编者按： 当所有人都将 AI 算力视为下一个云计算风口时，我们是否忽略了它本质上是一种需要被定价、对冲和交易的风险资产？
我们今天为大家带来的这篇文章，作者的核心观点是：前沿AI算力已超出传统云服务范畴，其不确定性、时效性与稀缺性更接近大宗商品与金融衍生品，未来竞争的关键不在优化服务，而在设计承载算力风险的市场机制。
文章首先指出 AI 算力具有突发性、稀缺性、时效性与路径依赖等特征，使其从“可消费的服务”转变为“需管理的产能风险”；接着以未对冲的训练任务为例，说明金融工具如何为算力需求方提供风险解决方案；进而对比硅谷的“服务抽象”模式与芝加哥/纽约的“风险市场”模式，揭示二者底层逻辑的本质差异；最后提出，真正的产业制高点将是构建算力风险交易的基础设施，而这不仅将重塑 AI 研发与供应的格局，也可能催生新一代市场型机构。
作者 | Dave Friedman
编译 | 岳扬
大多数人谈起 AI 算力市场，脑海里浮现的是云计算那套：把稀缺的硬件封装成一个 API，按用量计费，开出账单，再加点调度算法的“魔法”，然后去融一轮资。
这是硅谷的思维定式，却是一个错误的心智模型。
前沿 AI 算力不是一种可以随意采购的商品，而是一个企业必须严肃应对的战略风险源。它是一种十分稀缺、价格波动巨大、且价值随时间迅速流逝的关键资源，需要为其建立基于未来预期的动态风险定价模型，采取措施对冲其价格和可获性风险，并推动形成可灵活交易转让的市场流动性。 恰当的类比对象不是亚马逊云服务（AWS）或 Snowflake，而是芝加哥商品交易所（CME）、电力交易市场，以及芝加哥和纽约的衍生品交易部门。
01 核心问题：算力的产能具有随机性（Compute as Stochastic Capacity）
云计算基础设施建立在几个假设之上：
- 供给具有弹性。
- 需求平稳。
- 成本曲线可预测。
- 正确的抽象方式是，把一切变成 “服务的消费”。【译者注：云服务商（如 AWS）将其底层复杂的硬件基础设施（服务器、网络、存储）抽象化，向用户呈现为一个简单的、按需取用的 “服务”。】
处于技术最前沿、最尖端的 AI 研发打破了这些假设。AI 算力具有以下特征：
- 突发性：由非连续的训练任务驱动，而非稳定的网络流量。
- 稀缺性：受限于晶圆产能周期、出口管制以及需耗时数年的电力基础设施建设。
- 时效性：错过一个前沿 AI 模型的训练窗口期，可能导致整个产品周期的落后。
- 路径依赖：成本受能源价格、硬件代际和算法演进的影响。
这已经不是简单的“服务使用量”问题了，而是一种实实在在会带来损失的产能风险。当你面对的是一种在供给、时机和价格上都充满不确定性的实体资产时，你就不再处于产品设计的范畴了，而是进入了市场机制设计的领域。
02 一个简单例子：未进行对冲的训练任务
假设某实验室计划在未来 12 到 18 个月内开展一次大规模训练任务。他们尚不确定该训练任务的具体启动日期（取决于研究进展），但对所需算力规模心里已大致有数 —— 按当前价格算，大约需要 2000 万美元的算力。
目前，他们只有两个糟糕的选择：
1）通过长期合约超量预定算力，承担高昂的持有成本；
2）或者赌一把现货市场，寄希望于等他们准备就绪时，价格和市场供给都能如人所愿。
这恰恰正是期货、期权和互换合约这类金融工具本应解决的问题。如果将算力视为一种金融基础资产，该实验室就可以：
- 买入算力期货，先锁一层已知价的底仓；
- 再叠加看涨期权（call options），以防项目规模超预期、需要额外算力；
- 并通过互换合约（swaps），将浮动的现货价格置换为固定价格。
这套逻辑本身并不复杂 —— 不过是把大宗商品风险管理的基础方法从小麦或电力，换成了 GPU 而已。之所以尚未实现，唯一的原因是我们仍把算力当作一种服务型产品，而非一种具有随机性的生产投入要素。
03 硅谷 vs 芝加哥/纽约：两种玩法
看看两边玩的根本不是同一局牌。
硅谷局：
- 把底层的复杂性封装起来，只通过一个简洁、清晰的应用程序接口（API）对外提供功能。
- 以开发者体验为核心优化目标。
- 将市场波动平滑处理为分层定价方案。
- 通过用量计费，并通过生态或合同把客户“锁定”。
这套玩法在底层系统“容错性强”时才有效 —— 比如供给能很快跟上、需求足够分散、没有人会因单次价格飙升而彻底出局 —— 此时，你可以把风险当作噪声忽略。
