从华尔街到Crypto：Compute Finance正在重构算力市场

CoinW研究院

摘要

AI算力正在从单纯的技术资源逐渐变成可以融资、定价和交易的金融资产。随着GPU和数据中心投资规模扩大，华尔街围绕算力形成了不同的融资模式。CoreWeave等新型云服务商（Neocloud）通过GPU资产、长期客户合同和未来算力收入进行循环融资，Google、Amazon等大型云厂商则更多依靠长期债券融资支持基础设施扩张。在此基础上，算力信用、资本供给、价格基准和衍生品等金融基础设施正在逐步发展。与此同时，加密行业正从另一侧进入这一市场。矿场向AI数据中心转型，DePIN组织分散GPU，DeFi与RWAfi探索将AI基础设施融资及收益引入链上，CEX则开始将GPU租赁价格纳入永续合约交易。当前正在成熟的并不是简单的“GPU Tokenization（GPU代币化）”，而是围绕真实算力现金流形成的Compute Credit（算力信用），并进一步向 Stablecoin Settlement（稳定币结算）、AI基础设施债权上链和Compute Derivatives（算力衍生品）延伸。随着融资、价格基准、衍生品、资产上链和结算逐渐连接，一个更完整的Compute Finance（算力金融）市场正在形成。但其基础仍然是实体经济，GPU能否持续产生收入、客户能否稳定付款、电力和数据中心能否按时交付，以及技术折旧和长期债务之间的错配，都将决定这轮算力金融化最终能够走多远。

1.从GPU到现金流：算力为什么能够成为金融资产

过去几年，AI产业最直观的变化之一，是GPU越来越贵，也越来越难买。一张价值数万美元的GPU当然是一项设备资产，但华尔街真正关心的不是这张卡今天能卖多少钱，而是它投入运行之后，未来几年能够创造多少收入。这也是理解“算力资产化”的第一步，GPU只是生产算力的设备，真正能够产生收入的是围绕GPU建立起来的一整套计算服务。

1.1 算力是什么，为什么算力不等于GPU

“算力”是计算机处理任务的能力。打开一个AI聊天工具并输入问题，看起来只是一次简单的对话，但在几秒钟生成答案的背后，服务器需要调用GPU进行大量计算。训练一个大型AI模型所需要的计算规模更大，可能需要成千上万张GPU持续运行数周甚至数月。因此，GPU是今天AI算力最重要的生产工具之一，但拥有GPU，并不意味着就能直接向客户提供稳定的算力服务。一批H100或者B200 GPU首先需要安装进服务器，再部署到数据中心。数据中心需要稳定而庞大的电力供应，也需要高速网络、存储系统和冷却设备。大量GPU之间还必须通过高速互联协同工作，并由云平台和软件系统负责调度。只有这些环节全部运行起来，客户才能真正调用GPU训练模型或者运行AI应用。在商业交付上，算力主要可以通过裸金属服务器（Bare Metal）和云算力（GPU Cloud）等形式提供。裸金属通常将整台物理服务器的使用权交给客户，让其直接控制GPU等硬件资源；云算力则通过云平台提供可按需调用的计算资源，客户无需自行采购和维护设备。两者并不互斥，裸金属服务器也可以作为云服务的一种交付方式。所以，从一张GPU到最终可以卖给客户的算力，中间其实存在一条完整的基础设施链条，它包括了土地、电力和数据中心 → GPU服务器、网络和存储 → 裸金属或云平台交付 → AI训练与推理 → 客户购买算力。对于Compute Finance而言，这一区分尤其重要。GPU本身是可以持有、抵押和折旧的硬件资产，而算力租赁合同及其产生的现金流，则进一步成为融资、信用评估和金融交易的基础。

图1. 算力资产的五层结构图。来源：CoinW研究院

1.2 从购买服务器到购买算力：为什么算力开始具有资产属性

理解算力如何成为金融资产，可以先看一个更熟悉的例子。一栋空置的写字楼当然值钱，但金融机构除了关心楼本身值多少钱，还会看它有没有租户、租约有多长、租户能不能稳定交租。因为对于投资者来说，建筑物本身是一项资产，而持续收到的租金决定了这项资产能够产生多少现金流。算力正在出现类似的变化。早期企业建设计算基础设施，主要是自己购买服务器、建设机房，再自己使用。云计算普及之后，AWS、Microsoft Azure等云服务商开始统一建设数据中心，再把计算能力按小时出售给大量客户。服务器从企业自己使用的设备，变成了能够持续产生服务收入的生产工具。企业只需要为实际使用的计算能力付费；计算能力由此从企业内部的一项固定设备，逐渐变成了可以按需购买和出售的商品。

进入AI时代后，这种模式又向前走了一步。大型模型训练需要的GPU数量巨大，部分AI公司和云服务商不再只是临时购买几个小时的计算资源，而是提前锁定大规模GPU集群，签订期限更长的算力采购合同。这个变化对金融市场非常重要。如果一家算力运营商花10亿美元购买GPU，但未来有没有客户并不确定，那么金融机构很难判断这10亿美元投资最终能够赚多少钱。但如果这批GPU已经有客户承诺未来几年持续购买算力，未来收入就变得更容易估算。

对于金融机构来说，问题也随之发生变化。过去主要需要判断的是“这些GPU值多少钱？”，现在还可以进一步判断“这些GPU未来几年能够带来多少收入？”。后一个问题，正是金融市场最熟悉的问题。房地产可以根据未来租金估值，光伏电站可以根据未来售电收入融资，飞机可以依靠长期租赁合同获得融资。当算力也开始形成相对持续、可预测的服务收入之后，它自然开始具备类似的金融属性。因此，所谓“算力资产化”，并不是简单地把GPU包装成一个新的金融概念，更不是一定要把GPU做成Token。它首先意味着，GPU及其背后的基础设施开始能够依靠未来算力收入获得融资和估值。这是算力从技术资源走向金融资产真正关键的一步。

1.3 NVIDIA AI Factory：当算力开始成为基础设施投资

NVIDIA提出的AI Factory（AI工厂）概念，将GPU、网络、存储、软件、电力和冷却系统整合为持续提供AI训练与推理能力的基础设施。2026年，NVIDIA进一步提出将AI Factory Compute打造为可投资的资产类别，并联合BlackRock、Apollo等金融机构筹建算力融资平台，计划长期撬动超过5,000亿美元第三方资本。不过，这一金融化体系仍处于发展阶段，不能将产业愿景等同于成熟的算力资产市场。现实中，AI基础设施扩张主要由两类企业推动。一类是Amazon、Google、Microsoft等大型云厂商（Hyperscalers），依靠经营现金流、发行长期债券等方式持续采购GPU、获取电力并建设数据中心；另一类是CoreWeave等新型云服务商（Neoclouds），更多依赖GPU资产、长期客户合同和未来算力收入获取债务融资，再将资金投入新一轮基础设施扩张，形成循环杠杆融资模式。两者的共同目标，都是将昂贵的GPU设备转化为能够持续出租、产生现金流的算力资产。这也让算力基础设施开始具备类似传统基础设施的融资特征。GPU可以作为抵押资产，长期算力合同能够支持信用融资，未来收入则成为金融机构评估偿债能力的重要依据。随着投资规模扩大，算力市场的核心问题开始从如何获得更多GPU，延伸到如何为GPU融资、如何评估算力收入，以及如何管理设备折旧和债务风险。这正是华尔街加速进入Compute Finance市场的现实基础。

