点击文末 > 阅读原文 > 浏览下载
企业级AI的经济模式正在快速演变。直到不久前，固定费率订阅制还让大型企业 AI 用户更关注提升使用率而非控制 AI 成本。但随着 Anthropic 和 OpenAI 等 AI 实验室转向按量计费，企业用户的固定费用时代已经终结。下一步很可能是动态定价——在需求高峰期价格飙升。对终端用户而言，这意味着明确的信号：AI 成本敞口正在扩大。
应对这一挑战，需要从根本上改变当前的人工智能计算能力（即"AI 算力"）市场格局——从零散合同、不透明定价和有限工具，转向更具流动性和透明度的体系。由于 AI 算力具有异构性（因硬件代际、时间节点和地理区域而异）等显著阻力，市场能否完全实现商品化尚不确定。但变革无疑正在发生，AI 芯片租赁的标杆和期货合约已开始涌现，旨在实现价格透明度和风险管理。
随着市场流动性和效率的提升，不仅为终端用户创造了机遇，也为数据中心运营商、人工智能实验室及其他大规模 AI 算力使用者带来了机会。据波士顿咨询公司研究所估算，这一变革每年可释放高达 1400 亿美元的"隐性价值"——这种因资本、商品和服务供需效率低下而存在于几乎所有行业的潜在价值。（见图表 1。）在 AI 算力市场中，隐性价值可能主要集中在两大领域：
对市场三大核心组成部分进行价格优化与交易：AI 芯片（主要是图形处理器 GPU）、这些芯片的 AI 算力租赁费率，以及终端用户代币
数据中心运营商的借贷成本降低
早期行动的企业将处于最佳位置，能够适应快速变化的市场，并释放 AI 计算市场中的暗价值。
当今 AI 计算力市场面临的挑战
AI 计算市场正以惊人的速度增长。BCG 分析预测，该市场规模将从 2025 年的 3600 亿美元攀升至 2030 年的约 2.3 万亿美元。然而，整个生态系统中的参与者都面临着诸多结构性挑战，而一个更具流动性、更透明的市场将有助于应对这些挑战。
AI 终端用户：日益增长的 AI 成本压力
随着定价模式的演进，终端用户正日益直面支撑 AI 模型的 AI 算力批发市场。
终端用户的代币本质上只是 AI 算力消耗的计量方式。每当 Anthropic 或 OpenAI 等 AI 模型提供商响应查询时，都会消耗具有成本的 AI 算力。但直到近期，固定订阅定价模式在很大程度上让终端用户免受 AI 真实成本的影响。为应对终端用户需求的激增，AI 提供商并未提价，而是直接控制需求。当 AI 算力趋紧时，服务商会采取速率限制、队列延迟或直接限流等措施。用户体验到的服务质量下降，但无论情况如何，最终支付的固定订阅费用始终不变。
近期，许多服务商已转向按量计费模式。Anthropic 于 2026 年 4 月开始将企业客户迁移至每位用户 20 美元的基础费用加按代币计费的 API 费率模式。该公司明确将这一调整与 AI 算力日益紧张的现状挂钩。同样，OpenAI 在 4 月初将 Codex 从固定消息定价转为代币计量，GitHub 数日后收紧了 Copilot 的使用限制，Windsurf 则在 3 月用严格的周配额取代了固定积分制。
市场演进的下一步可能是动态代币定价，即推理（运行已训练 AI 模型以生成响应的计算过程）价格随 AI 算力的供需变化而波动，就像批发电价在炎热午后上涨、在夜间回落一样。
通过代币，动态价格将同时反映需求端的工作负载特征和供应端状况。在需求端，并非所有推理负载都具有同等价值：上午 9 点运行的实时客户交互代理与隔夜批处理摘要任务不应以相同价格结算。在供应端，可用 AI 算力容量持续波动。能够容忍延迟或灵活安排工作的买家将支付更低价格；而需要在特定时刻获得保证吞吐量的买家则需支付溢价。
