芯片按周生产：电力按年排队：GPU算力溢价为何迟迟不退

亚里士多德记载了古希腊哲学家米利都的泰勒斯所进行的一笔交易。这是史料中最早的交易之一，买的却是机器的使用时间。泰勒斯预料橄榄会丰收，便在冬天支付少量定金，租下米利都和希俄斯的全部榨油机。等到收获季，人人都急着榨油，他就按自己开出的价格转租。他预测的是收成，买下的却是榨油机的使用权。亚里士多德用这个故事说明垄断，后人则常把它称为第一笔期权交易。

今天，GPU 小时就像当年的榨油机使用权，已经形成了每日报价市场。至少 4 家公司发布每日租赁价格指数，4 家交易所已宣布推出算力期货，美国监管机构也刚结束有关上市安排的公开征求意见。然而，大多数租用 GPU 的工程师并不清楚，这个价格究竟由哪些部分组成。本文先从成本出发，为一个 GPU 小时定价，再看市场实际支付多少，最后追踪哪些因素在改变两者之间的价差。

为 GPU 定价，先记住三点。

两代 GPU，两种定价逻辑

10 月 24 日，Silicon Data 指数中的 H100 租金为每小时 2.88 美元，Ornn 指数为 3.02 美元。我测算的 H100 成本底价为 1.77—3.21 美元。因此，两个以租赁数据为基础的指数都显示，H100 的价格大致处于成本区间。B200 的租金则为 6.45—9.57 美元，成本底价为 2.32—4.17 美元，中性情景为 2.90 美元。按不同指数计算，Blackwell 的价格大约是成本底价的 2—3 倍。价格取决于成本底价与稀缺溢价，后者受内存、封装和电力供应的排队情况等因素影响；哪一项约束更强，哪一项就主导价格。

电费之外，更重要的是资本成本

资本成本约占一个 GPU 小时成本的 70%，电费不到 10%。真正影响结果的，是你认为芯片还能赚钱多久、付费使用率有多高，以及借款利率是多少。电力主要影响供给何时上线。因此，信贷市场也是算力供给曲线的一部分。10 月 15 日，CoreWeave 的五年期信用违约互换（CDS）价格所隐含的风险中性违约概率超过 60%。这是市场定价口径，并不等于现实中的违约概率预测。

算力无法储存，对冲难在基差

今天没用掉的一个 GPU 小时，不能留到下个月再卖。同一天、同一种芯片，主要指数的报价差距最高可达 78%。这个差距比大多数月份的价格涨跌还大。因此，主要风险在于基差，也就是你的实际成交价格与对冲所用指数之间的差异，而不只是价格方向。

1. 一个 GPU 小时的成本账

可以把它想成开出租车：把车贷、油费和停车费加在一起，再除以真正载客的小时数。

先看一个公式。所谓底价，就是 GPU 拥有者刚好收支平衡时的价格：

每 GPU 小时的成本底价 =（年度资本成本 + 年度电费 + 年度机房租金）÷（8,760 小时 × 付费使用率）

资本成本：根据芯片的使用年限和资金成本，把采购支出折算成每年的资本回收额，类似每期偿还房贷。财务上用于计算这一年度支出的系数，叫作资本回收因子。

电费：GPU 功率 × 机房能耗系数 × 运行小时数 × 电价。机房能耗系数即 PUE（电能使用效率），等于设施总用电量除以 IT 设备用电量。

机房租金：托管费用，通常按每千瓦每月计费。

付费使用率：全部小时中，真正有人付费的比例。空置的一小时，无法留到以后再卖。

我为每种芯片测算了低、中、高三种成本情景。能找到披露文件和官方数据的地方，都尽量采用这些来源。配备 8 张 GPU 的 DGX H100 最大功率为 10.2 kW，DGX B200 为 14.3 kW。2026 年 5 月，美国工业电价为每 kWh 8.71 美分。北弗吉尼亚和芝加哥的机房托管租金约为每千瓦每月 190—235 美元。2025 年，数据中心平均 PUE 为 1.54；Epoch AI 引用的 2023 年专用 AI 设施平均值为 1.14。服务器价格是这些输入中最不确定的一项，主要采用供应商估算，再用 Epoch AI 的集群成本倍数交叉核对。