2.华尔街如何建立算力的融资与信用基础设施

第一章解释了算力如何从GPU设备进一步形成可以持续产生收入的资产。接下来我们来看看建设这些算力资产的钱从哪里来？

2.1 AI为什么越来越需要华尔街的钱

第一章我们提到了，一座AI数据中心除了GPU服务器，还需要土地、电力、冷却、网络等基础设施。McKinsey预计，到2030年全球数据中心价值链累计需要约6.7万亿美元资本投入，其中超过4万亿美元将流向服务器、存储等计算硬件。国际清算银行（BIS）2026年9月估计，全球前五大科技公司仅2025至2026年的AI投资就将超过1万亿美元。Microsoft、Amazon、Google和Meta等科技巨头可以依靠自身现金流和发债承担大量投入，但CoreWeave、Crusoe、Lambda等AI基础设施公司同样需要持续购买GPU、建设数据中心和锁定电力资源，仅靠自有资金很难支撑快速扩张。同时，越来越多长期算力合同让未来收入变得更容易预测。当一家算力运营商已经获得未来数年的客户订单，却需要今天就投入数十亿美元建设基础设施时，华尔街便有了介入空间，金融机构提前提供资金，再由未来的算力收入逐步偿还。因此，华尔街进入算力市场并不只是因为“看好AI”，而是因为这个行业同时出现了两个金融市场熟悉的条件，巨大的前期资金需求，以及越来越清晰的长期现金流。

2.2 华尔街融资的到底是什么

如果只看新闻标题，“GPU-backed financing”很容易被理解成简单的GPU抵押贷款，但现实要复杂得多。金融机构面对的并不是一张孤立的GPU，而是一整套能够产生算力收入的资产。最容易理解的是GPU设备。GPU价格高、型号相对标准化，也具有一定二手价值，因此可以作为融资中的抵押物。但GPU必须部署到数据中心才能产生算力，背后的土地、机房、电力、冷却和网络同样需要大量资本，而且使用周期更长，更接近传统基础设施。再往上则是客户合同。如果算力公司已经与大型科技企业签订多年采购协议，这些合同甚至可能比GPU本身更影响融资能力。原因很简单。GPU告诉债权人“项目失败还能卖掉什么”，客户合同则告诉债权人“项目正常运行靠什么还钱”。因此，金融机构主要看两层保障。一是GPU、服务器和数据中心等资产价值，即融资中的Collateral（抵押物）；二是未来现金流，包括谁会购买算力、合同持续多久，以及客户能否稳定付款。不同资产也对应不同类型的资本。GPU可以通过设备融资和银行贷款获得资金，数据中心和电力设施更适合基础设施基金和项目融资，Private Credit（私募信贷）则可以围绕资产和未来现金流设计更灵活的融资结构。未来，随着算力债权进一步标准化，还可能出现证券化产品。但无论融资工具如何变化，底层逻辑都是一样的。把GPU、基础设施和客户合同组合起来，将未来几年才能逐步获得的算力收入，转化为今天可以投入建设的资本。

2.3 一笔算力融资究竟怎么跑起来

可以用一个简化的例子理解这套机制。假设一家AI云公司与一家大型AI企业签订了五年合同。客户希望获得一批专属GPU集群，但云公司需要先投入20亿美元购买GPU、建设服务器集群并准备数据中心。问题在于，客户未来五年的钱不会今天一次性全部付清，而GPU供应商、数据中心建设商却不会等五年再收钱。于是金融机构先提供资金。AI云公司拿到融资后购买GPU并完成部署，客户开始使用算力，并按照合同持续支付费用。算力公司收到收入后，一部分用于支付电费、数据中心租金和运营成本，另一部分则用于偿还贷款本金和利息。这样一来，金融机构实际上是在把未来五年的一部分收入提前变成今天可以使用的资本。这也是长期客户合同特别重要的原因。一些算力合同会采用类似Take-or-pay的安排，即客户承诺购买一定规模的计算能力，即使实际使用量没有达到上限，也需要按照合同约定承担相应付款义务。对于金融机构来说，这比“客户有需要的时候再来租GPU”更容易预测，因为未来收入的不确定性降低了。

但金融机构仍然不会只看合同金额。它还要看签合同的是谁。这就涉及到客户信用。如果付款方是一家财务状况良好、信用评级较高的大型科技企业，金融机构会更有信心相信未来几年能够收到钱；如果客户本身是一家现金紧张的初创公司，即使合同金额很大，价值也不能完全等同。与此同时，GPU本身还涉及Residual Value，也就是残值。一批H100今天可能价值很高，但三四年之后，新一代GPU已经大规模部署，这批设备还能卖多少钱？如果客户停止付款，债权人接手这些GPU之后能不能找到其他用户？因此，一笔算力融资真正需要同时回答几个非常朴素的问题，包括到设备值多少钱、谁在使用、合同能持续多久、客户有没有能力付款，以及设备过几年还值多少钱。这些问题组合起来，才构成华尔街对一项算力资产的完整判断。

图2.算力项目融资结构图。来源：CoinW研究院

2.4 CoreWeave：华尔街如何真正给GPU和算力现金流融资

如果要理解华尔街如何把算力变成可融资资产，CoreWeave是目前最典型的案例之一。它展示的是一套完整的模式。先用长期客户合同锁定未来算力需求，再围绕这些需求建设GPU基础设施，并利用未来收入获得今天所需要的资金。

从GPU Cloud到重资产扩张：CoreWeave为什么需要不断融资

CoreWeave最早并不是传统云计算巨头。公司早期曾利用GPU进行加密货币挖矿，后来随着AI计算需求快速增长，逐步转向GPU云和AI基础设施服务。与AWS、Azure这样的综合云平台相比，CoreWeave更加专注于GPU密集型工作负载，为AI实验室和大型科技企业提供模型训练、推理等高性能计算服务。这种模式增长很快，却也极度消耗资本。客户需要更多算力，CoreWeave就必须提前购买GPU、锁定数据中心和电力资源。订单越多，需要建设的基础设施越多，而这些钱往往要在客户真正开始使用算力之前就投入。因此，CoreWeave面临一个很典型的“时间差”，未来几年可能已经有客户愿意付钱，但建设这些算力的钱今天就要花。解决这个时间差，正是融资的作用。

长期合同变成融资基础：华尔街为什么愿意借钱

CoreWeave能够获得大规模融资，一个重要基础就是长期客户合同。截至2025年底，公司已承诺合同的加权平均期限约为五年，剩余履约义务（RPO）达到607亿美元。RPO可以理解为客户已经签约、但CoreWeave尚未完成服务和确认收入的合同金额，反映了未来已有合同支持的业务规模。同时CoreWeave还大量采用Take-or-pay类型的合同，即客户提前承诺购买一定规模的算力并承担相应付款义务，而不是需要时再临时租用GPU。这使部分未来收入更加可预测，也为融资提供了基础。公司年报显示，其基础设施建设主要采用由这类客户合同支持的资产层债务融资。简单来说，金融机构不只是看CoreWeave整家公司值多少钱，还会评估具体的GPU和数据中心、背后的客户合同，以及这些资产未来能产生多少现金流。因此，CoreWeave可以先通过长期订单确定算力需求，再利用融资采购GPU、建设数据中心。华尔街真正融资的并不是一张孤立的GPU，而是“GPU和基础设施 + 长期客户合同 + 未来算力收入”组成的资产组合。