这种市场在模型可替代的环境下才能高效运作。例如，开发聊天机器人、摘要工具或编程助手的开发者，通常可以在 Claude、GPT 或开源替代方案上运行，并获得可比结果。这能保持强劲竞争，并使价格更贴近提供商当前的 AI 算力实际成本。
然而，并非所有 AI 活动都具有可替代性。更深层的生态系统整合——例如定制芯片、微调模型、数据驻留安排和企业支持协议——会产生转换成本，从而消除现货市场纪律所依赖的可替代性。在这种情况下，代币价格将既反映 AI 算力的边际成本，也反映谈判达成的关系价值，其表现更像长期公用事业合同而非批发电价：更具粘性、透明度更低、对实时供应条件的反应也更迟钝。
随着企业扩大 AI 使用规模，一个更成熟的市场将通过采取若干实际措施帮助它们适应动态定价：
对工作负载进行战略性时间安排。对于可替代、对延迟容忍的任务，企业应将 AI 算力视为具有可预测价格周期的普通商品——在现货价格较低时安排批处理作业、模型评估和非紧急处理任务。
利用期货市场管理非弹性工作负载的价格风险。在企业无法推迟执行时间但供应商仍可替换的情况下，企业需要了解人工智能算力的实时价格以及用于对冲成本波动的金融工具。
严格审视承诺容量协议。对于切换供应商成本高昂的关键任务负载，企业需明确自身为锁定效应实际支付的代价。在谈判承诺容量条款时，必须充分了解替代方案，避免在无意识中陷入脱离 AI 算力基础成本的定价体系。
AI 实验室及其他 AI 算力大用户：风险管理与价格发现
包括 Anthropic 和 OpenAI 在内的 AI 实验室需要海量的 AI 算力来训练新的前沿模型，并运行终端用户的推理工作负载。当前的格局给它们带来了两大挑战。
首先，价格发现机制有限。AI 计算提供商网站上公开列出的价格很少与实际交易价格相符。对于 AI 实验室及其他 AI 计算大用户（如自动驾驶汽车企业和生物科技公司）而言，提供商通常通过场外协商折扣、预留容量承诺及企业协议来私下确定价格，且这些交易均未公开披露。其他市场已通过建立标杆成功实现了价格发现。例如原油市场的价格报告机构会收集市场参与者的真实交易数据，将其标准化后作为参考基准发布，供整个市场进行定价参考。一个可靠的 AI 计算标杆将帮助 AI 实验室评估其支付的价格是否公允，同时为期货市场确立参考价格，并为价格指数化协议奠定基础——这类协议的费用将随真实供需波动，而非让买方受困于脱离市场状况的固定费率。
其次，人工智能实验室及其他大型消费者在管理供应与价格风险方面手段有限。正因如此，他们不仅购买当前所需，更倾向于在确切了解自身需求规模之前，就通过签订长期双边协议，以固定或可预测的价格锁定算力资源。
这场抢占供应的竞赛体现在数据中心空置率仅为 1%，约 92%的新增产能甚至在建成前就已提前预订。但根据 Cast.AI 的数据，企业 AI 计算用户租赁或自有的部分 GPU 集群利用率可能低至 5%。领先 AI 实验室的利用率可能高得多，但即便如此，问题也并未完全消失。从外部看，这似乎效率低下，尤其是当部分产能持续未充分利用时。但从买家角度来看，另一种选择可能更糟。承诺不足可能意味着没有足够的 AI 计算能力来训练下一代模型、服务下一波用户，或跟上竞争对手的步伐。
这些长期合同还有助于应对价格风险。根据 Silicon Data 的 H100 租赁指数，自 2025 年 1 月以来，H100 GPU 的价格每月上涨约 2.2%。同期内，价格一度下跌高达 11%，随后又上涨至比初始水平高出约 25%。
一个更成熟的市场应能实现两种关键的风险管理：
供应风险管理。在其他市场中，企业通过长期双边合同进行基准供应规划，同时借助流动性强的短期市场，让买家根据需求变化灵活调整产能。二级市场实现了这种双向灵活性：需要更多供应的企业可以购买，而供应过剩的企业则可以出售多余产能。人工智能计算市场目前尚未实现这种运作模式。
