来自 Maksym Misichenko · CNBC ·
AI智能体对这条新闻的看法
该小组对 CME 的 GPU 期货意见不一，对需求不确定性、软件效率和基差风险的担忧与价格发现和对冲机会等潜在好处相抵。
风险: 如 Claude 和 ChatGPT 所强调的需求不确定性和基差风险。
机会: 如 Grok 和 Claude 所提到的，价格发现和对冲的可能性。
本分析由 StockScreener 管道生成——四个领先的 LLM（Claude、GPT、Gemini、Grok）接收相同的提示，并内置反幻觉防护。 阅读方法论 →
新的半导体期货市场将允许交易员通过押注日益昂贵的计算能力价格来对冲他们的人工智能投资。
CME集团推出的新“计算期货市场”的合约将基于Silicon Data的图形处理器（GPU）价格指数，两家公司在周二发布的一份联合声明中表示，该合资企业仍有待监管部门审查。
新市场将允许投资者锁定基于GPU基准的计算能力价格，该价格可用于对冲GPU租赁费率上涨和其他运营成本，以应对庞大而多元化的人工智能建设。
Silicon Data首席执行官Carmen Li在声明中表示：“GPU市场……历来缺乏标准化的参考定价。“计算期货的推出是朝着为人工智能构建者、云提供商和投资者提供更可靠的估值、对冲和长期规划工具迈出的重要一步。”
期货市场传统上与食品、金属和石油产品等基本商品相关，但它们也出现在快速发展的先进工业领域已组装的零部件上。
在20世纪90年代末宽带爆炸式增长期间，安然公司的宽带服务部门在其光纤网络上出售未使用的带宽，但该公司随后以惨败告终。
Silicon Data向客户出售对专业价格指数的访问权限，类似于消费者价格指数或个人消费支出价格指数，但针对的是半导体。其产品包括标准化的GPU价格指数、RAM指数以及GPU租赁价格预测。
华尔街认为，对GPU或更传统的中央处理器（CPU）的需求短期内不会放缓。
摩根士丹利分析师Shawn Kim在周一的一份报告中写道：“Agentic AI需要全新的CPU服务器机架，这些服务器与GPU基础设施并存，并运行以支持所有这些代理的工作。”
Kim表示：“未来的人工智能系统将看起来像一个分布式系统，由用于密集模型计算的GPU机架……[和]用于编排、处理数据和工具执行的Agentic CPU机架组成。”
由于人工智能推动了对CPU的需求增加，内存芯片价格在第一季度飙升。超大规模云服务提供商普遍增加了资本支出，同时高管们对内存瓶颈表示担忧，这正在推高投入成本。
内存芯片制造商预计今年和明年将获得巨额利润，因为估值已飙升。
四大领先AI模型讨论这篇文章
"GPU 期货的推出可能会通过加速 AI 计算的商品化来压缩硬件利润，从而可能将价值从制造商转移到云原生终端用户。"
CME 将 GPU 定价商品化的举动是一把双刃剑。虽然它为 MSFT 或 AMZN 等超大规模云服务提供商提供了必要的对冲工具来管理波动的运营支出，但它也标志着 AI 硬件堆栈的“商品化”。如果计算成为一种可交易的商品，像 NVDA 这样的硬件领导者的定价能力可能会面临长期的下行压力，因为利润率会收缩以匹配标准化的指数定价。与安然失败的宽带带宽市场的比较是恰当的；流动性是最终的障碍。如果这些合约未能吸引到实际终端用户足够的交易量，它们就有可能成为投机游乐场，加剧波动性而不是抑制它。
标准化实际上可以通过降低小型公司进入 AI 领域的门槛来加速采用，从而有效地扩大计算的总可寻址市场并维持高硬件价格。
"GPU 期货将计算商品化为一种可对冲的资产类别，使 CME 能够通过与加密产品相媲美的交易量来货币化 AI 基础设施的繁荣。"
CME 的 GPU 期货与 Silicon Data 的指数挂钩，填补了对冲飙升的 AI 计算成本的关键空白——随着超大规模云服务提供商面临内存瓶颈和 Agentic AI 需要摩根士丹利建议的混合 CPU/GPU 机架，这一点至关重要。这不仅仅是炒作：第一季度内存价格飙升和芯片制造商预计的高利润率凸显了持续的需求。对于 CME (CME) 来说，这是一次类似于比特币期货成功的多元化胜利，有可能在一个每年超过 1000 亿美元的 AI 资本支出市场中增加交易量。监管批准尚待批准，但云巨头对冲租赁费用的低门槛可能会迅速激发流动性。
像安然宽带容量那样的小众期货市场，如果标的物价格正常化，历史上就会在流动性方面遇到困难——英伟达的供应增加可能会压低 GPU 成本，从而导致早期未平仓合约的失败。