图3.CoreWeave扩张与杠杆。来源：CoinW研究院

从85亿美元到31亿美元：算力债务开始被独立评级和交易

2026年3月，CoreWeave完成85亿美元DDTL 4.0融资。DDTL即“延迟提款定期贷款”，企业可以先确定融资额度，再根据GPU采购和项目建设进度逐步提款。这笔融资由HPC（高性能计算）基础设施及相关客户合同支持，并获得Moody's A3和DBRS A(low)评级，成为首笔达到投资级评级的此类HPC基础设施融资。相比85亿美元的规模，投资级评级更值得关注。这意味着市场开始能够把GPU、基础设施和客户现金流作为一项信用资产进行独立评估，而不只是简单地“借钱给一家AI公司”。2026年5月，CoreWeave又完成31亿美元DDTL 5.0融资，用于支持两个客户合同对应的基础设施部署，并成为首笔公开银团化的HPC基础设施支持融资。简单来说，多家金融机构和投资者可以共同参与，相关债务也具备二级市场交易条件。算力融资由此进一步从“有人愿意借钱”，走向“更多机构可以参与和交易”。不过，这笔融资获得Moody's Ba2和Fitch BB+评级，低于投资级。这也说明，有GPU并不意味着债务天然安全。不同客户、资产和融资结构对应不同信用风险，每一笔算力债务仍需要单独评估和定价。

客户合同既是融资支撑，也是潜在风险

长期大客户合同是CoreWeave获得融资的重要支撑。截至2026年一季度，OpenAI相关协议承诺支付最高约65亿美元至2031年；Meta相关承诺一度达到最高约210亿美元，覆盖至2032年前后。对金融机构而言，这类长期合同提高了未来算力收入的可预测性。但大客户也是风险来源。2026年一季度，CoreWeave前两大客户合计贡献约65%的收入。一旦主要客户削减AI投入、减少算力采购或调整合同，支撑融资的未来现金流也可能受到影响。因此，“GPU-backed”并不意味着风险消失。金融机构仍需要同时评估GPU和数据中心的资产价值、客户信用以及CoreWeave自身的建设和运营能力，再决定融资规模和成本。

CoreWeave真正建立的是一个“算力 - 融资 - 扩张”循环

把整个案例重新串起来，CoreWeave的逻辑其实非常清楚。客户先签订长期算力合同，让一部分未来收入变得可以预测；CoreWeave再根据这些需求建设GPU集群和数据中心；金融机构根据基础设施、客户合同和未来现金流提前提供资金；新算力投入运行后产生收入，再用于支付运营成本和偿还债务。当公司获得更多客户订单后，这些合同又可以支持下一轮基础设施建设和融资。因此，CoreWeave真正展示的并不是“拿GPU去银行抵押贷款”，而是把GPU、数据中心、长期客户合同和未来算力收入组合起来，将未来几年才能逐步获得的现金流，转化成今天可以用于建设和扩张的资本。这也是华尔街参与AI基础设施最核心的价值，它把“未来有客户购买算力”转化成“今天有钱建设算力”，由此形成一个持续运转的资本循环。

2.5 CoreWeave不是孤例：算力融资正在出现不同版本

如果只有CoreWeave一家这样融资，还很难说明一个新的市场正在形成。但类似逻辑已经开始出现在其他AI基础设施公司身上，只是每家公司抵押和融资的重点并不完全相同。Lambda更接近“GPU设备融资”这条路线。2024年，Lambda获得最高5亿美元的GPU支持融资，由Macquarie领投，资金用于扩大其按需GPU Cloud，NVIDIA GPU本身构成重要的资产支持。到了2026年8月，Lambda又完成9.26亿美元高级担保Term Loan B，用于购买和部署服务于一家投资级客户的GPU基础设施。这笔融资获得Moody's Baa2投资级评级。两笔交易之间的变化很有代表性。早期市场已经愿意根据GPU本身及其产生收入的能力提供大规模资金；随着长期客户和更成熟的资产结构出现，GPU、客户合同和信用进一步被组合起来，融资也开始进入更广泛的机构市场。

Crusoe则更接近“AI基础设施融资”。它不仅运营GPU Cloud，还参与数据中心、电力等更底层的基础设施建设。2025年，Crusoe获得Brookfield提供的7.5亿美元信贷额度，用于AI Factory和AI Cloud扩张；同年，Crusoe还与Blue Owl Capital、Primary Digital Infrastructure推进总规模150亿美元的得州Abilene AI数据中心合资项目。这里华尔街投资的对象已经明显超出GPU，进一步进入土地、数据中心和电力容量。Nebius则展示了另一条路径。公开资本市场融资与资产级融资并行。 Nebius此前通过股票和可转债为AI Cloud扩张筹资；2026年7月又完成约7.75亿美元首笔高级担保债务融资。该融资由已经部署的GPU基础设施和一家投资级客户合同产生的现金流支持，公司称相关客户现金流与融资合计能够覆盖底层GPU基础设施超过100%的资本开支。

把这几家公司放在一起，会发现市场并没有形成唯一一种“GPU融资模板”。Lambda证明GPU本身可以成为重要抵押资产；CoreWeave进一步把GPU和长期客户合同结合起来；Crusoe把融资范围扩展到数据中心和能源基础设施；Nebius则把公司层资本市场融资与具体GPU资产和客户现金流结合。它们虽然路径不同，却指向同一个变化。算力基础设施正在从科技公司的资本开支，逐渐变成金融机构能够拆分、评估、评级和配置的资产。

2.6 NVIDIA × 华尔街：融资能力开始成为AI供应链的一部分

CoreWeave、Lambda和Crusoe的案例说明，AI基础设施公司正在主动寻找更多外部资本。2026年NVIDIA的动作则进一步表明，融资能力本身正在成为AI供应链的一部分。NVIDIA可以生产更多GPU，但GPU最终能否部署成实际算力，还取决于客户是否有足够资金建设数据中心、购买服务器并锁定电力。随着AI基础设施项目进入数十亿甚至上百亿美元规模，资本供给也开始影响算力扩张速度。

2026年8月，NVIDIA宣布与Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs和KKR合作建立独立的AI Compute基础设施融资平台，计划长期动员超过5,000亿美元第三方资本。这里的5,000亿美元并非NVIDIA自身投资，也不是一个已经募集完成的单一基金，而是多个平台计划长期动员的资本规模。这件事的重要性在于，AI供应链正在增加一个过去不那么显眼的“金融层”。金融机构提供长期资本，AI基础设施公司用这些资金建设GPU集群和数据中心，再通过客户持续支付的算力费用形成现金流并偿还融资。资本由此成为连接GPU、数据中心和最终算力需求的重要一环。

