文/中国金属矿业经济研究院（五矿产业金融研究院）副院长曲双石
算力正在变成一种可交易的金融资产。但一个根本问题随之而来：它该锚定什么？本文从衍生品设计的底层逻辑出发，讨论算力期货为什么必须有一个清晰的标的物——标准化、可交割、可定价，是期货合约能活下去的三条“腿”。然后对比当前最受关注的两条路：挂钩芯片租赁费率，还是挂钩Token处理服务。此外也会涉及电力与能效、数据吞吐量等其他可能性。结论是：算力期货的标的物不是单选题，而是随着产业成熟度逐步展开的演进过程。短期内，挂钩芯片租赁费率是现实的破冰选择；中期更务实的做法是按算力类型（比如FP16 TFLOPS）和精度来标准化；远期则可以逐步落地能效指数等品种。中国应该走一条“芯片起步、算力类型跟进、多锚并存”的路，在全球算力定价权竞争中找到从追赶到引领的节奏。
算力金融化：为何必须有“锚”？
金融衍生品和现货交易最大的不同在于，前者交易的是未来的不确定性。要让人们愿意为这种不确定性定价，必须有一个公认的参照系——这就是“标的物”的价值。
没有锚，合约就立不住。期货合约要想有生命力，得满足三个刚性需求：
第一，标准化。算力的形态千差万别：训练算力和推理算力不一样，不同芯片架构的算力不一样，同一块芯片在不同精度下的表现也不一样。但期货市场要求每一手合约代表完全一样的东西，否则就没法连续竞价、集中撮合。标的物的作用，就是把五花八门的算力收敛成几类标准品。这一步做不到，市场就只能停留在碎片化的一对一谈判。
第二，定价基准。期货的价格发现功能，靠的是标的物在现货市场有可观测、可验证的基准价格。这个基准价格就是定盘星。以原油期货为例，布伦特和WTI之所以能成为全球定价基准，是因为它们的标的物定义清晰、现货交易活跃、价格可以独立验证。算力期货也需要这样一个锚点。
第三，交割可行。期货到期时，无论是实物交割还是现金结算，都得依据标的物的客观状态来计算盈亏。如果标的物定义模糊，交割环节就会扯皮不断，市场信任无法建立。算力是一种服务流，看不见、摸不着、也不能存储，这让交割设计比传统大宗商品更棘手。标的物的选择，直接决定了交割机制能不能跑通。
更深一层看，挂钩的本质不只是“方便定价”，而是为某一种特定形态的算力建立一个独立、透明、可交易的微型市场，让价格通过公开博弈自然长出来。标的物就像是这个市场的“宪法”，规定了什么能交易、什么不能。所以，选择什么样的标的物，不纯粹是技术问题，更是一个市场设计哲学问题：它决定了这个市场为谁服务、反映谁的供需、最终形成什么样的价格信号。
芯片租赁费率vs Token处理服务：两种锚定思路
目前关于算力期货标的物的讨论，主要集中在这两个方向：一个是锚定特定型号GPU的单位时间租赁服务费率指数（简称“挂钩芯片”）；另一个是锚定按统一分词规则定义的标准化Token处理服务价格指数（简称“挂钩Token”）。这两种思路背后，是对“算力到底是什么”的不同理解。
挂钩芯片租赁费率：锚定“生产工具的使用权”
“挂钩芯片”本质是锚定特定型号GPU的单位时间租赁服务。芯片是算力的物理载体，租赁服务就是把算力生产能力拿出来市场化。具体来说，就是把“租一张某型号GPU一小时”定义为一个标准化的算力服务单位，期货合约的标的物就是这种服务的现货费率指数——比如基于主流云平台或算力市场成交价编制的NVIDIA H100 80GB每小时租赁价格指数。目前全球GPU租赁市场已经形成按芯片型号定价的习惯，某些数据服务商也尝试建立了按芯片型号分类的价格跟踪体系。芝加哥商品交易所（CME）正在探索的算力期货，走的就是这条路，用GPU按需租赁费率指数做结算基准。这种期货合约并不交割物理芯片，而是现金结算，结算依据来自第三方发布的租赁费率指数。
挂钩芯片的优势，一是标的物清晰，芯片型号是确定的物理实体，性能参数公开，定义争议小。二是现货参照系已经有雏形，GPU租赁市场的定价习惯和指数体系可以直接拿来用。三是监管审批的可行性相对高一些，CME的探索给后来者提供了一个参照。