定价风险管理。在大宗商品市场中，期货允许企业通过锁定未来价格来管理价格风险，而无需实际采购石油、天然气或小麦等实物商品。一个流动性强的人工智能算力金融市场，将使 AI 实验室能够通过对冲此类算力的未来成本，更好地管理价格波动风险。
数据中心参与者：高额借贷成本
迄今为止，AI 数据中心市场尚处于早期阶段，主要依赖超大规模云服务商的股权和现金流进行融资。但随着市场日趋成熟，债务融资需求预计将快速增长。当前，超大规模云服务商和新型云服务商以相对较高的利率借款，以覆盖其数据中心投资。贷款方更偏好可预测的现金流和最低的运营风险，而当前 AI 数据中心的融资模式恰恰违背了这两项要求。
要理解其中原因，不妨看看当前数据中心贷款的抵押资产：GPU 硬件和客户租赁协议。GPU 的残值存在不确定性，因为大约每两年就会推出新一代产品，导致其快速贬值。与此同时，客户合同中的租赁费率波动剧烈——H100 的每小时租金从 2024 年初约 8 美元的峰值，跌至 2025 年底的 1.96 美元，随后在 2026 年 4 月回升至 2.64 美元。此外，这些客户合同往往集中在一两个交易对手方，使得任何一次重新谈判或违约的影响都被放大。
GPU 残值与租赁费率的远期市场出现，可能通过实现以下两点改变现状：
对冲残值风险。由于缺乏对未来残值的市场预期，贷款方只能对折旧进行猜测并采取保守放贷策略，导致贷款价值比契约收紧、利率高企。建立 AI 芯片的远期曲线将使数据中心运营商和贷款方能够直接对冲残值风险。
对冲租金费率。在业务运营期间，租金营业收入用于偿还公司债务。一个流动的远期曲线将使企业能够签订标准化合同，赋予它们与目前通过大规模承购协议所获得的同等程度的营业收入确定性。
最终，这类金融工具的开发将转化为更低的借贷成本，使数据中心运营商能够将资本重新配置到建设更多数据中心容量上。
隐性价值机遇
随着 AI 算力市场的发展，数据中心、AI 实验室及大型终端用户将获得新的机制来管理其投资与支出。这些机制将帮助他们在两个领域释放隐性价值：数据中心参与者的套利机会与更低的借贷成本。
优化与交易
BCG 的暗价值研究发现，任何行业中 3%至 4%的市场总规模可通过套利获取——这一机会源于市场的复杂性。应用于预计到 2030 年将达到 2.2 至 2.4 万亿美元的 AI 算力市场，这意味着每年潜在价值为 660 亿至 970 亿美元。
这一价值分布在市场的三个主要组成部分中：
AI 芯片。该细分领域每年可产生 120 亿至 170 亿美元的暗价值。数据中心运营商将占据其中大部分份额。
AI 算力租赁。此类租赁通常以 GPU 小时数计量。每年暗价值总额将达到 220 亿至 340 亿美元。AI 实验室和大型 AI 算力用户将成为该价值的主要受益者。
AI 应用程序终端用户消耗的代币。大型企业用户将处于有利地位，能够获取该领域每年 320 亿至 460 亿美元的大部分暗价值。
我们的估算并未假设一切都会实现优化和交易。毕竟，大多数 AI 算力的购买者运行的是 AI 工作负载，而根据工作负载的不同，套利——尤其是地理套利——对其中许多人来说在实践中可能并不可行。由于成本制约（数据传输费用可能抵消节省的成本）或需要实时响应，某些工作负载无法转移到其他地区的数据中心。（见图表 2。）不过，随着 Lumen Technologies 等公司推进 AI 基础设施建设，以支持高容量、低延迟的网络来传输海量 AI 数据集，这一制约因素可能会逐渐减弱。
降低借贷成本
为了估算数据中心参与者可能节省的融资成本，我们参考了伦敦证券交易所集团/路孚特的贷款数据。首先，我们对投资级贷款进行成交量加权，计算其相对于有担保隔夜融资利率的平均利差。随后，我们分析了包括 CoreWeave 和 xAI 在内的一组数据中心公司，以估算专门针对人工智能基础设施的利差。