从CoreWeave的资产层融资，到NVIDIA主动引入大型金融机构，一个围绕GPU、数据中心、客户合同和未来算力收入形成的信用市场正在出现。我们可以将其概括为 Compute Credit（算力信用），其核心不是把GPU本身变成金融产品，而是让未来算力收入成为今天获得资本的信用基础。至此，算力已经完成了从设备到现金流，再从现金流到信用资产的变化。但要形成更成熟的金融市场，还缺少另一个关键环节，那就是统一的价格。一小时H100或B200算力究竟值多少钱？这也将把算力金融化带入下一阶段，从“可以融资”走向“可以定价和交易”。

3.从Benchmark到Futures：算力如何建立价格与交易基础设施

融资市场扩张之后，价格标准化就会成为下一道门槛。贷款人需要判断GPU未来租金和残值，运营商需要决定应该签长期合同还是保留现货容量，AI企业也希望锁定未来算力成本。没有可信的价格基准，这些风险只能更多依赖双边合同分配。同样一张H100，在不同云平台、地区和租赁期限下，价格可能明显不同。如果没有相对统一的价格参考，AI公司很难判断未来算力成本，GPU运营商也很难管理价格波动风险。因此，算力要进一步进入金融市场，还需要完成另一个关键变化，那就是从分散的云服务报价，走向可以被市场观察和交易的标准化价格。

3.1 算力为什么需要一个统一价格

今天购买GPU算力，很像在不同平台订酒店。同样一间房，在不同城市、日期和预订方式下价格可能完全不同；GPU租赁也是如此。AWS、Microsoft Azure、Google Cloud等Hyperscaler（超大规模云服务商）有自己的报价体系，CoreWeave等Neocloud也有不同价格。即使都是H100，按小时临时租用和提前一年锁定的价格也可能不同；不同地区的电力和数据中心成本、GPU集群规模、网络配置以及SLA（服务等级协议）也都会影响最终价格。所以，“一小时H100多少钱”过去并没有一个天然统一的答案。这种碎片化在云计算市场中并不奇怪，但进入金融市场后就会成为问题。企业如果不知道未来一年的H100市场价格大概是多少，就很难准确规划AI训练成本；投资者如果没有统一参考，也很难判断一座GPU数据中心未来能够产生多少收入。因此，金融化需要先解决一个基础问题，把不同市场中的算力价格转化为可以比较的统一单位。

3.2 从GPU-hour到Compute Price：统一单位不等于同一种商品

过去讨论GPU价值，人们最常问的是“一张H100多少钱”，这实际上是在给硬件定价。但对于真正使用算力的AI公司来说，更直接的问题往往是“使用一张H100一小时需要多少钱”。这就是GPU-hour（GPU小时）。一台GPU连续运行一小时，就是1 GPU-hour；100台GPU运行10小时，就是1,000 GPU-hours。它把GPU从一次性购买的设备，转化成可以按照使用时间计量的计算资源。对于算力运营商来说，真正决定收入的不只是拥有多少GPU，还包括这些GPU能够出租多少小时，以及每小时能够收多少钱。因此，市场关注的对象开始从Hardware Price（硬件价格）延伸到Compute Price（算力价格），USD/GPU-hour（美元/GPU小时）也成为最直观的计价单位之一。

但GPU-hour解决的只是“怎么计量”，并没有完全解决“怎么比较”。同样是1 GPU-hour，H100和B200的性能不同；单卡实例与数千张GPU通过高速网络连接的大型集群也不是同一种服务。训练任务更看重大规模互联能力，推理则更关注响应速度、Token吞吐量和单位Token成本。地区、租期、在线率和网络配置也都会影响真实价值。因此，未来算力可能同时存在多种计价方式。GPU租赁可以使用USD/GPU-hour，大规模训练可以参考Cluster GPU-hour（集群GPU小时），AI推理可以使用Cost per Million Tokens（每百万Token成本），数据中心容量则可以用MW-year（兆瓦年）衡量。GPU-hour更像是算力金融化的第一层标准，而不是最终标准。

3.3 Silicon Data：算力开始建立Benchmark

有了统一单位还不够。不同平台仍然有不同报价，因此市场还需要一个能够反映整体价格水平的Benchmark（基准价格）。NVIDIA披露的市场数据就能说明这种差异。一年期H100租赁价格曾从约1.70美元/GPU小时升至约2.35美元，跨供应商按需报价中位数一度达到约2.70美元，而B200云端报价约为5.30至7.05美元/GPU小时。这些报价证明GPU租赁已经形成真实市场价格，但由于芯片代际、租赁期限和服务条件不同，并不能直接组成一个统一指数。

Silicon Data正在做的，就是把分散的GPU租赁报价整理成相对统一的市场基准。以H100 Rental Price Index为例，Silicon Data收集Neocloud、Hyperscaler、托管市场和私人租赁平台等不同渠道的价格，再对设备配置、租赁期限、平台性能和地区等差异进行标准化处理，最终形成以美元/GPU-hour计价的H100租赁价格指数。B200也已经建立对应的Rental Price Index。类似的机制在传统金融和商品市场已经非常成熟。原油有基准油价，利率市场有基准利率，股票市场有标普500等指数。

Benchmark本身不等于每一笔真实交易的成交价，但它提供了一个大家都可以参考的“市场刻度”。更重要的是，Benchmark把原本分散、不可完全比较的报价转化成能够被融资合同、投资模型和衍生品共同引用的价格标准。而一旦市场有了Benchmark，下一个问题自然就会出现，如果未来H100价格可能上涨或下跌，企业能不能提前锁定价格？

图4。来源：https://www.silicondata.com/

3.4 CME Compute Futures：算力价格开始进入传统衍生品市场

2026年8月，CME Group与Silicon Data宣布，计划于10月5日推出H100和B200 Compute Futures（算力期货），目前仍需通过监管审查。截至本文撰写时，这两类期货尚未正式上线。根据CME公布的产品设计，H100和B200期货分别跟踪Silicon Data对应的Neocloud租赁价格指数，每份合约代表730 GPU-hours，大致相当于一张GPU连续运行一个月的容量。合约采用现金结算，并计划提供最长36个月的月度合约。

CME的交易系统也已经加入GPU-H（GPU Hours）作为相应计量单位。监管层也开始关注这一市场。2026年8月19日，美国商品期货交易委员会（CFTC）就算力衍生品公开征询意见，涉及算力现货市场规模与流动性、市场操纵、客户保护以及永续算力期货等问题。这并不代表算力衍生品已经获得全面监管认可，但说明Compute正在被监管机构作为潜在商品和衍生品标的研究。

为什么AI行业需要这样的期货？可以用航空公司对冲油价来理解。航空公司未来需要大量燃油，如果担心半年后油价上涨，可以通过期货提前管理成本。AI公司面对算力也有类似问题。假设一家企业预计六个月后需要大量H100进行模型训练，如果届时GPU供不应求、租赁价格上涨，项目成本就可能明显增加。通过算力期货，企业理论上可以提前建立相应头寸，让期货端收益部分抵消实际采购成本上升。GPU运营商面对的风险则相反。如果新一代GPU大量上线导致H100租赁价格下降，期货可以帮助其降低未来收入波动。