测算结果是：提供一个 H100 小时的成本为 1.77—3.21 美元，B200 为 2.32—4.17 美元。有四点值得展开。

每小时成本，约七成来自资本

在中性情景下，两种芯片的资本成本都约占总成本的 70%，电费占 8%—9%。即使电价翻倍，B200 的成本底价也只上升 9%。Kalshi 发布过另一种成本划分，电力和冷却占价格的比例更高，约为 16%，但没有披露计算所用的输入。

GPU 能赚钱多久，决定成本摊多薄

公司披露的折旧年限从 4 年到 6 年不等。CoreWeave 采用 6 年，Meta 为 5.5 年，Amazon 则把部分服务器的年限从 6 年缩短至 5 年。Nebius 原先采用 4 年，2026 年正改为 5 年。实际服役时间可能更长：Microsoft 的 K80 云实例在芯片发布约 7 年后退役，V100 则约为 7 年半。把 H100 的使用年限从 6 年缩短至 4 年，成本底价就会上升 26%。因此，一家公司认为某种 GPU 还能创造多少年的价值，会显著改变测算结果。

空置时间，也要有人买单

使用率为 80% 时，B200 的成本底价是 2.90 美元；降至 60%，就变成 3.86 美元，上涨 33%。使用率下降约 20 个百分点，增加的单位成本，比使用率提高 20 个百分点所节省的单位成本更多。

信贷收紧，改变的不只是利息

借款利率从 9.25% 升至 15%，H100 中性情景下的成本底价上升 11%。从低成本到高成本情景，底价总共上升 81%，是利率、使用年限和付费使用率共同变化的结果。贷款人往往会同时改变这三项条件：信贷收紧时，他们不仅要求更高利率，也要求更快回收本金，并重新审视设备使用率。

如果只考虑让老芯片继续运行所需的支出，而不把历史采购成本计入底价，成本底线就会大幅下降。A100 所有者只需覆盖电费和机房租金，每小时约为 0.36—0.49 美元。租金超过这部分的收入，仍可用于回收历史投入。这也是老芯片能以低价继续出租多年的原因。

从 GPU 小时换算到 token。大多数工程师购买的是 token，而不是 GPU 小时。两者可以用一个公式连接：

每百万 token 成本 = GPU 小时价格 ÷［每 GPU 小时可处理的百万 token 数 ×（1 − 应对突发需求而预留的容量比例）× 利用率］

Ornn 的测算预留 15% 的容量，并假设利用率为 50%。按其 9 月 1 日的价格，用 H100 运行 Llama-2-70B，每百万输出 token 的成本约为 0.68 美元。对于开放模型 gpt-oss-120b，H100 的利用率需要达到 53%，才能与托管服务每百万 token 0.60 美元的价格中位数持平；A100 只需达到 24%。

公式里的每一项都是风险：GPU 小时价格、模型吞吐量，以及芯片到底有多忙。你需要决定，哪些要对冲，哪些自己承担。

2. 同一张 GPU，为什么价格不同

成本底价告诉我们卖方的承受下限，市场价格告诉我们买方实际付了多少。一家 GPU 供应商在提交给 CFTC 的意见中，把算力交易分为四种：

长期承诺采购（Committed）：针对整个集群签订多年期照付不议合同，无论是否使用都要付款。合同保密，按交易金额计，这一类的规模远超其他类型。

预留（Reserved）：以固定价格预订 1—12 个月的容量，部分预付。由双方私下协商，不公开报价。

按需（On-demand）：按小时收费，价格公开，可以取消。交易金额占比较小，但透明度最高。

现货（Spot）：价格更便宜，但供应商可以收回容量。

价格发现，恰恰发生在规模最小、最透明的那部分市场。

至少有 4 家公司把这一小部分市场的数据编成每日指数。Compute Desk 的数值不公开，本文比较另外三家。它们的方法不同，得出的价格也不同：

Ornn：对实际成交的按需交易价格，按交易量加权平均（https://data.ornn.com/markets/h100-sxm）。

Silicon Data：收集新型 GPU 云服务商和交易平台的租赁报价或观测数据，再统一换算到同一套基准规格。它并未声称这些数据全部来自实际成交（https://www.silicondata.com/products/silicon-index/h100）。CME 拟推出的期货将以该指数结算。