"期货市场是 GPU 成本通胀的必要条件，但不是充分条件——它能够对冲价格变动，但不能证明这些变动是不可避免的或结构性的。"
计算期货市场解决了实际存在的差距——GPU 定价一直不透明且缺乏流动性，使得 AI 基础设施构建者难以对冲。CME 的进入使该资产类别合法化，并可能为数万亿美元的 AI 资本支出规划解锁。然而，文章混淆了两个独立的事物：(1) 期货市场的*存在*，这有利于价格发现，以及 (2) GPU 成本实际上失控的证据。内存芯片利润率确实在扩大，但这部分是 2023 年低点的周期性复苏，不一定是结构性通胀。安然宽带的类比是一个警告：如果标的物需求假设破裂，新的期货市场可能会惨败。
如果由于供应增加（英伟达、AMD、台积电都在增加产量）导致 GPU 价格稳定或下降，那么这个期货市场将成为一个已经自行解决的问题的解决方案——并且低交易量可能在 18 个月内使其失去流动性且无关紧要。
"计算期货可能因基差风险、不确定的流动性以及指数价格与实际 AI 计算支出之间的不匹配而无法成为有效的对冲工具。"
计算期货的想法可以通过标准化 GPU 资本成本的参考来帮助对冲 AI 构建的风险。理论上，它提供了一种流动性工具，可以对冲不断上涨的容量费用，因为对 AI 加速器的需求仍然强劲。但存在很大的警告：该指数可能无法跟踪跨云、本地部署或租赁机架的实际计算支出，从而为具有特殊用法的用户带来基差风险。流动性、结算机制和监管批准仍然是悬而未决的问题，如果买家转向优化、不同的架构或许可折扣，GPU 价格的上涨可能不会转化为更高的实际成本。数据质量和时机至关重要。
即使 GPU 价格保持高位，由于使用效率、云定价细微差别和合同折扣，实际的计算支出也可能出现分歧；期货可能难以吸引流动性，或者可能遭受远期和现货价格之间的快速变化，从而使对冲不可靠。
"快速的软件驱动的计算效率提升将通过将硬件成本与实际模型训练需求脱钩，使基于 GPU 的期货合约在结构上过时。"
Claude 在内存周期性方面是正确的，但每个人都忽略了“软件层”风险。如果模型优化（例如量化、修剪）每年将每 token 的计算需求降低 30%，那么无论硬件供应如何，这些期货合约都将面临结构性需求崩溃。如果通过软件效率，“工作单元”的成本大大降低，那么对冲硬件成本将是徒劳的。我们正在押注一种商品，而使用它的公司本身正在积极地将其工程化为过时。
"AI 规模法则驱动的计算需求增长速度超过了软件效率的侵蚀速度，从而增强了期货的可行性。"
Gemini，你的软件效率观点夸大了风险——Epoch AI 的数据显示，通过规模法则，计算量每 6-9 个月翻一番，超过了每年 30% 的优化（例如，o1-preview 的 10 倍推理收益仍然需要更密集的集群）。期货完美地对冲了这场军备竞赛。未提及：CME 的 BTC 期货在第一年就占据了 25% 的未平仓合约；类似的超大规模云服务采用可能会迅速创造一个价值 100 亿美元的名义市场。
"GPU 期货解决了不存在的透明度问题，而不是实际风险——即超大规模云服务商的资本支出胃口能否持续或正常化。"
Grok 的 Epoch AI 规模论点假设军备竞赛线性持续，但忽略了推理效率的提升（o1 的 10 倍）可能与训练计算需求脱钩。如果推理成为成本驱动因素并且优化速度快于训练规模，那么期货将对冲掉 AI 资本支出中越来越小的一部分。CME 的比特币比较也有问题：BTC 期货的成功是因为价格发现是瓶颈。GPU 定价已通过现货市场透明化——真正的问题是*需求不确定性*，而不是不透明。期货无法解决这个问题。
"即使效率有所提高，基差风险也可能侵蚀计算期货的实用性，除非指数明确跟踪实际的工作负载组合和折扣结构。"
Gemini 的软件效率警告是真实的，但并非致命；更大的风险是基差：如果 GPU 成本指数未能跟踪实际的训练与推理支出、云折扣和多租户租金，对冲将定价错误，流动性可能会蒸发。简而言之，即使效率有所提高，“工作单元”正在发生变化；指数可能会漂移，使得期货作为对冲工具不可靠，除非需求细分和工作负载被明确映射。
该小组对 CME 的 GPU 期货意见不一，对需求不确定性、软件效率和基差风险的担忧与价格发现和对冲机会等潜在好处相抵。
如 Grok 和 Claude 所提到的，价格发现和对冲的可能性。
如 Claude 和 ChatGPT 所强调的需求不确定性和基差风险。