律动BlockBeats

本文为 OKX Ventures 出品的深度研报。由于篇幅较长，分为上下两篇发布：上篇聚焦算力资产化、风险敞口与衍生品定价逻辑；下篇将重点分析算力金融基础设施、推理资产化机会及行业趋势。本篇为下篇。
四、算力市场的金融基础设施：价格、风险与交割
算力金融市场的几层基础设施已经开始拼起来。指数把分散的 GPU 租金压成统一基准；交易所围绕基准组织标准化风险；Dealer 接下具体机房、期限和 SLA 带来的基差；容量平台再把金融头寸接回物理算力。这几层谁先积累足够多的真实订单和合同引用，谁就更接近早期市场的定价权。
4.1 算力指数：谁能成为默认参考价格
同一型号 GPU 的成交价仍会被集群规模、互联方式、地区、租期、预付比例、SLA 和供应商信用拉开。对指数商来说，难点在于能否把这些差异处理到市场愿意拿它做合同结算、贷款估值和衍生品交割。
目前大致能看到三种路线。Silicon Data、Ornn 更接近独立 benchmark provider，主要通过收集市场报价和合同数据，再做标准化处理形成基准；Compute Desk 兼做算力中介和结算，因此能直接看到已经成交的现货与远期合同，包括价格、期限和实际结算条件；SemiAnalysis 则从电力、芯片采购、折旧和机房成本出发做 TCO 建模，更适合资产估值和研究，离金融结算基准更远一些
4.2 场内交易/标准化期货：传统及新兴合规交易所进入算力市场
交易所提供的核心价值是标准化、清算和分销。对于 Neocloud、AI Lab 和私有信用机构，如果套保能够直接接入现有 FCM、保证金和清算体系，机构采用成本会明显降低。传统交易所和新兴合规平台也因此同时开始测试算力产品：CME、ICE 延续成熟期货基础设施，Architect AX/AIX、Pluto/PMEX 则在永续合约和固定到期期货上尝试不同路径。
算力期货的冷启动会比挂牌一张合约复杂很多。算力合约很容易碎片化。不同 GPU 型号、地区和集群配置对应的是不同的交付价值，流动性很难自然集中到一张合约里。远端价格又高度依赖芯片交付、电力和模型效率，普通金融做市商缺少物理订单信息，很难在六个月或一年期限上持续给出有深度的报价。
产业对冲盘短期也未必足够大。Hyperscaler 可以内部吸收大量风险，头部 Neocloud 又已经用长约覆盖了相当一部分现金流。早期场内市场很可能先积累交易和投机流动性，产业套保能不能跟上，要看中小运营商和按需采购算力的 AI 团队是否开始持续、重复地交易。
4.3 场外交易、做市商：OTC 定制化和基差管理
在场内深度形成之前，大量风险更可能先通过 OTC 完成转移。物理算力的地区、网络、集群规模、SLA 和交付时间都很具体，很难直接塞进一张统一的交易所合约。
Dealer 因此处在一个很有价值的位置。一边是 Neocloud 希望提前锁定租金，另一边是 AI Lab 希望锁定采购成本，Dealer 可以分别给双方定制报价，再用标准期货或其他头寸管理整体价格风险。买卖需求在时间和规格上对不齐时，Dealer 还要先用自己的资产负债表接单。
这类业务赚的不只是 bid-ask spread。机房、电费、网络条件、交付约束和客户信用都会形成 basis，对这些非标差异持续定价，并愿意用资本承接风险，是 Dealer 更难复制的能力。FalconX 与 Robert Leshner 的 H100 swap、Wintermute 推出的 H100 远期，可以看作做市商开始试水算力远期报价和风险转移的早期尝试。尝试。金融中间商开始为物理算力提供定制期限报价，并把无法标准化的部分留在自己的 book 里。
真实订单流因此很重要。指数告诉市场平均价格，Dealer 手里的询价和成交则更接近某个地区、配置和期限实际需要支付多少 premium；这部分信息直接决定 basis 怎么定价、利润留在哪里。
4.4 容量平台与物理交割：纸面头寸向实物的履约交割