Price of Compute：跟踪 12 家供应商公开的按需价格，先计算每家供应商内部的中位数，再计算供应商之间的中位数（方法说明：https://priceofcompute.com/methodology）。

10 月 24 日，除了前面列出的 H100 和 B200 价格，Silicon Data 与 Ornn 对 H200 的报价分别为 3.48 美元和 6.20 美元，对 A100 则分别为 1.56 美元和 1.08 美元。Price of Compute 的公开报价中位数，在 H200 和 B200 上介于两者之间，在 H100 和 A100 上则高于两者。10 月 15 日，Silicon Data 的 B300 报价为 6.77 美元，Price of Compute 为 8.26 美元，相差 22%。

不要把这些数字直接取平均数，因为它们回答的不是同一个问题。公开挂牌价通常处于市场高位：10 月 25 日，几家供应商公开的 H100 按需价格为每小时 3.99—4.50 美元，CoreWeave 约为 6.16 美元。大型云厂商又是另一个市场。Silicon Data 的 H100 大型云厂商指数为 7.17 美元，是其新型 GPU 云服务商指数的 2.5 倍，而且整个月几乎没变。

这些价格今年都在上涨。Silicon Data 的 H100 指数从 2.00 美元升至 2.88 美元，涨幅为 44%。Ornn 的数据显示，3 月至 9 月，新芯片价格上涨约 70%—110%，A100 约涨 20%。Nebius 公开的 H100 按需价格为 4.50 美元，据报道，其 10 月 1 日之前的价格为 3.85 美元。仅靠成本变化，很难解释这样的涨幅。供应紧张、需要通过价格分配有限容量，才能更好地解释这些走势。

3. 今天锁定未来算力，要付多少钱

远期曲线展示的是：如果算力在未来不同日期交付，今天分别要付多少钱。Ornn 的分析师根据正在洽谈或交易中的合约构建曲线。所有芯片系列的曲线都向下倾斜：五年期 H100 合同的小时价格只有一个月期的 60%，H200 为 44%，A100 为 80%。

Together AI 公开的期限报价也呈现同样的形状：预订 H100 达 91—180 天，价格为按需价格的 80%。

交易员把这种向下倾斜的曲线称为 backwardation（远期贴水）。在这里，它有三个原因：

a）买方预期，下一代芯片会拉低价格。

b）供应商愿意用较低的小时价格换取确定的收入，因为贷款人可以据此提供融资。

c）有实际业务对冲需求的参与者集中在卖方一侧：供应商都想提前卖出未来的算力，因此，愿意接下这部分风险的买方可以获得价格补偿。

A100 的曲线最平，原因正是第一节提到的老芯片运营成本：历史采购支出已经发生，继续出租主要需要覆盖电费和机房租金。最新一代芯片的长期价格降得最快，因为它们目前包含的稀缺溢价最多，未来可能失去的也最多。

向下倾斜的曲线看起来像是在预测价格下跌，因此可以拿实际结果来检验。用“成本底价加上逐渐衰减的溢价”拟合每条 Ornn 曲线，就能推算其隐含的价格路径。按 8 月 13 日的报价，这条路径意味着，到 10 月 24 日，H100 应便宜约 6%，H200 便宜 10%，B200 便宜 5%。但 Ornn 自己的指数显示，H100 上涨了 11%，H200 上涨 32%，B200 上涨 64%。

Kalshi 7 月从市场价格推导出的曲线则有所不同：A100、H100 和 H200 到 2027 年大致持平，B200 在一年内从约 7.20 美元降至约 5.50 美元。两组曲线对哪种芯片会先失去溢价看法不同，但都预计 B200 会跌。

