編者按： 當所有人都將 AI 算力視為下一個雲計算風口時，我們是否忽略了它本質上是一種需要被定價、對衝和交易的風險資產？

我們今天為大家帶來的這篇文章，作者的核心觀點是：前沿AI算力已超出傳統雲服務範疇，其不確定性、時效性與稀缺性更接近大宗商品與金融衍生品，未來競爭的關鍵不在優化服務，而在設計承載算力風險的市場機制。

文章首先指出 AI 算力具有突發性、稀缺性、時效性與路徑依賴等特徵，使其從“可消費的服務”轉變為“需管理的產能風險”；接着以未對衝的訓練任務為例，説明金融工具如何為算力需求方提供風險解決方案；進而對比硅谷的“服務抽象”模式與芝加哥/紐約的“風險市場”模式，揭示二者底層邏輯的本質差異；最後提出，真正的產業制高點將是構建算力風險交易的基礎設施，而這不僅將重塑 AI 研發與供應的格局，也可能催生新一代市場型機構。

作者 | Dave Friedman

編譯 | 嶽揚

大多數人談起 AI 算力市場，腦海裏浮現的是雲計算那套：把稀缺的硬件封裝成一個 API，按用量計費，開出賬單，再加點調度算法的“魔法”，然後去融一輪資。

這是硅谷的思維定式，卻是一個錯誤的心智模型。

前沿 AI 算力不是一種可以隨意採購的商品，而是一個企業必須嚴肅應對的戰略風險源。它是一種十分稀缺、價格波動巨大、且價值隨時間迅速流逝的關鍵資源，需要為其建立基於未來預期的動態風險定價模型，採取措施對衝其價格和可獲性風險，並推動形成可靈活交易轉讓的市場流動性。 恰當的類比對象不是亞馬遜雲服務（AWS）或 Snowflake，而是芝加哥商品交易所（CME）、電力交易市場，以及芝加哥和紐約的衍生品交易部門。

01 核心問題：算力的產能具有隨機性（Compute as Stochastic Capacity）

雲計算基礎設施建立在幾個假設之上：

• 供給具有彈性。
• 需求平穩。
• 成本曲線可預測。
• 正確的抽象方式是，把一切變成 “服務的消費”。【譯者注：雲服務商（如 AWS）將其底層複雜的硬件基礎設施（服務器、網絡、存儲）抽象化，向用户呈現為一個簡單的、按需取用的 “服務”。】

處於技術最前沿、最尖端的 AI 研發打破了這些假設。AI 算力具有以下特徵：

• 突發性：由非連續的訓練任務驅動，而非穩定的網絡流量。
• 稀缺性：受限於晶圓產能週期、出口管制以及需耗時數年的電力基礎設施建設。
• 時效性：錯過一個前沿 AI 模型的訓練窗口期，可能導致整個產品週期的落後。
• 路徑依賴：成本受能源價格、硬件代際和算法演進的影響。

這已經不是簡單的“服務使用量”問題了，而是一種實實在在會帶來損失的產能風險。當你面對的是一種在供給、時機和價格上都充滿不確定性的實體資產時，你就不再處於產品設計的範疇了，而是進入了市場機制設計的領域。

02 一個簡單例子：未進行對衝的訓練任務

假設某實驗室計劃在未來 12 到 18 個月內開展一次大規模訓練任務。他們尚不確定該訓練任務的具體啓動日期（取決於研究進展），但對所需算力規模心裏已大致有數 —— 按當前價格算，大約需要 2000 萬美元的算力。

目前，他們只有兩個糟糕的選擇：

1）通過長期合約超量預定算力，承擔高昂的持有成本；

2）或者賭一把現貨市場，寄希望於等他們準備就緒時，價格和市場供給都能如人所願。

這恰恰正是期貨、期權和互換合約這類金融工具本應解決的問題。如果將算力視為一種金融基礎資產，該實驗室就可以：

• 買入算力期貨，先鎖一層已知價的底倉；
• 再疊加看漲期權（call options），以防項目規模超預期、需要額外算力；
• 並通過互換合約（swaps），將浮動的現貨價格置換為固定價格。

這套邏輯本身並不複雜 —— 不過是把大宗商品風險管理的基礎方法從小麥或電力，換成了 GPU 而已。之所以尚未實現，唯一的原因是我們仍把算力當作一種服務型產品，而非一種具有隨機性的生產投入要素。

03 硅谷 vs 芝加哥/紐約：兩種玩法

看看兩邊玩的根本不是同一局牌。

硅谷局：

• 把底層的複雜性封裝起來，只通過一個簡潔、清晰的應用程序接口（API）對外提供功能。
• 以開發者體驗為核心優化目標。
• 將市場波動平滑處理為分層定價方案。
• 通過用量計費，並通過生態或合同把客户“鎖定”。