对 AI Lab 来说，金融头寸锁住了价格，并不保证届时有一组符合要求的 GPU 可以使用。算力紧张时，这个区别尤其重要。没有物理履约能力，期货价格和真实机房租金很容易各走各的。
现在已经出现几种不同层级的尝试。Vast.ai、RunPod、Hyperbolic 这类现货平台提供了更丰富的物理报价和可用容量数据；SF Compute 允许已预订容量转售或回购，使长期容量合同具备了一定流动性；EFP 网络则尝试把标准期货和具体物理合同连接起来，用期货处理大盘价格，用线下合同处理地区、网络和 SLA。
SF Compute 这类模式尤其值得注意。传统 Take-or-Pay 合同里，未使用容量通常接近沉没成本；允许转售以后，未来容量开始具有可交易的权利属性。这会增加长期合同的流动性，也让物理市场本身出现更清楚的远期价格。
EFP 则解决另一层问题。AI Lab 可以先用标准期货锁定市场 beta，到了实际部署时，再通过履约网络寻找具体机房，并支付地区、网络和 SLA 对应的 basis。这样一来，金融市场无需把所有物理差异都塞进一张期货合约，也能服务真实的产业交割。
4.5 Inference Capital Markets：推理经济中的融资、服务权与收益权
GPU 被推理服务商转化成 Token 以后，金融需求开始从硬件租金延伸到推理业务的营运资金和合同权利。推理服务商如果希望锁定完整毛利，理论上需要同时管理 GPU 输入成本和 Token 输出价格。
推理服务商的利润大致等于: Token 实现价格 × 每 GPU-hour 的 Token 产出 × GPU 利用率 − GPU 成本 − 其他运营成本
4.5.1 推理经济资产出现的需求点是什么？
GPU 和容量需要提前采购，API 收入随客户请求随后逐步发生。需求判断偏高会留下闲置机器，也会占用现金。大型模型公司和 Hyperscaler 可以用自己的资产负债表吸收这段波动，但中小型推理平台容易依赖客户预付或者外部融资。
产能先于需求兑现的时间差催生了四类资产：GPU 信用为前期投入融资；预付服务权提前回收未来收入；产能激励在需求形成前补贴供给；模型部署资产尝试分配扣除运营成本后的剩余利润。
传统云市场很早就在用 prepaid credits 和 reserved capacity 处理类似的供需错配问题。如 OpenAI 的 Scale Tier 就允许企业提前购买特定模型的 input 和 output Token 吞吐单位。这已经是一种标准化的预付推理服务，只是额度绑定企业账户，不能被自由转让。
Crypto 在链上增加了一层新的产权设计，原本记录在供应商账户里的服务额度可以由钱包持有，也可以进一步转让和融资。未来如果 Agent 开始自己采购推理服务，这类权利也可以直接进入机器的预算体系。随着程序化支付未来成为行业通用化的基础设施能力，链上更有辨识度的位置其实在权利层。一项未来服务能不能独立持有，能不能转让，能不能拿去融资，会直接影响它能否从普通 credits 发展成金融资产。
目前链上推理在执行层的份额仍然很小，crypto native 推理服务商过去三个月在 OpenRouter 日度 Token 流量中的占比大约只有 0.5%–1%。这也意味着链上现阶段更现实的机会可能出现在金融层，推理服务继续由效率最高的平台生产，链上负责资金和权利流转。
4.5.2 四类推理资产化的尝试
目前在 Inference Capital Markets 分为四类权益资产化的方向
GPU 信用
GPU 信用最先形成规模，一方面是因为它已经有外部付款人，另一方面是它的金融产品结构非常接近传统信用资产，所以机构资本比较容易理解。
一笔典型 GPU 贷款仍沿用传统资产融资结构：GPU 由 Delaware SPV 持有，贷款方通过 Loan and Security Agreement、UCC-1 和数据中心 lien waiver 建立抵押权。链上记录贷款份额、还款和收益分配；一旦违约，债权执行仍要回到线下合同、设备控制和法院体系。