到了 10 月 24 日，Ornn 的 B200 指数却达到 9.57 美元。一家 GPU 供应商也曾公开质疑“租金会随芯片使用年限增加而下降”这一假设。

应当把曲线理解为风险的价格，而不是确定的预测。

有一个框架可以同时解释这些现象：现货价格 = 成本底价 + 稀缺溢价。 随着芯片采购成本下降、使用年限延长，底价缓慢下移。稀缺溢价则会因突发新闻和供应消息而跳升，再随着新产能到来逐渐消退。能源交易员也经常用类似方式建立电价模型：缓慢变化的趋势，加上突然出现、随后衰减的价格冲击。

曲线的斜率，反映了市场对溢价消退速度的判断。用同样的方法拟合，可以得到具体数值：主流 GPU 曲线隐含的稀缺溢价，每 11—15 个月减半。B200 的曲线在近一年内几乎持平，因此最贴合它的模型，是让溢价先维持约 9 个月、直到 2027 年 5 月前后，再每 10 个月减半。2026 年，溢价消退得比市场定价预期更慢。我的判断是，封装、内存和电力瓶颈一再推迟了新增供应。

还有一个常见问题：为什么算力的交易逻辑更像交易电力，而不是交易石油？

石油可以储存，因此可以通过买入现货、持有并卖出期货来套利。这种机制把期货价格与现货价格、持有一桶油的成本联系起来。电力无法储存，也就没有同样的套利机制把远期和现货价格联系起来。

Bessembinder 和 Lemmon 在 2002 年提出的经典模型认为，电力远期价格由对冲需求决定：随着预期需求和需求风险上升，溢价也会上升，并与现货价格突然飙升的风险相关。GPU 小时属于同一类商品。下文提到的按月均价结算和按地区划分合约，也都能在电力市场中找到对应设计。

真正做对冲时，会遇到以下风险：

基差。你实际租用的 GPU，不等于指数里的那张 GPU。互联方式、集群规模、地区、在线率和租期都会影响价格。Lambda 为期两周至一年的 H100 集群，公开价格为每小时 5.54—6.16 美元，高于其 3.99 美元的按需实例。即使芯片相同，集群和单机也是两种产品。合约结算所依据的产品，与实际工作负载需要的产品之间存在的价格差异，就是基差。

指数选择。截至 10 月 24 日的 30 天里，Silicon Data 的 B200 指数上涨 9.9%，Ornn 上涨 19.5%。10 月 24 日，两者的价格差距为 48%。

数据稀少。Price of Compute 的 B300 指数只取 3 家供应商的报价中位数。10 月 25 日，这些挂牌价从 6 美元到 15 美元不等。

新闻冲击。出口许可和模型发布会在几天内推动价格变化，随后影响又逐渐消退。

对手盘风险。预留合同能否兑现，取决于供应商是否可靠。10 月 15 日，CoreWeave 的 CDS 升至约 1,195 个基点。截至 6 月 30 日，该公司债务约为 351 亿美元。

4. GPU 到货了，算力未必就绪

只有供应链的每个环节都完成，一个可供出租的 GPU 小时才真正存在。上线时间取决于三个日期中最晚的那个：芯片交付、机房就绪、电力接通。只要最慢的环节没有完成，其他环节提速也无法让算力提前上线。

芯片反而是快的那一环。

逻辑晶圆大约在 GPU 出货前 16 周开始制造，HBM 至少提前 8 周采购，CoWoS 封装也大约提前 8 周进行。CoWoS 就是把芯片与内存连接起来的封装步骤。2025 年，真正限制供应的是 HBM 和 CoWoS，而不是晶圆。

内存还没生产，就已被预订。

Micron 在 9 月 30 日表示，其 2027 年 HBM 供应的“绝大部分”已签订协议，价格也显著提高。

电力最慢。

Wood Mackenzie 的一位分析师告诉路透社，到 2026 年初，发电机升压变压器的交付周期已超过 160 周。2025 年投运的发电项目，从提出并网申请到实际运行，中位耗时超过 5 年。芯片供应在全力提速，电力却仍受这些长期瓶颈拖累。