未来的风险管理工具也未必只有期货。对于AI企业来说，有时最大的风险不是GPU涨价，而是在训练高峰期根本拿不到足够容量。Capacity Option（容量期权）可能因此成为另一类工具。企业提前支付权利金，换取未来调用一定规模GPU集群的权利，同时管理价格风险和算力可获得性风险。当然，这个市场能否真正成熟仍有待观察。期货上市并不意味着一定会拥有足够流动性，Silicon Data指数能否持续代表真实租赁市场，以及不同地区、合同期限、GPU配置和网络性能之间的差异能否有效映射到统一期货，都需要后续验证。这也是算力与原油等传统商品最大的区别之一。算力可以逐渐标准化，但很难被完全同质化。企业实际采购价格与Benchmark之间可能长期存在Basis Risk（基差风险）。

3.5 从价格基准重新回到融资

到这里，华尔街参与算力市场的路径已经逐渐清晰。CoreWeave等案例证明，算力基础设施可以依靠未来现金流获得融资；Silicon Data开始建立GPU租赁价格Benchmark；CME则进一步尝试让未来算力价格进入期货市场，用于成本管理和风险对冲。而价格标准化也会反过来改善融资市场。如果贷款人能够参考更透明的GPU租赁指数判断未来现金流，并利用衍生品管理租金下跌风险，GPU贷款、私募信贷乃至未来ABS的定价都可能更加标准化。因此，Benchmark和Futures并不是独立于融资体系的另一套市场，而是在为算力信用市场补充定价和风险管理基础设施。

算力金融化的路径也因此进一步延伸。GPU（图形处理器）首先提供底层硬件，进一步转化为Compute（算力）并产生Revenue（收入），稳定的现金流又可以支撑Credit（信贷）。随着市场扩大，Benchmark（价格基准）开始用于衡量算力价格，Derivatives（衍生品）则进一步帮助企业管理价格风险。传统金融已经开始搭建融资、价格基准和风险管理三层基础设施，而 Crypto 也正在通过Stablecoin Settlement（稳定币结算）、Tokenization（代币化）、链上收益权和Compute Derivatives（算力衍生品）等方式参与其中。

4.Crypto正在如何参与算力市场

Crypto与算力的关系并不是从“GPU上链”才开始。早期比特币挖矿积累了大量电力和数据中心资源，DePIN开始用区块链组织分散的GPU供给，RWA项目尝试把GPU贷款和收益权搬到链上，交易平台则进一步把GPU租赁价格变成可以24小时交易的金融标的。Crypto参与算力并不是一条单一路径，而是已经出现在物理基础设施、算力市场、链上信贷和价格交易等不同环节。

图5.Crypto接入算力资产化的路径. 来源：CoinW研究院

4.1 从比特币矿场到AI数据中心：最早的融合发生在线下

Crypto与AI算力最直接的连接是电力和数据中心。比特币挖矿长期依赖低成本电力，大型矿企因此积累了土地、电力合同、并网资格和高负载设备运营经验，而这些恰好也是建设AI数据中心的重要资源。但矿场并不能简单地“拔掉矿机、插上GPU”。比特币ASIC矿机对网络和持续在线的要求相对较低，AI训练集群则需要高速网络、液冷、冗余电力以及更严格的SLA（服务等级协议）。因此，矿场提供的是土地、电力和基础设施条件，真正转向AI仍需要大规模改造。

Galaxy的Helios项目是较有代表性的案例。Helios最初作为数字资产基础设施运营，Galaxy后来与CoreWeave签订15年租约，将其逐步改造为AI和HPC数据中心。2026年7月，一期已交付约200MW总功率，其中133MW为关键IT负载。CoreWeave三个阶段合计签约800MW总功率、526MW关键IT负载。Galaxy预计，在相关容量全部交付后，这些租约可带来超过12亿美元的平均年收入。该数字属于公司基于合同和建设计划作出的预测，并非已经实现的收入。类似转型也出现在Core Scientific、TeraWulf和Crusoe等公司身上。它们共同反映出一种资产迁移方式，过去围绕比特币挖矿积累的土地、电力和数据中心资源，正在被重新用于AI，并按照长期算力需求重新定价。因此，Crypto与AI算力最早的大规模融合并不发生在链上，也不需要发行Token，而是从电力和数据中心这些物理基础设施开始。

4.2 DePIN：把分散的GPU组织成一个算力市场

相比矿场转型，DePIN（去中心化物理基础设施网络）更接近Crypto原生的算力模式。它试图连接两端，一边是数据中心、矿场和个人手中闲置或利用不足的GPU，另一边是需要灵活购买算力的AI开发者和企业。GPU持有者接入设备，协议负责资源匹配、计量和结算，Token则用于支付、激励或治理。因此，DePIN首先是一个算力市场，而不是GPU RWA。

Akash是比较容易理解的案例。它更像一个开放的云计算市场，用户提交需要的GPU、CPU、内存等资源，供应商根据需求报价，最终形成租赁关系。2026年一季度，Akash披露网络成立以来累计Compute Spend（算力支出）已经超过500万美元。这个数字并不是Akash单季收入，也不是供应商最终获得的利润，但至少说明去中心化算力市场已经产生真实付费需求。Aethir走的是更偏企业级GPU云的路线。项目方2026年披露，其网络覆盖94个国家、200多个地点，拥有超过44万个GPU Containers，并称年化经常性收入达到1.47亿美元左右。这里的GPU Container是网络中的可调度计算单元，并不能简单理解成44万张实体GPU；ARR也是按照当前经常性业务速度年化后的指标，不等于已经收到的现金。

io.net则更加侧重聚合不同来源的GPU。值得注意的是，它在2026年6月正式上线Incentive Dynamic Engine（IDE），开始让供应商奖励更多地与实际GPU使用情况挂钩，而不是单纯依靠固定Token释放。按照项目方设计，在供应商获得目标美元价值的IO奖励后，剩余收入中至少50%用于销毁Token。这个变化其实反映了DePIN最核心的问题之一，网络里有多少GPU并不是最重要的，有多少GPU真正有人付钱使用才重要。

如果真实需求不足，Token补贴可以短期吸引大量设备上线，但币价下跌后，供应商也可能迅速退出。因此，判断DePIN是否真正形成可持续的算力市场，更应该关注实际付费规模、GPU利用率，以及扣除Token补贴后的供应商收益。与CoreWeave等集中式GPU云相比，DePIN的优势在于资源更加开放和灵活，但分散供给也增加了设备性能、在线率、数据隐私和SLA（服务等级协议）的管理难度。能否在开放供给与企业级服务质量之间取得平衡，将决定这类网络能否真正进入更大规模的AI算力市场。

4.3 从GPU贷款到链上收益权：Compute Credit开始进入Crypto

DePIN解决的是“GPU在哪里、谁可以提供算力”，另一类Crypto项目开始处理更加金融化的问题，建设这些GPU需要的钱能不能直接从链上获得？这条路径与第二章讨论的Compute Credit非常接近。区别在于，资金入口、资产份额和收益分配开始搬到区块链上。