挂钩芯片的缺陷，一是逃不掉“资产过时”的风险。AI芯片迭代周期只有18到24个月，而期货合约可能覆盖更长时间。等合约到期时，标的芯片很可能已经被新一代产品替代，市价和实用性大打折扣，持有远期多单的买方要承担额外的“技术折旧”。二是有“技术锁定”的隐忧。如果全球算力期货都锚定英伟达某款芯片，整个金融定价体系就会天然偏向这个生态，形成隐性的市场壁垒，压制国产芯片的市场接受度。三是套期保值的精度有限。企业的算力成本和“租赁某款芯片时长”只是间接关系，中间有基差风险，即芯片租赁费率的变化，不一定精确对应企业实际算力成本的变化。
挂钩Token处理服务：锚定“产出结果”
Token是目前主流大模型处理文本时的基本计价单元，但不同模型家族（比如GPT的BPE编码、Llama的SentencePiece、国产模型的自定义分词器）对同一段文本切出来的Token数量和含义不一样。所以“挂钩Token”并不是锚定一个天然统一的单位，而是锚定按某种公认规则定义下的“标准化Token处理服务”。核心逻辑是，不管底层用什么芯片，市场买的是算力的最终产出，也就是处理约定类型和数量Token的能力。这是一种“以结果计价”而不是“以过程计价”的思路。比如可以约定以“Llama 3 70B模型的分词器”或“OpenAI的cl100k_base分词器”为基准，定义1个标准Token。
挂钩Token的优势，一是技术中立，天然解决了迭代快的问题。Token是算力的产出，新一代芯片出来后，生成Token的单位成本下降，这个红利会自动体现在现货价格里。挂钩Token的合约锚定的是不变的结果，而不是快速迭代的工具，从根本上避开了“标的物过时”的风险。二是套期保值精度高。现在主流大模型公司的API收费普遍按Token计价，企业的收入和成本可以用同一个度量衡来对冲，风险敞口最小化。三是对国产芯片友好。只要能达到约定的Token生成质量和速度，任何芯片都能参与交割，不存在技术锁定。
挂钩Token的缺陷，首先是Token标准化的难度被严重低估，这其实是个十年维度的挑战，不适合当中期目标。一是任务类型不同。文本生成、图像识别、科学计算，每个Token的经济价值和算力消耗完全不一样。就算是同一类任务，不同模型（比如GPT-4和Llama 3）生成一个Token所需的浮点运算量也可能有数量级上的差异。二是分词规则不统一。GPT用BPE，Llama用SentencePiece，国产模型各有各的分词器。同一段中文文本在不同分词器下，Token数量可能差10%到30%，语义边界也不一样。三是质量和数量没法兼顾。只规定Token数量而不约束输出质量（比如困惑度、BLEU值、推理正确率），买方可能收到一堆低价值的输出；要是再追加质量指标，标准化复杂度又上了一个台阶。
要建立一套被全球AI行业和金融监管都认可的Token基准测试框架，得在基础模型、分词器、任务类型、质量指标等多个维度上达成广泛共识，这个难度远超定义一张GPU的性能参数。所以，挂钩Token更适合作为算力金融化的长期愿景，而不是中期就能落地的方向。
其次是现货价格指数缺失。Token虽然是AI行业内部常用的计价单位，但还没有像GPU租赁费率那样的独立第三方价格指数。编制指数需要大量真实交易数据和科学的方法论支撑。此外，市场认知和监管接受也需要时间。
两种方案的对比
从演进逻辑看，挂钩芯片租赁费率是“现货思维”，回答的是“用什么来生产算力”；挂钩Token是“产出思维”，回答的是“算力生产了什么”。有点像工业时代的“机床租赁合约”和“工业品远期合约”。前者锚定生产工具，适合产业早期；后者锚定最终产品，但实现起来高度依赖行业标准化，目前更适合作为长期储备方向。
除了芯片和Token，还能挂钩什么？
挂钩电力与能效——“算电一体化合约”
算力成本里，电费的占比大概在40%到60%之间（大型优化数据中心可降至30%左右，老旧或单机场景可能超过60%）。将算力和电力捆绑在一起，逻辑上很自然，政策上也与“算电协同”战略合拍。
这种合约的标的物可以是一个组合包，比如“100 TFLOPS FP16算力/小时 + 对应35千瓦时绿电”的远期交付合约。再进一步，还可以挂钩“算力能效比”——也就是单位功耗完成多少算力任务。这类合约的好处是，它不光锁定了算力成本，还锁定了电力成本和碳排放因子，给有ESG需求的企业提供了一站式的对冲工具。