5. 从内存到信贷：算力价格如何变化

影响因素可以归到五条路径：内存和封装决定数量，电力决定时间，信贷决定底价，模型效率影响需求，出口规则和地理位置则决定你面对的是哪一个价格。

内存和封装决定能造出多少张 GPU

Epoch AI 估算，一张 B200 的制造成本约为 6,400 美元，区间为 5,700—7,300 美元。其中 HBM 为 2,900 美元，封装为 1,100 美元，另有约 1,000 美元的良率损失。HBM 涨价 30%，每张 GPU 的成本约增加 870 美元，只会让 B200 的小时成本底价上升约 1%。但如果 HBM 或 CoWoS 产能不足，GPU 根本就造不出来。内存对可供出租总小时数的影响，远大于对每小时成本的影响。

电力决定供给何时到来

美国最大的电网 PJM 在 7 月的容量拍卖中，连续第三次触及价格上限。在上一轮拍卖中，2027/28 年度预测峰值负荷增加 5,250 MW，其中数据中心贡献了 5,100 MW。北美主要市场在建的数据中心容量中，80% 已有客户预订。因此，电力能否到位，成为远期曲线长端所对应的未来供给何时增加的决定因素。

平均来看，电力成本占比不高，但在极端行情下就不同了。Kalshi 借用了电力交易员分析燃气电厂的方法：用算力收入减去耗电成本，把这个差额称为 Silicon Spark Spread（硅火花价差）。一张 H100 连同冷却，每运行一小时大约消耗 1.7 kWh，按美国工业电价计算约为 14 美分。但在供应紧张的时段，得克萨斯州批发电价最高可达每 MWh 5,000 美元。按我的计算，当电价超过每 MWh 约 1,700 美元时，一张租金为每小时 2.88 美元的 H100，收入就不够支付电费；对租金为 6.45 美元的 B200，这条线约为每 MWh 2,800 美元。大多数运营商以固定价格购电，因此只有承担批发电价波动的运营商会直接受到影响。

信贷既决定底价，也会形成反馈循环

CoreWeave 以 GPU 为抵押的贷款，利率从一笔 2026 年融资的 SOFR + 2.25%，到 SOFR + 13% 不等。SOFR 是美元融资常用的基准利率。在一笔较早的融资中，如果对应的是投资级客户合同，利差为 6—6.5 个百分点；其他合同则为 13 个百分点。资金成本既取决于借款人，也取决于其客户。

这会形成反馈循环：信用利差扩大，既抬高成本底价，也使新项目更难获得融资；建设放慢，未来供给减少，又可能推高现货租金。由此可以看到，信贷冲击在中期可能推高租金，却会打击那些必须为现有 GPU 设备再融资的运营商。

模型效率提高，也会增加需求

从 2022 年底到 2024 年底，运行达到 GPT-3.5 水平的模型，成本下降了超过 280 倍。需求增长得更快：Google 如今每月处理超过 3,200 万亿个 token，一年增长至原来的 7 倍。这与杰文斯悖论十分相似。William Stanley Jevons 在 1865 年提出，更高效的蒸汽机会增加英国的煤炭消耗，而不一定减少它。

效率也会改变哪种芯片最划算。Ornn 估算，用 A100 运行一种开放权重的混合专家模型，每百万 token 成本为 0.29 美元，而 H100 为 0.64 美元。3 月至 9 月，A100 的付费使用率从 74% 升至 90%。老芯片保持经济价值的时间更长，远期曲线也就更平。

