在AI大变局时代，算力被认为是整个产业链上游的中坚底座，也可以被看作是决定性的根本。

正如在工业化时代，石油和天然气等大宗商品，由于其对工业生产的基础性作用，也成为了商品交易，特别是期货、远期合约等资本化交易市场的核心。那么，投资者是否有可能把以GPU价格为基准的算力视作类似的资本化“大宗商品”，进而进行套期保值或投机等交易呢？

现在，答案已经开始变得明确。

AI算力的资本化开端

综合媒体报道，一家名为Silicon Data的公司正在与芝加哥商品交易所集团合作，尝试推出全球首个与运行人工智能所需计算能力挂钩的期货合约。这家企业本身的业务涵盖追踪云服务提供商和GPU市场价格。

据悉，这种AI算力期货合约推出的目的是帮助企业对冲训练和运行人工智能模型成本的波动风险。正如航空公司对冲燃油成本，农业企业对冲农作物价格，制造业对冲金属价格。

虽然这些合约目前仍在等待监管部门的批准，但早期迹象表明，美国的投资者已经对此表现出浓厚的兴趣。在Silicon Data与芝加哥商品交易所集团宣布合作后的几天内，包括ProShares和Rex Shares在内的多家资产管理公司就提交了与这些合约挂钩的交易所交易基金（ETF）的发行方案，其中包括杠杆和反向产品。

有投资机构负责人认为，该期货市场最终可能与全球一些最大的商品市场相媲美。甚至AI算力期货的潜在规模将超过当前的石油期货市场。理由是全球运行人工智能运行所需的能源最终将超过其他所有能源用途的总和，而算力正好是一个综合性的媒介。

一个简单的逻辑是：业务和AI有关的公司对算力的依赖程度越来越高，而且是其成本的决定性因素，就像航空公司对航空燃油的依赖程度一样。

然而，大多数公司本身并不拥有驱动现代AI系统的高端图形处理器（GPU）。相反，它们通过云服务提供商和日益壮大的所谓“新云”生态系统租用算力资源。随着对人工智能基础设施的需求激增，算力成本可能会波动，这使得企业难以预测支出。

如果采访一位AI公司的老板，明年需要为运行其AI模型租用多少算力，很多人大概会一脸迷茫。甚至是那些大型云计算服务商，可能也无法预测到底要预购多少GPU和服务器才能满足自身业务的发展。因为AI剧变来得很快，变化多端，正如前几年全球缺高性能AI芯片，今年全球缺高端存储芯片，明年可能还会缺CPU，哪怕是英伟达这样的巨头，也没办法做到完全掌控。

对抗这种成本波动性的方法，自然可以通过期货等产品的对冲来实现。

据披露，Silicon Data本身已经构建了一系列GPU价格指数，用于追踪不同供应商特定芯片的每小时租赁成本。该公司希望这些基准数据能够像北海布伦特原油支撑能源衍生品市场一样，成为期货市场的基础。

该公司的基准数据已经开始出现在一些知名企业的披露文件中。例如，SpaceX在其上市招股说明书中就引用了该公司的GPU租赁价格数据。

与任何期货市场一样，计算合约也需要买卖双方。担心算力成本上涨的公司会寻求对冲，而拥有大量算力的供应商则可以对冲价格下跌的风险。

当然，正如所有大宗期货市场一样，并非所有市场参与者都是像做市商、套期保值者那样为了对冲风险。算力合约也会吸引投机者，这些人本身并不需要什么GPU来支撑业务，但却对预测算力价格走势从而谋利有极大兴趣。

不要以为投机者就一定产生完全不好的作用，其实在成熟的市场，投机者往往能在构建市场流动性和改善价格发现方面发挥着重要作用。不过，过度的投机当然不是健康市场的特征，很多投机行为会加剧市场波动，并使价格与潜在需求脱节。

一旦算力期货市场被真正构建，后续的ETF产品也可能被监管层批准，从而让算力成为一种真正普及的可交易资产类别。

不过，当前拦在算力期货市场真正成型前的问题也不少。其中之一便是标准化问题。

对于期货产品来说，标准化一直就是比较难的地方。比如，玉米期货会明确规定合约下可交付的玉米的具体等级。而在算力方面，标准化就更难了。仅英伟达的H100芯片就有超过50种不同的配置，价格会根据处理器、内存、网络、利用率和数据中心位置而有所不同。要使潜在算力期货市场有效运作，交易者需要确信单一基准能够准确反映这些波动。其标准化步骤的难度可想而知。