这个方向跟“双碳”战略和“算电协同”政策高度契合，也能给绿色算力一个市场化溢价的通道。挑战在于，算力和电力是两套独立的计量和交易体系，组合定价的模型比较复杂，而且需要跨市场协调（算力交易市场和电力交易市场之间）。
挂钩数据吞吐量——“存算一体合约”
在云服务里，存储和计算往往不分家。对于数据库、大数据分析、AI训练这些场景，数据读取速度本身就是算力效率的关键瓶颈。
可以设计一种合约，锚定“一定容量的高性能存储 + 与之匹配的算力单元”的联合服务能力。比如“10TB NVMe存储 + 100 TFLOPS算力”的月度远期合约。这种合约特别适合存算一体化的垂直场景，可以直接作为云计算远期合约的底层资产。
优点是贴近实际云服务采购场景，标的物的定义可以借鉴现有的云服务规格体系。缺点是存算配比关系多样化，合约规格容易碎片化。
这几条路径的定位
上述替代方案并非并列关系，而是处在不同的成熟度梯队上。
务实可行的方向是，挂钩电力与能效是离得最近的拓展，有政策支持和产业基础，可以作为挂钩芯片的升级方向。挂钩数据吞吐量是面向特定场景的差异化品种，适合在主品种成熟后作为补充推出。
挂钩Token处理服务虽然理论上有优势，但标准化难度太高，应该定位为十年维度的长期愿景，而不是中期目标。在Token标准化取得实质性突破之前，更务实的中间路径是按算力类型（比如FP16 TFLOPS、INT8 TOPS）和精度要求来做精细化标准化。比如区分“大模型训练算力（高精度、高通信带宽）”和“推理算力（低精度、高吞吐）”，分别设计对应的期货品种。这样做既能避免单一芯片型号的技术锁定和过时风险（不同厂商的芯片都能提供相同精度的算力），又能绕开Token标准化的难题，还更贴近企业实际采购中的算力规格划分方式。
结论：从单一锚点到多元体系
算力期货的标的物选择，本质上不是“选A还是选B”的单选题，而是随着产业成熟度逐步展开的演进过程。不同的标的物对应算力产业发展的不同阶段，服务于不同层次的风险管理需求。
现阶段，挂钩芯片租赁费率是破冰的现实选择。它的标准化难度相对较低，现货价格指数已经有雏形，监管审批可以参照CME的探索先例，能够以最快速度推出来，抢占定价权的窗口期。这解决的是“有没有”的问题。
中期来看，更务实的升级路径是按算力类型（比如FP16 TFLOPS、INT8 TOPS）和精度要求来做标准化，逐步推出区分训练算力和推理算力的期货品种。这样既能避免单一芯片型号的技术锁定和过时风险，又能给国产芯片一个公平竞争的环境。同时，持续跟踪Token标准化、能效指数等方向的技术进展，做好制度储备，但别急着把它们推上期货品种。
长期乃至超长期，挂钩能效指数、精细化算力类型等相对务实的品种可以逐步落地。至于挂钩Token处理服务这种更抽象的方案，因为标准化障碍太大，更适合作为长期技术储备和学术研究方向，不要指望它很快成为交易所的主流品种。算力金融化的终局形态，更可能是一个多锚并存的务实体系，而不是盯着某一个抽象指标。
因此，建议短期不犹豫，用芯片租赁费率合约抢占窗口。加快推进挂钩主流芯片（比如H100、国产替代型号）的算力期货品种研发和上市，依托现有现货交易平台积累市场数据，建立先发优势。期货采用现金结算，结算基准是权威第三方发布的租赁费率指数。中期不放松，推动算力类型标准化和Token技术储备。 组织产业界、学术界一起制定按算力类型（精度、通信带宽、存储）的分类标准，同时研究Token标准化测试基准，但在没有实质性突破之前不要急着上Token期货。长期不设限，构建多元锚定体系。等算力产业生态和金融市场成熟到一定程度后，逐步推出挂钩电力能效、数据吞吐量等差异化合约，形成“多锚并存、梯次互补”的算力衍生品体系。从全球竞争格局看，CME已经率先选择了挂钩芯片租赁费率的方案进行探索。中国在跟进的同时，完全有条件在算力类型标准化、算电一体化合约这些更高阶的赛道上率先布局。算力金融化的标的物之争，既是技术路线之争，也是金融主权之争。中国拥有全球最大的算力现货市场、最完整的制造业链条和最丰富的AI应用场景，完全有能力走出一条从“跟随”到“并跑”再到“引领”的路——而这条路的起点，就是对“锚点”的战略性选择。
来源 | 经作者授权转发
编辑 | 丁开艳
审核丨秦婷
责编 | 兰银帆
Review of Past Articles -
01
02
热门跟贴