6. 算力如何交易，风险如何对冲

目前可关注四类工具，但流动性充足、受美国监管的交易所算力期货仍未推出。想通过这类期货直接交易算力价格，还要再等一等。

交易所上市期货（待批准）

CME 于 8 月 11 日提交了两份合约，分别基于 Silicon Data 的 H100 和 B200 指数。每份合约对应 730 个 GPU 小时，大致相当于一张 GPU 一个月的使用时间。合约以当月每日指数的平均值进行现金结算，按月挂牌，最远覆盖未来 36 个月。每小时价格变动 1 美分，一份合约的价值就变动 7.30 美元。原定 10 月 5 日的上市计划已推迟，CFTC 以存在“新颖或复杂问题”为由，把审查期延长至 11 月 9 日。几家主要算力市场公司也分别宣布了合约计划，均有待批准。

CFTC 的公开征求意见于 10 月 20 日结束，收到超过 100 份意见。其主席这样概括其中的意义：“没有健全的算力衍生品市场，美国就无法赢得 AI 竞赛。”

事件合约

Kalshi 自 3 月起提供按周和按月结算的 GPU 价格市场，以 Ornn 指数作为结算依据，并在 7 月 14 日发布了由这些市场价格推导的远期曲线。截至 7 月 27 日，这些合约的名义金额为 440 万美元。在距结算还有两天时，B200 预测价格与最终价格之间的偏差中位数为 10%。CFTC 工作人员已将 Kalshi 一项合约修订的生效时间暂缓至 11 月 19 日。

场外远期和掉期

这是目前真正开展交易的地方。BGC 在 6 月设立算力交易部门，开展场外交易。10 月，Jump Trading 也成立了算力交易部门，由算力对冲初创公司 Itô markets 的团队领导。要持续报出买卖双边价格，交易商就需要持有相应头寸，并有足够的资本承接多年期风险。这也是这些交易部门通常设在大型交易公司内部的原因。

实物合同本身

预留合同就是实物交割的远期合约。它可以精准锁定某家供应商特定硬件的价格，但同时承担供应商的信用风险。转售市场也已开始出现：SF Compute 运营一个订单簿，让租户转售不再需要的预留容量。相比之下，上述交易所合约均以指数进行现金结算，用基差风险替代了实物交付风险。

使用这些工具前，需要理解三个机制

均价结算。按月平均价格结算，与算力逐小时消耗的方式相符，也更难在到期日通过短时操纵价格影响结算结果。电力市场也采用类似安排。

基差与对冲比例。合约按指数结算，你却按供应商的价格付费。教科书中的最小方差对冲比例为 h = ρ × σ（你的价格）÷ σ（指数），即你的价格与指数的相关系数，再乘以两者波动率之比。相关性低，无论持有多少份合约，对冲效果都有限。按我的计算，在截至 10 月 24 日的一个月里，Silicon Data 和 Ornn 的 H100 指数每日涨跌几乎不同步；根据交易日的统计方式不同，相关系数接近零，甚至为负（作者计算）。一个月的数据不足以估算可靠的对冲比例，却足以说明基差可能有多大。月均价结算能起到一定帮助，因为即使每日变动不同步，两者的价格水平仍呈现相近趋势。

对手盘与保证金。期货通过清算所集中管理对手方信用风险，同时实行每日盯市，并在需要时要求追加保证金。场外交易和预留合同则由双方直接承担信用风险。永续合约需要持续满足保证金要求，大多数 GPU 运营商难以为此准备资金。

最能从对冲中受益的，是那些需要借钱的运营商。一家 GPU 供应商告诉 CFTC，如今贷款人为 GPU 项目授信时，依据的仍是没有对冲的租金收入；油气行业的贷款人则会要求借款人对冲。如果交易所合约最终上市，最先发生的重大变化，可能是 GPU 的融资方式，而不是租赁方式。

哈耶克在 1945 年用锡举例：如果锡变得稀缺，使用者不必知道原因。价格上涨，他们就会节约使用。他写道，重要的是，“每个参与者只需要掌握很少的信息，就能采取正确行动”。

算力指数也在做同样的事。一个把批处理任务迁移到 A100 的工程师，不需要知道日本的玻璃布短缺，也不必了解弗吉尼亚的并网排队情况。价格已经传递了这些信息。尚待回答的是：今天这些指数中，哪一个能赢得足够的信任，成为合约结算的依据？又有谁能从围绕它的交易中获利？