GPU成为AI算力的主角

读到这里，可能还有读者对AI算力的定义感到有点模糊。正好可以做一个解释。

首先是框架层面，AI算力可以看作是AI计算大概念下的一个细分。

所谓AI计算，指的是利用专用硬件和软件，使机器能够像人类一样完成工作。它包括使用算法自主处理海量数据，这些算法能够像人类一样学习、推理和决策。

AI计算的关键组成部分包括：

——算法：用于数据分析和决策的机器学习和深度学习模型。

——数据：大型数据集用于训练人工智能模型，以实现更准确的预测和更佳的性能。

——AI算力：用于密集计算的专用硬件，例如GPU（图形处理器）、TPU（张量处理器）和其他人工智能加速器。

——软件框架：用于创建和部署人工智能模型的TensorFlow和PyTorch。

——云计算和边缘计算：用于本地或互联网人工智能应用的可扩展平台。

AI计算的流程可以简单概括为：首先收集并准备大型数据集以供人工智能计算使用，然后利用专门的算法从中发现模式和洞见。这些方法（通常是机器学习或深度学习）训练模型来检测数据关联。训练好的模型随后用于预测、分类或自动决策。技术会不断从新数据中学习，以提高准确性和效率。

其中，机器学习 (Machine Learning) 是AI计算的底座。它使系统无需编程即可从数据中学习。历史数据用于训练机器学习模型以进行预测或决策。在其基础上，深度学习（Deep Learning ）则使用神经网络处理非结构化数据，包括照片、视频和文本。随着机器学习的不断改进和发展，人工智能系统变得更加可靠和灵活。

而推动AI计算整个流程的基础，就是AI算力。

其中，GPU算力已成为优化深度学习、加速价值实现时间 (TTV)、提升编码处理速度、增强数据管理、内容创作和产品工程以及提供全面数据分析洞察的关键。

因为GPU采用“众核”架构，拥有‌数千个小型计算核心‌。它牺牲了单核性能和复杂控制逻辑，换取了极高的‌数据吞吐量‌。AI训练和推理本质上是海量的矩阵乘法与加法运算，这些操作相互独立且高度并行，GPU能同时处理成千上万个数据点，实现“暴力美学”般的计算效率。反观CPU在处理AI所需的海量简单重复运算时，核心数量不足成为致命瓶颈。‌‌

由于GPU并行计算的能力，当CPU因处理海量数据而不堪重负时，GPU会介入并将复杂问题分解为数百万个任务，从而更容易一次性找到解决方案。GPU可以连续运行不同级别的任务，从而释放CPU的常规处理能力，并通过将特定工作负载分配给最高效的处理器来保护两个系统的完整性。CPU和GPU可以在人工智能生态系统中协同工作，相互支持问题解决。

除了处理能力之外，GPU还能扩展内存带宽。GPU配备‌高带宽显存的带宽相比CPU依赖的系统内存高得多，高带宽确保了海量模型权重和激活值能迅速喂给计算核心，避免核心闲置等待，这对大模型推理尤为关键。‌‌

可以说，在智能体时代完全到来前，以GPU为主的AI算力基础设施占据着绝对的主流。前文提及的AI算力期货以GPU价格作为基准，也就非常自然了。

结语

最后需要注意的是，尽管当前GPU在AI计算中占主导，但CPU并未被取代。‌CPU负责整体系统调度、数据预处理及逻辑控制‌，与GPU形成“CPU指挥+GPU执行”的异构协同模式。

而随着今年智能体的崛起，有机构预测，传统AI训练集群中CPU:GPU约为1:8，而在智能体与高并发推理场景下，该比例已趋向‌1:1甚至更高‌，以匹配复杂的任务调度需求。

后续GPU和CPU商品期货能否同时产生，也是一大看点。

免责声明

任何在本文出现的信息（包括但不限于个股、评论、预测、图表、指标、理论、任何形式的表述等）均只作为参考，投资人须对任何自主决定的投资行为负责。另，本文中的任何观点、分析及预测不构成对阅读者任何形式的投资建议，亦不对因使用本文内容所引发的直接或间接损失负任何责任。投资有风险，过往业绩不预示未来表现。财经早餐力求文章所载内容及观点客观公正，但不保证其准确性、完整性、及时性等。本文仅代表作者本人观点。