這套玩法在底層系統“容錯性強”時才有效 —— 比如供給能很快跟上、需求足夠分散、沒有人會因單次價格飆升而徹底出局 —— 此時，你可以把風險當作噪聲忽略。

芝加哥/紐約局：

• 不隱藏風險，而是直面風險。
• 為高風險標的定義標準化合約。
• 建立能讓這些合約進行交易的交易場所。
• 引入清算機制、保證金制度和風險模型，讓機構能夠安全地持有風險敞口。

正是這種思維方式，讓天氣、波動率、電力儲備和貨運都變成了可交易的資產。這並不浪漫，只是清醒地承認一個事實：任何反覆出現、且會對真實世界的人造成傷害的不確定性，都值得為之建立一個市場。

04 “但算力不是石油！”

説得對，而這恰恰是其有趣之處。算力是缺乏統一標準、高度異構、難以抽象成單一商品的 —— 它會因硬件、網絡、延遲、地理位置和 SLA（服務等級協議）的不同而變化，而且驗證起來並不簡單。並不存在一個放之四海而皆準的標量，能完美定義“一單位算力”在所有場景下的含義。

但這並不會讓它失去資格。電力市場需要處理地理位置、時段和傳輸約束；貨運市場需要應對航線、船型和港口風險；而波動率產品交易的，甚至只是價格的一種抽象統計特性。

要將算力金融化，你不需要“一口喫成個胖子”，而是需要一系列標準化的“切片”【譯者注：將算力按特定維度（如硬件類型、任務基準、時長等）拆解為可定義、可度量、可合約化的單位。】：

• 清晰定義的交易單位（例如：“在 Z 小時內完成 Y 基準測試下的 X 個 token 處理，最大延遲為 L，故障條件事先約定”）；  
• 雙方都信任的計量與驗證機制；  
• 交付失敗時的違約懲罰條款。

你不會得到一個覆蓋所有場景的“全球統一 GPU 期貨”。你最終會得到的，是一系列相互關聯、但各有所指的合約 —— 就像電力和大宗商品市場那樣。這沒什麼問題，真實的市場本來就是這樣運作的。

05 服務派 vs 市場派：誰才是真正的贏家？

一旦你把算力看作一種風險，戰略格局就變了。服務派的本能是： “我們替用户把複雜性抽象掉，自己承擔這些風險，然後通過加價來賺取利潤。”

於是你得到的是 GPU 版 Airbnb、更花哨的調度系統、更好看的儀表盤 —— 這些固然有用，但本質上仍是線性增長模式。你不過是在一個失靈的市場中，做了一個更高效的中間商。

而市場派的本能則相反： “我們要把風險暴露出來，將其標準化，並讓它可交易。我們的護城河是市場結構本身，而不是 UI 界面。”

這會堆出一整套完全不同的東西：

• 算力單位的合約標準；  
• 支持這些合約交易的交易所與撮合引擎；  
• 清算與保證金機制，讓機構資本得以參與；  
• 做市商，主動承擔並管理算力風險；  
• 算力價格與波動率的數據、指數；  
• 面向算力供應商的信用與抵押框架。

這更接近 CME（芝加哥商品交易所） + 電力 ISO 市場，而不是“GPU 版 Stripe”。  

而最有能力構建並運營這類系統的機構，並不在沙丘路（Sand Hill Road），而是在芝加哥和紐約。

06 對未來的預測（The Prediction）

誰掌控了 AI 算力的風險層（即那些用於定價和交易各方風險敞口的金融工具、交易平台與規則體系）誰便掌握了支配以下各方的關鍵槓桿：

• 需要對衝訓練風險的 AI 實驗室；  
• 希望在不引發財務風險的前提下變現算力容量的雲廠商和裸金屬提供商；
• 尋求新型的、多元化的實物資產敞口的基金與金融機構；
• 甚至各國政府 —— 一旦它們開始像對待石油和天然氣那樣，思考“戰略性算力儲備”問題。

這不再是“更好的 SaaS 產品”，而是一種市場基礎設施（market institution）。

AI 算力終將走向金融化，因為其底層的不確定性太大、太持久，靠臨時合同和 Slack 私聊根本兜不住。

如果你還在用傳統商品銷售的思路來看待 GPU —— 比如把它當成電商網站上一個明碼標價、規格固定、隨時可買的標準化商品（SKU），那你解決的只是昨天的問題。

誰能夠設計出一種更高效、更具韌性的市場機制來分散、轉移和管理伴隨算力而來的巨大風險，誰就能在未來的競爭中掌握主動權。

END

本期互動內容 🍻

❓如果你是一家 AI 實驗室的負責人，面對算力價格的劇烈波動，你更願意：

A）提前鎖定長期合約，哪怕成本高些；
B）賭現貨市場，靈活但風險自擔；
C）如果有算力期貨/期權，立刻用金融工具對衝。
為什麼？

本文經原作者授權，由 Baihai IDP 編譯。如需轉載譯文，請聯繫獲取授權。

原文鏈接：

https://davefriedman.substack.com/p/the-hidden-risk-of-ai-com...