芝加哥/纽约局：
- 不隐藏风险，而是直面风险。
- 为高风险标的定义标准化合约。
- 建立能让这些合约进行交易的交易场所。
- 引入清算机制、保证金制度和风险模型，让机构能够安全地持有风险敞口。
正是这种思维方式，让天气、波动率、电力储备和货运都变成了可交易的资产。这并不浪漫，只是清醒地承认一个事实：任何反复出现、且会对真实世界的人造成伤害的不确定性，都值得为之建立一个市场。
04 “但算力不是石油！”
说得对，而这恰恰是其有趣之处。算力是缺乏统一标准、高度异构、难以抽象成单一商品的 —— 它会因硬件、网络、延迟、地理位置和 SLA（服务等级协议）的不同而变化，而且验证起来并不简单。并不存在一个放之四海而皆准的标量，能完美定义“一单位算力”在所有场景下的含义。
但这并不会让它失去资格。电力市场需要处理地理位置、时段和传输约束；货运市场需要应对航线、船型和港口风险；而波动率产品交易的，甚至只是价格的一种抽象统计特性。
要将算力金融化，你不需要“一口吃成个胖子”，而是需要一系列标准化的“切片”【译者注：将算力按特定维度（如硬件类型、任务基准、时长等）拆解为可定义、可度量、可合约化的单位。】：
- 清晰定义的交易单位（例如：“在 Z 小时内完成 Y 基准测试下的 X 个 token 处理，最大延迟为 L，故障条件事先约定”）；
- 双方都信任的计量与验证机制；
- 交付失败时的违约惩罚条款。
你不会得到一个覆盖所有场景的“全球统一 GPU 期货”。你最终会得到的，是一系列相互关联、但各有所指的合约 —— 就像电力和大宗商品市场那样。这没什么问题，真实的市场本来就是这样运作的。
05 服务派 vs 市场派：谁才是真正的赢家？
一旦你把算力看作一种风险，战略格局就变了。服务派的本能是： “我们替用户把复杂性抽象掉，自己承担这些风险，然后通过加价来赚取利润。”
于是你得到的是 GPU 版 Airbnb、更花哨的调度系统、更好看的仪表盘 —— 这些固然有用，但本质上仍是线性增长模式。你不过是在一个失灵的市场中，做了一个更高效的中间商。
而市场派的本能则相反： “我们要把风险暴露出来，将其标准化，并让它可交易。我们的护城河是市场结构本身，而不是 UI 界面。”
这会堆出一整套完全不同的东西：
- 算力单位的合约标准；
- 支持这些合约交易的交易所与撮合引擎；
- 清算与保证金机制，让机构资本得以参与；
- 做市商，主动承担并管理算力风险；
- 算力价格与波动率的数据、指数；
- 面向算力供应商的信用与抵押框架。
这更接近 CME（芝加哥商品交易所） + 电力 ISO 市场，而不是“GPU 版 Stripe”。
而最有能力构建并运营这类系统的机构，并不在沙丘路（Sand Hill Road），而是在芝加哥和纽约。
06 对未来的预测（The Prediction）
谁掌控了 AI 算力的风险层（即那些用于定价和交易各方风险敞口的金融工具、交易平台与规则体系）谁便掌握了支配以下各方的关键杠杆：
- 需要对冲训练风险的 AI 实验室；
- 希望在不引发财务风险的前提下变现算力容量的云厂商和裸金属提供商；
- 寻求新型的、多元化的实物资产敞口的基金与金融机构；
- 甚至各国政府 —— 一旦它们开始像对待石油和天然气那样，思考“战略性算力储备”问题。
这不再是“更好的 SaaS 产品”，而是一种市场基础设施（market institution）。
AI 算力终将走向金融化，因为其底层的不确定性太大、太持久，靠临时合同和 Slack 私聊根本兜不住。
如果你还在用传统商品销售的思路来看待 GPU —— 比如把它当成电商网站上一个明码标价、规格固定、随时可买的标准化商品（SKU），那你解决的只是昨天的问题。
谁能够设计出一种更高效、更具韧性的市场机制来分散、转移和管理伴随算力而来的巨大风险，谁就能在未来的竞争中掌握主动权。
END
本期互动内容 🍻
❓如果你是一家 AI 实验室的负责人，面对算力价格的剧烈波动，你更愿意：
A）提前锁定长期合约，哪怕成本高些；
B）赌现货市场，灵活但风险自担；
C）如果有算力期货/期权，立刻用金融工具对冲。
为什么？
本文经原作者授权，由 Baihai IDP 编译。如需转载译文，请联系获取授权。
原文链接：
https://davefriedman.substack.com/p/the-hidden-risk-of-ai-compute