假设 2026 年至 2030 年间对 AI 基础设施投资 3.6 万亿美元，我们对比了无 AI 算力远期曲线与存在可靠远期曲线两种情境下的利息成本。两种情境下均保持融资结构不变：贷款价值比 70%、摊销期 4.5 年（投资级中位期限）、担保隔夜融资利率 3.6%。（见图表 3）
企业可将总计1160亿美元（年均约260亿美元）的节省资金用于扩充算力容量。若人工智能基础设施投资达到分析师预测的高位——2026年至2030年间累计6万亿美元——则借贷成本降幅将超过每年400亿美元。
流动性 AI 算力市场发展的逆风因素
企业已采取一些举措推动市场演变。例如，亚马逊云服务（Amazon Web Services）于 2009 年推出 EC2 竞价实例（EC2 Spot Instances），作为闲置容量的竞价市场，但后来转向基于长期供需关系的备用容量模式。近期，SF Compute 等独立平台更进一步，通过构建内置转售功能的 GPU 集群市场来推动这一理念。
然而，多重因素使得这些努力——以及向更高效市场整体转型——面临挑战：
技术复杂性。AI 算力在三个维度上存在差异。首先，它在某些时段（例如非高峰时段、需求低迷期、季节性淡季，或新 AI 模型发布后立即出现的需求激增期）可能更便宜或更易获得。其次，其质量可能参差不齐。H100 的性能与 H200 不同。此外，CPU 算力、网络、存储、编排软件和支持等非 GPU 支出通常被隐藏，供应商特有的因素（如停机时间、设置时间、调试时间以及网络和存储所需的性能调优）也是如此。第三，AI 算力的成本和可用性因地理位置而异。（见图表 4。）
缺乏共识标杆。一个值得信赖的 AI 算力标杆将使生态系统中的所有参与者能够比较报价、评估 GPU 支持的资产，或构建金融产品以对冲价格风险。在石油等成熟的大宗商品市场中，标杆可能有所不同，但它们仍为参与者提供了共同的价格视角。AI 算力的标杆正在涌现，包括 Ornn H100 指数和 Silicon Data H100 租赁指数等。但每个标杆都采用不同的方法来收集数据，并根据异构 AI 算力对定价进行标准化。因此，同一 GPU 在同一天内，不同指数间的价格可能相差悬殊。（见图表 5。）
资金可得性。尽管许多 AI 实验室和 AI 服务公司尚未实现高盈利，股权融资渠道依然畅通；虽然债务成本高昂，但它们通常能找到替代方案。因此，价格风险管理直到最近才成为主要关注点。
数据中心参与者的激励机制。数据中心参与者历来依赖长期双边合同，几乎没有理由标准化定价或支持开放标杆。然而，展望未来，如果市场透明度能降低其融资成本，并帮助它们说服企业客户从定价更不透明的竞争对手转向自己，部分数据中心参与者可能会看到提升市场透明度的战略价值。
来自其他大宗商品市场的启示
许多阻碍 AI 算力市场向更透明、更流动性方向发展的因素，同样存在于其他市场中。要理解这个市场将如何演变，不妨看看另外两个市场：石油和电力。（见图表 6）
石油
与 AI 算力类似，石油也具有异质性——原油的化学成分、含硫量、黏度各不相同，产地、运输成本和交付物流也存在差异。石油市场通过标杆机制解决了这一问题。价格报告机构从市场参与者处收集真实交易数据，将其标准化后发布，作为其他市场参与者定价的参考基准。尽管布伦特原油和 WTI 原油合计仅占全球原油产量的很小比例，但它们却成为整个市场的定价标杆。
AI 算力在可迁移性方面与石油存在显著差异。实物大宗商品市场通过物流体系（石油领域的油轮和管道）连接不同区域，并利用套利机制缩小价格差异。石油易于运输，因此休斯顿的一桶原油与鹿特丹的一桶原油价格相差不过几美元，实际上共享一个全球价格。