借款人部署 GPU 后，下游客户持续支付算力费用，这笔现金流支持贷款本息。只要承购合同继续履约，贷款就有明确的偿债来源。
不过，GPU 信用这个方向相对也最容易被传统资本吸收。随着未来 Senior 贷款具有标准期限、利率、LTV 和法律追索后，银行、保险资金和私募信贷的资本成本会远低于链上资金。大额、投资级、结构清楚的贷款最终大概率会进入传统银团、ABS 或私有信贷基金。
链上可以长期保留的位置主要在 TradFi 服务成本较高的部分，比如：中小型运营商的贷款发起、跨境稳定币资金、贷款份额分发、实时设备与利用率监控，以及承担初始损失的 junior 或 mezzanine 层。未来更可能出现的结构是，链上协议负责发现借款人、监控资产和组织第一批资本；贷款表现稳定后，Senior 部分出售给传统资金，链上继续持有服务费、次级风险和数据关系。
预付服务权
预付服务权解决的是发行方今天的资金需求。平台提前出售未来 API 容量，先收到现金，再在未来持续履约。期限一旦拉长，买方承担的平台风险也会越来越明显。几年后的模型是否还有竞争力？服务价格会降到什么水平？credits 的购买力能否维持？都会影响今天的估值。
所以这类产品后面更可能逐渐靠近标准化容量合同。期限会更短，服务标准会更清楚，模型也可以按照约定规则替换。合同越清楚，预付服务权越容易形成相对独立的市场价格。
此外，这里还存在一个逆向选择。拥有最好模型、客户需求最强、定价权最稳的平台，通常没有动力发行长期、可转让的推理权。它们更希望保留客户差别定价、未使用 credits 的收入和随时调整价格的能力。最需要提前出售长期服务权的，往往是需要融资和拉新、但未来竞争力尚未被证明的平台。
产能激励
产能激励解决的是推理网络早期的供给组织问题。节点需要提前配置 GPU 和模型，也要承担运维成本。需求侧还没有稳定形成时，节点没有足够动力提前上线，网络代币排放可以给供给侧一段收入保障，让网络先获得可用产能。
长期能不能成立还是要看外部客户付费能否逐步覆盖节点收入。协议可以验证一次推理任务确实被执行，也可以验证节点使用了指定模型，但计算发生本身不会产生经济价值。代币排放可以买到一段时间的供给，客户需求仍然需要真实订单来证明。
更合理的激励机制可能会逐渐和真实收入绑定。客户先用稳定币支付任务费用，节点完成推理并通过验证后获得收入，协议再根据外部收入提供额外奖励，并随着网络成熟逐步降低补贴。这样可以让排放承担冷启动成本，同时给市场一个更清楚的信号：节点收入中有多少来自客户，有多少仍然来自资本补贴。长期看，产能激励真正需要完成的是从用代币购买供给走向用客户收入养活供给，这个转换发生以后，网络才开始拥有独立于代币市场周期的经济基础。
单体模型收益权
模型收益权最接近前文所说的 crack spread：
模型部署剩余利润 = API 收入 − GPU 成本 − 网络、存储和工程成本 − 获客与补贴
很多 Model Token 给持有人的主要是回购和质押激励，未必对应一项可以依法主张的收入权。API 收入与 Token 价值之间如果缺少清晰的合同关系，估值就很难形成稳定锚点。
模型寿命又进一步放大了这个问题。模型更新速度很快，一项资产刚完成融资和部署，底层模型可能已经被新的替代品追上。单一模型因此很难支撑一项长期金融资产。
更可能的发展方向，是把底层单位逐渐扩展到 workload strategy。比如一个 coding inference strategy 可以持续切换底层模型，根据质量和成本调整路由。这样持有人承接的是一套持续经营的推理策略，资产寿命跟着客户需求和工作负载走。
另外，如果这类产品以后要进入机构市场，还需要明确的法律实体、经审计的 API 收入和清晰的现金流 waterfall。缺少这些基础，Model Token 的估值仍会高度依赖未来使用量和发行方的回购政策。
4.5.3 Router 先于 Token 期货提供需求侧风险管理
