这个溢价与底层算力成本无关，纯粹来自智能产出的边际收益。

在这个框架下再看交易所的竞争，就能读懂各方在抢什么。CME 联手 Silicon Data 推 H100/B200 期货；ICE 几乎同步宣布与 Ornn、NATIVX 合作开发GPU 算力期货乃至"能源归一化"算力期货；上海把算力期货写进政策文件。表面看是三家抢先发产品，实际抢的是一条递进链：先定标准——谁的合约定义了"一单位算力"是什么；再聚流动性——套保盘和投机盘在谁的合约上相遇，谁的价格就成为全行业引用的报价；最后沉淀为计价习惯——算力长约、衍生品保证金、GPU 资产融资以什么货币结算，什么货币就成了 AI 基建投资的记账单位。

这条递进链一旦走完就极难逆转。回想基准价格史上的先例：LIBOR 之于美元信贷、WTI和Brent之于原油贸易——基准形成网络效应之后，全球的投资测算、长约定价、抵押估值都要参照那条公开曲线，后来者再想另立基准，面对的不是产品竞争而是习惯竞争。算力期货的真正赌注不在第一年的成交量，而在于三年后全球的 AI 数据中心可研报告用谁的远期曲线做收入假设。

类比的边界

类比帮助理解，也制造幻觉。对照传统商品期货的交易框架，这个标的在四个维度上都"长得不像"：

1.没有库存维度。GPU·小时用不掉就即时消失，无仓单、无库存缓冲，期现结构里最经典的仓储套利逻辑在这里不存在——它更像电力，而不像原油。

2.标的自带折旧曲线。 原油一百年是同一种分子，而 H100 到 B200 只隔了两年。挂牌 36 个月意味着，远月合约交易的其实是"一个还不存在的市场结构"——等 2029 年合约到期时，H100 在整个算力版图里的位置早已被两代新芯片重新定义。远期定价必须内嵌技术迭代假设，这在传统商品期货里没有先例。

3.品质无法用一纸标准锁定。 交易所可以规定原油的硫含量，却规定不了同一块卡在不同集群里 30% 的效率差——"名义GPU 小时"与"有效算力"之间隔着网络、散热和软件栈，品质升贴水难以标准化。

4.地理上可能永远无法统一定价。 数据合规与跨境限制切割市场，中国境内报价（人民币/卡·时、含税）与海外指数（美元/GPU·小时）之间不存在物流套利通道——没有"算力油轮"能把两个市场连起来。

以及务必记住当下的不确定性：产品仍待 CFTC 完成监管审查，最终结算价公式、保证金、持仓限额均未公布，指数序列与合约的对应关系也未官宣确认。上市前的每一份公开文件，都可能改写上面的部分推演。

风险提示：算力需求增长不及预期；技术迭代与设备供给变化；能源基础设施约束；标准化与金融化推进不及预期。

数据来源：CME Group（SER-9785）、Silicon Data、Bloomberg、Wind、IEA、SMM（上海有色网）、工信部及各公司财报、公开演讲等一手公开资料，数据截至 2026 年 8 月 16 日。产业链分层框架基于 NVIDIA 公开演讲阐述的"五层蛋糕"扩展。文中前瞻性表述（如 2026 年资本开支指引、训练/推理占比预测）均为引用机构的预测口径，已尽量与已发生数据区分标注。

投资咨询业务资格：证监许可【2011】1290号

重要申明：以上评论由南华研究院能源化工分析师宋霁鹏（Z0016598）提供。观点仅供参考，不构成任何投资建议。市场有风险，投资需谨慎。

图片