电力
与 AI 算力类似，电力本质上具有区域性。在许多情况下，电力难以从生产地轻松输送到需求地，因此价格因地理位置而异。与此同时，AI 算力工作负载必须在数据所在位置运行，因此弗吉尼亚州的 GPU 与法兰克福的 GPU 无法互换使用。
电力市场展示了在特定条件下，区域性大宗商品仍能高效运作的范例。三个关键因素使区域价格差异始终锚定于实际成本：
物理互联。当一个区域的价格远高于另一区域时，电力会从低价区流向高价区。新增的供应压低高价，减少的供应推高低价，价差最终收敛至输电成本。
价格透明。每个节点都会发布实时价格，因此供应商知道该在哪里销售，买家也知道该从哪里采购。
金融市场。交易者可以通过在价格较低的地区买入、在价格较高的地区卖出，押注区域价差收窄。这种行为会推动价格趋同，即使不涉及物理电力传输，也能帮助消除不合理的价差。
这些机制仅在互联系统内运作。没有互联的地区（如加利福尼亚和新西兰）可以自由出现价格差异。但在互联电网内，价格差异主要反映真实的拥堵和损耗，而非信息不透明。
AI 算力不会像电力那样收敛为单一的全球价格，但它可以演变为一个高效的区域市场，并配备一系列供应和风险管理解决方案。（参见边栏“流动性 AI 算力市场的构建模块”。）
流动性 AI 算力市场的构建模块
一个高效且具有流动性的 AI 算力市场可能包含多种有价值的工具和解决方案：
价格报告机构（PRA）创建标准化标杆。PRA 将收集双边数据并标准化，形成每 GPU 小时的参考价格，供市场其他参与者作为基准。该标杆不应过于笼统——例如在 AI 算力属于区域性资产的情况下，全球 H100 标杆就不适用。PRA 还可为市场其他要素（如 AI 芯片或代币）制定标杆。
长期指数挂钩合约。目前存在基于交易量的承诺，但多数采用固定费率。在石油市场中，典型的长协合约定价为“月均即期布伦特原油价格+2.50 美元/桶”，而非“三年固定 80 美元/桶”。买方锁定交易量，但价格随市场波动。将这一模式应用于 AI 算力，企业可约定将长期合约定价为“OCPI H100 + 供应商差价”，这使数据中心运营商能基于指数化营业收入筹集长期资本，同时保护 AI 实验室及其他 AI 算力买家，避免在 GPU 价格下跌时支付过高费用。
挂钩标杆的金融衍生品。一旦建立可信的标杆，互换、期货和期权便可直接参照该标杆。这有助于对冲租赁利率和残值风险，进而成为将 AI 数据中心债务的信用利差压缩至接近投资级的关键一步。
以 PRA 标杆进行现金结算，作为连接实物市场与金融市场的纽带。在买卖双方之间转移 GPU 使用时长来结算合约并不现实，因此相关工具必须参照参考价格进行现金结算。PRA 的常态化调整，结合 GPU 区域和供应商质量的差异，能够实现异构交易的精准结算。这与石油市场类似——洲际交易所布伦特原油和纽约商品交易所西德克萨斯中质原油期货均依据普氏和阿格斯标杆进行现金结算，而非实物交割。
二级市场。当前，预订容量超出实际需求或提前完成工作负载的买家，除了将未使用的承诺容量转售给原供应商外，几乎无法从闲置承诺中回收价值。类似于机票转售的二级市场，将允许预订持有者向更广泛的市场转售固定容量，无论是为了收回成本，还是从有利的价格波动中获利。这还将加强长期合约容量与短期现货价格之间的联系，通过扩大可观测交易的范围，使标杆更加稳健。
由于参与者已通过长期合同等工具管理供应和价格风险，这一市场演变很可能分阶段逐步推进，而非一蹴而就。至于最终能否形成完全商品化的市场，目前尚不确定。但显而易见的是，在演变的每个阶段，暗价值的捕获空间都将不断扩大。
对生态系统内各参与方的建议