GAIB的模式可以简单理解为，把用户的链上资金用于GPU和AI基础设施融资。用户可以用USDC、USDT等稳定币进入AID，AID是GAIB设计的合成美元；再将AID存入ERC-4626金库获得sAID，开始获得底层资产组合的收益敞口。GAIB将部分资金用于向GPU云服务商、数据中心等运营商提供融资，例如帮助运营商购买H100、B200等GPU，并通过贷款利息、收入分成等方式获得收益。运营商部署GPU后向AI客户出售算力，再利用算力收入支付融资成本，相关收益进入GAIB的资产组合，并反映在sAID的资产净值（NAV）中。因此，用户持有sAID并不等于拥有GPU，也不能提取实体设备，实际持有的是一篮子AI基础设施融资项目的收益敞口。用户最终能获得多少收益，仍取决于底层运营商能否正常经营和偿还融资、GPU和相关资产价值是否稳定，以及sAID自身的流动性和赎回机制。

另一种模式是USD.AI，它更接近逐笔GPU抵押贷款。按照其公开结构，GPU运营商购买设备时先投入约20%至30%的资金，USD.AI提供约70%至80%的高级融资；GPU服务器完成生产、运输、安装和验证后，托管资金才释放，贷款正式生效。相关GPU由独立SPV持有，并设置第一顺位担保权益。USD.AI目前公开的典型贷款期限为36个月，并持续监控GPU运行状态和资产情况。这里最重要的并不是“贷款记录上链”本身，而是链上记录能否与线下真实资产对应起来。假设一笔贷款声称由100张H100抵押，投资者需要知道这100张GPU是否真实存在、具体放在哪个数据中心、有没有被重复抵押、如果借款人无法还款，债权人是否真的有权处置这些设备等。区块链可以记录资金流向和资产凭证，却不能自动解决这些线下问题。GPU仍然需要托管和核验，担保权仍然需要法律文件确认，发生违约后也需要有人进入数据中心接管和出售设备。

GAIB和USD.AI代表了两种不同方向。GAIB更接近把多笔AI基础设施融资组合成链上收益资产；USD.AI则更强调具体GPU、贷款和法律担保之间的对应关系。它们共同说明，Crypto真正可能改变的并不是“如何判断一笔GPU贷款是否安全”，而是谁可以提供资金、融资份额如何流转，以及利息如何自动分配。传统金融负责的信用评估、资产核验和违约处置，并不会因为资产上链而消失。

图6.链上GPU信贷结构. 来源: CoinW研究院

4.4 Bitget Compute Perps：算力价格进入Crypto交易市场

前面的路径都与真实GPU或算力服务有关，但Crypto还出现了另一种更轻的金融化方式，不交易GPU本身，而直接交易GPU租赁价格。2026年9月8日，Bitget上线H100USDT和B200USDT盘前算力永续合约。Bitget的产品并不是购买算力。用户买入H100USDT，不会获得一张H100，也不会得到云服务器额度或实际GPU使用权，而只是建立一个与H100租赁价格相关的金融仓位。判断租赁价格上涨可以做多，认为GPU供应增加或需求下降则可以做空，盈亏最终以USDT结算。H100USDT和B200USDT分别参考Silicon Data发布的H100和B200租赁价格指数。Bitget交易的并不是NVIDIA显卡的售价，而是市场使用一小时H100或B200算力的标准化租赁价格。

参考指数并不意味着Bitget合约价格会始终与指数完全一致。Bitget披露，这两项产品目前仍处于“Pre-Market（盘前）”阶段，价格主要由平台内部做市商和用户之间的订单撮合形成，尚未完全连接更广泛的外部流动性。因此，市场情绪、交易深度和多空仓位都可能使合约成交价格暂时偏离Silicon Data指数。这也是资金费率发挥作用的地方。H100USDT和B200USDT没有固定到期日，每8小时结算一次资金费。当永续市场多头需求明显强于空头时，资金费率通常为正，多头向空头支付费用；反之则可能由空头向多头支付。它的作用是提高永续价格长期大幅偏离参考价格的成本，帮助合约价格向参考市场靠拢。不过，资金费率并不能保证价格始终与Silicon Data指数一致，尤其是在盘前流动性较薄或市场单边交易时，基差仍可能扩大。

在合作关系披露上，目前公开材料能够确认的是，Bitget的产品参考Silicon Data发布的GPU租赁价格指数。除此之外，没有过多的信息披露。如H100和B200是NVIDIA的GPU型号，因此Bitget在产品名称中使用“NVIDIA H100 GPU Rental Price”和“NVIDIA B200 GPU Rental Price”，但截至目前公开公告没有披露NVIDIA参与Bitget产品设计、提供价格数据、进行做市或与Bitget建立相关产品合作关系。因此，H100USDT和B200USDT并不是NVIDIA发行或背书的金融产品。

这种设计降低了普通用户参与算力价格交易的门槛，但也带来了新的风险。Silicon Data指数本身需要把高度分散的GPU租赁报价标准化，而B200等较新的GPU仍处于供给扩张阶段，价格代表性可能随着市场结构变化而调整。进入Bitget以后，又叠加了盘前流动性、合约与指数基差、资金费率、做市深度和最高10倍杠杆等衍生品风险。即使用户正确判断了长期GPU租赁价格方向，也可能因为短期基差扩大、资金费持续累积或杠杆导致的强平而产生损失。

Bitget的案例说明，算力金融化已经不再局限于GPU融资和链上收益权，GPU租赁价格本身也开始成为Crypto市场可以直接交易的金融标的。通过USDT、永续合约和7×24小时交易，原本主要存在于AI企业、云服务商和基础设施运营商之间的算力价格风险，开始进入Crypto交易市场。相比直接将实体GPU Token化，这条路径更轻，也更容易形成标准化交易，但价格锚定、流动性和风险管理机制是否足够成熟，仍需要持续验证。

图7。来源：https://www.bitget.com/asia/futures/usdt/H100USDT

4.5 Crypto能够补什么，又不能补什么

把这些案例放在一起看，会发现Crypto参与算力的方式远比“GPU上链”更丰富。Crypto真正增加的，是更加开放的资金入口、全天候结算、资产份额化、自动收益分配和更灵活的交易方式。但它并不能替代线下世界最重要的环节。GPU是否真实存在、设备是否正常运行、客户是否持续付款，以及违约后谁有权处置资产，仍然需要法律、审计、托管和资产服务体系解决。因此，下一阶段真正值得关注的并不是“还有多少GPU可以上链”，而是这些已经出现的基础设施能否进一步连接起来。算力收入能否形成更标准化的链上资产，Compute Credit能否进入更大的DeFi市场，算力衍生品能否形成稳定流动性，甚至AI Agent能否自动购买、支付并对冲自己的算力成本。当这些环节开始连接，Crypto与算力的融合才会从单点产品进一步走向一套完整的金融基础设施。

图8.Crypto能补什么，又不能替代什么. 来源：CoinW研究院

5.下一步：算力与Crypto最可能在哪些方向真正融合

前面的案例已经说明，算力与Crypto的连接并不只有“GPU Token化”这一条路。现实中，链上资金已经开始进入AI基础设施融资，GPU租赁价格也开始成为Crypto交易标的。下一阶段更值得关注的，是哪些模式能够从早期进一步形成规模。从现有基础看，稳定币结算、AI基础设施债权上链、算力衍生品扩张以及AI Agent自动采购，可能是几条更现实的方向。