Router 是推理金融化里被低估的一层。
企业最终关心的是一项任务要花多少钱。具体用了哪个模型，在很多场景下只是实现路径。Router 可以持续比较不同模型和 Provider，在价格变化时重新分配流量。底层服务原本高度异质，经过 Router 调度以后，替代性会逐渐提高。
这会直接影响需求侧衍生品的规模。很多成本波动可以先通过模型切换和软件优化消化。剩下无法通过这些方式处理的敞口，才更需要金融工具介入。
Router 还有一项很重要的数据优势：它能看到真实账单。公开 API 官价很难代表企业实际采购成本，Router 能看到客户到底支付了多少，也知道这笔价格对应什么样的服务质量。订单积累以后，这些数据有机会形成质量调整后的 workload cost index。
再往前一步，Router 可以直接向企业提供成本上限。比如企业提前锁定未来三个月 coding workload 的预算，Router 在后台管理模型选择和容量采购，需要时再通过 GPU 衍生品处理剩余风险。客户最终获得的是预算确定性，也不需要自己管理模型篮子、期货头寸和基差。这种产品可能比通用 Token 期货更符合企业采购习惯。Router 可以把底层复杂度留在内部，再给客户一个更稳定和可预测的价格。
Token 本身暂时没有形成统一标准，但 Router 却可以围绕某种明确的工作负载持续寻找替代供给。交易积累到一定规模以后，workload 本身就可能成为新的价格单位。
如果这条路径成立，Router 会逐渐从流量分配工具延伸到采购和风险管理。它长期最有价值的资产也会越来越清楚：真实订单、真实成交价格，以及在不同模型之间管理成本和质量的能力。workload 的价格标准很可能先在这一层形成，再进入指数和衍生品市场。
4.5.4 Crypto 的窗口在标准形成之前
一项权利还没有统一规格的时候，传统金融处理起来成本很高。合同金额较小，结构较碎，链上则可以更快实验新的产权形式。未来 Agent 如果开始直接持有和执行服务合同，这类基础设施的价值还会进一步提高。
当某类资产形成成熟合同以后，大额资金会逐渐进入银行和机构市场。Senior GPU 信贷已经能看到这个方向。标准化期货成熟以后，交易所和机构做市商也会进入。链上协议在这个窗口期更应积累真实订单流 (客户和交易数据)，其合同标准和履约数据也会逐渐形成壁垒。
今天已经出现的产品，大致对应风险单位逐步标准化的不同阶段：
最早的产品仍然高度依赖某一家公司的信用。随着合同逐渐允许服务替换，发行方风险会下降。等市场能够稳定定义一篮子质量相近的 workload，需求侧指数才有机会形成。期货和期权需要建立在这类稳定风险单位之上。
Agent 可能进一步扩大链上合同的使用场景。如果未来软件开始自主购买推理服务，今天一份企业 API 合同会被拆成大量机器实时执行的采购决策。届时服务权持有，预算约束，履约验证等都会进入金融基础设施的设计范围。
推理层金融化最终要解决的是把高度定制化的 AI 服务逐渐变成资本市场能够理解和定价的权利。早期市场的定价权将依赖于谁率先定义这些权利。
五、总结
1. Timing/Why Now？
2026 年 CME、ICE 等传统金融机构开始密集进入算力定价和衍生品市场，市场基础设施已经开始搭建。相比交易所宣布了什么产品，我们更关注两个方向变化的节奏。
第一，债务正在更深地进入 AI 基础设施。当 GPU 和数据中心更多依赖外部融资，租金波动就会直接影响 DSCR、LTV 和再融资条件。放贷方也有更强的动力把价格风险写进 covenant，要求运营商提前锁定一部分未来现金流。CoreWeave 的融资路径已经展示了合同覆盖率如何影响信用定价；如果类似融资结构继续扩散，私人信贷和银行很可能成为算力套保的重要推动力量。
第二，越来越多算力需求开始出现在公开采购市场。开源模型降低了企业自行部署模型的门槛，第三方云、Neocloud 和推理平台承接的 workload 随之增加。公开市场承担的边际需求越多，GPU 租金越容易形成持续的价格发现，也会有更多企业直接暴露在租金波动下。