我们认为，所有利益相关者都需要为一个动态定价日益普遍、透明度更高、围绕实体 AI 计算构建的金融层更加精细化的世界做好准备。不过，各利益相关者将采取的具体行动会有所不同。
AI 终端用户
随着 AI 实验室转向按量计费和动态定价模式，大型 AI 终端用户可采取三项措施来控制成本：
将需求分为基础负载和弹性负载两类。人工智能终端用户应识别工作负载层级——包括无论价格如何都必须服务的高价值、面向客户的应用程序（基础负载需求），以及需求更为灵活的后台任务（批量摘要、内部研究和报告生成）。
对基础负载需求进行对冲。人工智能成本线庞大且持续增长的企业，应将人工智能算力视为能源或外汇风险敞口：在对盈利有重大影响的情况下，系统性地进行对冲。
调控弹性需求。当价格飙升时，终端用户可以调控、延迟或重新路由弹性工作负载。在价格冲击下，企业应能够在保留基础负载的同时，缩减弹性消费。
人工智能实验室及其他大型人工智能算力用户
AI 算力是大多数此类企业最大的单项成本支出，往往消耗大量早期资本。主动管理这一风险敞口，而非将其视为固定投入，已成为战略必需。可采取以下几项战略步骤：
根据风险敞口设计合同结构。随着标杆逐渐获得信任，买方应推动采用指数化定价（例如“OCPI H100 + 差价”）而非长期承诺的固定费率。至少，买方应利用现有标杆对固定费率协议进行压力测试与谈判，避免在评估公允价值时盲目行事。
管理 AI 算力在合同生命周期内的风险敞口。长期固定费率合同虽能降低合同期内的价格波动性，但会引入其他风险，包括续约断崖、超额使用需按现货价格结算，以及若整体价格下跌时可能被锁定支付高于市场价的费用。随着标杆和衍生品市场日趋成熟，与指数挂钩的金融工具可对冲续约风险、控制超额成本，并弥补高于市场价合同带来的损失。
跨时间、质量与地域进行套利。随着切换成本下降及 AI 芯片可替代性增强，AI 实验室及其他 AI 算力用户应准备根据价格信号调度工作负载。批量任务可在夜间或低成本区域运行；非延迟敏感型训练可转移至非高峰时段。
优化模型与供应商选择。前沿模型之间的可替代性创造了真正的选择权。将每个工作负载分配给当下提供最佳性价比的供应商和模型，而非标准化使用单一供应商，可在几乎不损失质量的前提下实现成本节约。
数据中心参与者
数据中心处于市场的供应端，将从远期曲线和金融工具的发展中直接受益。它们应采取以下举措：
利用远期曲线降低融资成本。若残值与租金率标杆获得流动性，数据中心参与者应将其纳入承销流程。他们可基于远期曲线而非自下而上的预测，向贷款方展示租金收入与 AI 芯片残值预期，从而压缩信用利差以获取成本节约。
对冲残值与租赁费率风险。另一个明智之举是，随着衍生品市场的发展，将两大核心资产负债表风险（硬件折旧与租赁费率波动）转移给金融交易对手。通过这种方式进行对冲，数据中心运营商可在 GPU 价格下跌或租赁费率下降时弥补损失。
人工智能计算市场正在快速变化，标杆、期货合约和二级市场已开始涌现。市场是否会走向真正的商品化仍是未知数，但向更高流动性和透明度转变的趋势已不可阻挡。随着这一转变的推进，先行者——无论是管理成本敞口的终端用户、解锁更廉价融资的数据中心运营商，还是确保供应的人工智能实验室——都将获得不成比例的价值。不透明的合同和统一定价的时代正在终结。现在的问题是，谁将在新局势中抢占先机。
原文链接：https://www.bcg.com/publications/2026/understanding-the-new-economics-of-ai-compute-markets
原文链接: https://www.chnmc.com/wisdom/Insights/2026-07-24/23705.html
研究报告和咨询报告合集下载
| 麦肯锡 |
|
|
|
|
|
|
|
|
| 埃森哲 | 行业报告 |
|