图9.算力与Crypto未来融合路线图。来源：CoinW研究院

5.1 稳定币结算：可能比GPU Token化更早规模化

Crypto进入算力市场最简单的方式，可能是直接解决支付和结算问题。AI基础设施本身就是一个全球化市场。GPU设备采购、云算力租赁、数据中心服务和供应商付款可能涉及不同国家、货币和银行体系。传统跨境付款通常需要经过多个账户和中间银行，而USDC、USDT等稳定币可以直接作为美元计价的链上结算工具，缩短资金到账时间，也更容易与智能合约和自动化系统连接。一家AI企业并不需要持有任何“GPU Token”，也可以使用稳定币向海外算力供应商支付GPU-hour费用；数据中心和GPU云服务商也可以利用稳定币完成部分跨境结算。相比重新设计GPU所有权和收益权，这种模式需要改变的金融结构更少，因此可能更容易率先扩大。但稳定币提高的是结算效率，并没有消除现实世界的合规要求。企业仍然需要处理KYC、反洗钱、会计、托管和制裁合规。因此，稳定币更可能先成为现有银行支付体系的补充，而不是完全替代传统结算网络。

5.2 AI基础设施债权上链：比GPU Token化更现实

从资产端看，下一步更值得关注的可能是把已经存在的AI基础设施债权和收益权带到链上。第二章已经看到，华尔街目前真正形成规模的是围绕GPU、数据中心、长期客户合同和未来算力收入建立的计算信用。银行和私募信贷机构向运营商提供资金，运营商再利用未来算力收入偿还本金和利息。既然这些债权已经真实存在，Crypto更自然的切入方式就是将其中部分经济权益代币化。例如，一笔AI数据中心贷款可以通过SPV（特殊目的载体）持有，再将部分债权或收益权转化为链上份额。投资者购买的并不是某一张GPU，而是这笔融资未来产生的经济收益。GAIB等项目已经开始尝试类似结构，未来如果进一步规模化，本质上就是从Private Credit（私募信贷）进一步走向Tokenized Private Credit（代币化私募信贷），再形成更具体的AI Infrastructure Credit（AI基建信贷）。这条路径真正的难点仍然在线下。GPU是否真实存在、借款人是否按时付款、抵押权是否有效、违约以后谁负责处置资产，以及链上Token持有人究竟拥有怎样的法律权利，都需要明确。同时AI基础设施贷款可能长达数年，而链上用户往往希望随时退出，期限和流动性的错配也需要解决。因此，AI基础设施债权上链能否扩大规模，最终取决于资产验证、现金流验证、法律权利和流动性管理，而不是Token本身如何设计。

5.3 从Benchmark到完整衍生品市场：下一步不只是永续

算力价格金融化已经迈出了第一步。H100、B200等GPU开始出现标准化租赁价格Benchmark，传统期货和Crypto永续也已经进入市场。接下来我们可以关注看看算力能否形成更完整的价格曲线和风险管理工具。其中最贴近产业需求的可能是Capacity Forward（容量远期）。AI企业可以提前约定未来某个时间购买一定数量的GPU算力，并锁定价格，从而降低未来算力紧张或租赁价格上涨带来的成本风险。在此基础上，还可能进一步出现Options（期权）。例如，一家企业预计半年后需要大量H100算力，可以通过期权为未来价格上涨提供保护，同时保留价格下降时以更低成本采购算力的可能。随着不同期限和不同交易市场逐渐形成，还可能出现更明显的期限结构和Basis（基差）交易。未来H100算力的价格高于还是低于今天，可以反映市场对GPU供需和设备折旧的判断；传统期货、Crypto永续和其他市场之间出现价格差异，也可能产生套利需求。不过，所有这些产品最终都依赖一个基础条件，那就是底层GPU租赁市场必须足够透明，Benchmark也必须具有代表性。如果现货报价仍然高度分散，衍生品规模扩张过快，反而可能让金融市场的价格与真实算力成本逐渐脱节。

5.4 AI Agent自动采购：机器也可能成为算力市场的买方

更前沿的融合可能发生在AI Agent身上。未来AI Agent执行任务时，可以根据需求自动比较不同云平台、Neocloud和DePIN的算力价格，选择合适的GPU或推理服务，通过稳定币完成支付，并按实际使用量结算。如果需要长期使用算力，还可能借助远期合约锁定未来成本。由此，算力发现、定价、采购、调用和结算有望逐步形成自动化交易流程。BitMEX联合创始人Arthur Hayes参与推动的新项目FLOP Network，正在尝试为这一场景建立基础金融原语。其核心是Proof-of-Useful-Inference（PoUI，有用推理证明），由算力提供者执行真实AI推理任务，验证者检查计算结果，AI Agent则使用FLOP支付算力、存储及其他服务。项目希望让AI Agent无需每次经过人工授权，就能在预设权限内自主采购算力，并与其他Agent完成交易。相比单纯出租GPU，FLOP更强调可验证的推理服务及机器之间的支付结算。不过，该项目仍处于早期开发阶段，完整的算力市场与验证机制尚待实际落地。

这一模式试图绕开华尔街正在构建的中心化算力金融体系，建立由AI Agent自主参与的去中心化算力经济。华尔街主要通过GPU抵押、长期算力合同、信用融资和衍生品，将算力转化为可投资、可交易的金融资产；FLOP则尝试从需求端出发，让Agent直接发现、购买、验证和支付算力服务，减少对传统金融中介和中心化交易平台的依赖。如果这种模式能够成熟，算力交易可能形成两条并行路径。一条由华尔街主导，围绕大型基础设施融资和风险管理展开；另一条由Agent驱动，通过去中心化协议完成小额、高频的机器间交易。不过，后者仍需依赖真实GPU、电力和数据中心，并不能完全脱离现有算力供应体系。这一方向也为Compute Finance打开了新的应用场景。稳定币或专用代币负责支付，去中心化市场负责资源匹配，可验证计算机制保障服务交付。但大规模应用仍面临统一API、钱包权限、预算控制、服务质量验证及合规等挑战。短期更可能率先落地的是企业内部或受限授权的自动化算力采购，而非完全自主、无许可的Agent经济。

5.5 从几个产品到Compute Finance

把前面的路径放在一起，算力正在形成一条逐渐完整的金融化链条。GPU和数据中心提供Physical Compute（实体算力），并通过实际使用产生Compute Revenue（算力收入）；稳定的现金流进一步支撑Credit（信用与融资）。随着市场扩大，GPU租赁价格开始形成Benchmark（价格基准），并为Futures（期货）、Perpetuals（永续合约）等Derivatives（衍生品）提供定价和风险管理基础。在此之上，部分算力资产、债权和收益权还可以进一步通过Tokenization（资产上链）进入链上市场，最终连接Stablecoin Settlement（稳定币结算）和DeFi（去中心化金融）等应用。当融资、定价、风险管理、资产流通和结算逐渐连接起来，就可以进一步形成 Compute Finance（算力金融）。它并不意味着所有算力资产都需要上链，而是算力开始拥有类似传统资产的融资、定价和风险管理体系。其中，华尔街更擅长长期融资、信用评估和机构风险管理，Crypto则可以补充稳定币结算、链上资产流通和7×24小时交易。最终决定这套市场能否扩大规模的，仍然是线下真实资产和需求。金融创新可以提高资金和资产的流转效率，却无法制造电力、GPU利用率和真实客户需求。

图10.Compute Finance完整金融化链条。来源：CoinW研究院

6.风险：算力资产化不是无风险印钞机

算力能够产生收入、支持融资，也开始出现价格指数和衍生品，但这并不意味着它天然是一类稳定资产。GPU技术迭代快、客户集中度高，数据中心又受到电力和建设周期限制。一旦进一步叠加信贷和Crypto产品，这些产业风险还可能沿着金融链条继续传导。

GPU最大的竞争对手是下一代GPU。GPU最直接的风险是技术折旧。随着H100、H200、B200以及后续型号不断迭代，新GPU不仅性能更强，单位电力和单位计算成本也可能更低。旧GPU仍然可以运行，并不意味着还能维持原来的租赁价格和利用率。因此，算力融资不能只考虑GPU二手价格下降。供给增加或技术换代时，旧GPU可能同时面临租金下降、利用率下降和残值下降。这意味着运营商一边收入减少，另一边用于保障贷款的抵押物也在贬值，信用风险会被进一步放大。

有GPU不代表有人使用。GPU真正产生价值的前提是有人持续购买算力。一座拥有大量先进GPU的数据中心，如果利用率不足，同样可能无法覆盖电力、运维和融资成本。因此，判断算力资产质量不能只看“有多少张GPU”，还要看GPU-hour租赁价格、设备利用率以及真实客户需求。如果AI企业削减投入、模型效率提高，或者大量新增GPU集中进入市场，都可能同时压低租赁价格和利用率。

卡很多，不等于风险分散。一笔融资可以抵押数万张GPU，但如果大部分算力收入来自同一个客户，信用风险仍然高度集中。资产数量分散，并不等于付款方分散。CoreWeave等公司的长期大客户合同能够提高未来收入的可预测性，也是获得融资的重要基础，但大客户同时拥有更强的议价能力。如果GPU供给改善或客户调整AI投入，合同可能面临重新谈判。因此，判断合同质量不能只看总金额和期限，还需要关注取消权、交付条件、容量调整和违约赔偿等具体条款。

GPU买到了，也不代表算力能够按时交付。AI数据中心真正运行，还需要土地、电力、并网、冷却和高速网络，其中电力正在成为越来越重要的约束。对于融资项目而言，需要区分三个时间点：GPU设备采购、数据中心正式通电、客户验收并开始付费。任何一个环节延期，都可能出现融资成本已经发生，但算力收入还没有开始的现金流缺口。同样，总MW、已经获得电网批准的容量，以及最终能够供GPU使用的关键IT负载也不是同一个概念。拥有电力资源并不等于这些容量已经能够立即转化为可出售的AI算力。

最危险的错配是短技术周期与长债务周期。算力融资最核心的风险之一，是技术更新很快，但融资期限很长。GPU可能几年内就经历明显的性能和价格变化，但数据中心、基础设施贷款和客户合同往往持续多年。如果新一代GPU快速替代旧型号，或者单位AI任务需要的计算资源下降，旧GPU产生的收入和残值可能下降得比贷款本金偿还得更快。因此，真正需要关注的不是GPU今天值多少钱，而是资产价值下降的速度，是否快于债务被偿还的速度。这也是算力资产与房地产、电力等传统基础设施存在明显差异的地方。

融资可以加快AI基础设施建设，也可能放大行业周期。AI需求增长时，GPU租金和利用率提高，更多资本会进入GPU采购和数据中心建设，进一步扩大算力供给。但如果新增供给集中上线，而需求增速放缓，GPU租金、利用率和残值可能同时下降，运营商现金流恶化，并将风险传导至银行贷款、私募信贷和链上收益型产品。因此，判断行业是否进入压力阶段，不能只看GPU价格，还要关注租金与利用率、客户合同、二手GPU流动性以及底层资产违约情况。如果多项指标持续恶化，就需要重新评估支撑算力融资的现金流是否仍然成立。

金融结构越复杂，监管和法律边界越需要看清。算力本身是一种商业服务，但当GPU被用于抵押融资、算力价格被设计成衍生品，或者未来租金和债权进一步Tokenize（代币化）后，就可能涉及信贷、证券、商品衍生品和Crypto（加密金融）等不同监管框架。对投资者而言，更关键的是确认Token背后究竟代表GPU所有权、债权、收益权还是价格敞口，以及底层资产由谁持有、如何托管和抵押、破产后的清偿顺序与追偿权是否明确。区块链可以记录Token，却不能自动解决链下资产确权和法律执行问题，因此监管分类和法律权利是否清晰，将直接影响算力资产化能否真正进入更大规模的金融市场。

上链不会消除风险，只会增加新的风险层。算力债权和收益权进入Crypto市场后，底层信用风险仍然存在，同时还会增加法律、智能合约、Oracle和流动性风险。尤其需要注意期限错配。链上Token可以7×24小时交易，但底层GPU贷款可能持续数年，数据中心和客户合同也无法随时变现。一旦市场集中赎回，Token可能出现明显折价。投资者还需要确认Token究竟代表所有权、债权还是收益权，GPU是否真实存在、有没有重复抵押，以及违约后谁拥有处置资产和追偿的权利。RWA最容易产生的错觉之一，就是把公开可见的Token余额，当成公开可见的真实资产。区块链可以提高资产记录和交易的透明度，却不能自动证明链下资产和法律权利真实有效。

7.结语

从目前的发展来看，算力资产化已经开始，但目前真正成熟的不是GPU Tokenization，而是围绕GPU、数据中心、客户合同和未来算力收入形成的基础设施融资和信用市场。GPU正在从单纯的硬件设备，逐渐变成能够产生现金流并支持融资的生产性资产。与此同时，算力价格的金融化可能快于GPU所有权上链。GPU Tokenization需要解决资产验证、托管、法律权利和违约处置等问题，而围绕租赁价格建立Benchmark和衍生品的门槛相对更低。CME和Bitget等现实产品已经体现出这一趋势。因此，Crypto 未来更值得关注的不只是GPU RWA，而是 Compute Credit（算力信用）、Stablecoin Settlement（稳定币结算）和Compute Derivatives（算力衍生品）。华尔街更擅长长期融资、信用评估和风险管理，Crypto则可以提高资产、收益和价格风险的结算、分发与交易效率，两者更可能形成分工，而不是相互替代。

从更长的路径看，算力金融化可能沿着 GPU（图形处理器） → Compute（算力） → Revenue（收入） → Credit（信用与融资） → Benchmark（价格基准） → Derivatives（衍生品） → Tokenization（代币化/资产上链） → Compute Finance（算力金融）逐步发展。GPU只是起点，真正重要的是算力能否持续产生收入，并进一步支撑融资、定价和交易。最终，无论金融结构如何创新，判断标准仍然要回到底层：GPU是否真实存在，算力是否有人购买，客户是否持续付款，现金流能否覆盖债务，以及投资者的法律权利是否清晰。这些条件能否持续成立，才决定Compute Finance（算力金融）最终能否从金融创新走向真正可持续的市场。