市场仍然偏早。GPU 迭代快，地区、网络、集群和合同期限又高度非标，早期交易大概率仍会集中在 OTC，由 Dealer 先承接客户需求和 basis。值得观察的 adoption signal，是产业客户有没有开始持续、重复地套保。
2. 永续合约还是固定到期期货，谁更容易找到 PMF？
产业客户的风险通常有明确期限。半年训练项目、一年容量合同、数年 GPU 贷款，都需要一个对应期限的价格。固定到期期货在这方面更贴近企业风险管理，也更容易通过 EFP 与具体型号、地区和 SLA 的物理合同连接。
因此，永续合约更适合近端价格发现和交易流动性，固定到期期货更适合企业套保、期限价格和物理履约。
3. 哪一层最可能先捕获商业价值？
短期内我们认为掌握物理订单流的 Broker / Dealer，以及控制推理订单流和调度的中游平台会更快地捕获商业价值。当前市场仍然经常为「有没有算力容量」支付很高的溢价，抢到卡带来的价值目前仍然远远高于优化几十个 BP 的套保成本。谁知道哪里有空卡、谁正在抢容量，又愿意用自己的 balance sheet 接单，谁就有机会同时赚到撮合费、bid-ask spread 和 basis premium。
随着市场交易逐渐标准化，价格指数的价值会越来越高，一旦某个 benchmark 被大量合同反复引用，迁移成本和网络效应都会迅速提高。
再往后，标准合约和产业套保规模足够大以后，交易所才会充分吃到清算、保证金和流动性网络带来的规模效应。

文：加六，涨声BeatZ
「黄金基本已经跌到头了」，这是近期金融机构们的普遍共识。
经历了一季度冲高、二季度回落后，COMEX 黄金主力从 6 月 30 日的 4022.9 美元/盎司，反弹至 8 月 14 日的 4380.4 美元/盎司：本季度上涨 8.9%，8 月以来上涨 8.2%。华尔街的策略报告、投研会议和社交媒体上的黄金多头，都在把「回调结束」当作新的共识。
问题是，商场里的黄金商铺们却似乎没有认同这份共识。
七夕临近，北京 SKP、上海国金、广州太古汇这些高端商场里，曾经要排队三小时才能进的「老铺黄金」，开始大规模降价，满减折扣层出不穷，黄牛代付叠加满减之后，折扣能压到标价的 79 到 82 折。
老铺黄金到底怎么了？
大大降价，老铺黄金到底怎么了？
这波大规模打折，惹得前期高价排队买货的老客户很不高兴。而与此同时，老铺的黄金回收业务，也让另一批消费者十分尴尬。
一位消费者带着老铺黄金的项链去问回收价。她买入时金价比现在低，过去一年黄金又经历了一轮暴涨，按直觉，她以为卖掉至少不会亏。但项链拿回老铺，工作人员最后报出的价格，和她当初买入时的总价差不多。
这就揭开了老铺最核心的商业矛盾：专柜卖的是「黄金加工艺加品牌」，回收商买的却常常只是「黄金」。
黄金本身其实是有标准价差的。涨声 BeatZ 看到的一张银行实物黄金报价表显示，四大行产品的积存价约 972.80 至 974.33 元/克，赎回价约 952.32 至 956.73 元/克，双向价差只有 16 到 21 元/克。这个价差主要来自铸造、保管和渠道成本，非常透明。
但金饰不是这样。一条金项链的价格里，除了当天的金价，还有工费、设计、店铺租金、销售服务、品牌营销和税费。
老铺更甚。
老铺的黄金首饰并不是和同行一样按照克重进行销售，而是按件售卖的「一口价」模式。古法工艺、中式审美、顶级商场的陈列，加上「黄金界爱马仕」的身份感，让老铺产品的溢价普遍达到黄金原料价格的 3 倍左右。消费者在老铺买到的，是一件顶级奢侈品首饰，而不是一份黄金资产。
可一旦消费者带着这件首饰走回老铺想要变现，回收商衡量的就不再是奢侈品，而是实打实的黄金了：得判断纯度、看焊料和配件、承担检测和熔损成本，还要对冲金价波动的风险。
涨声 BeatZ 获知，黄金首饰回收的行业惯例报价普遍是「大盘价减 100 元/克」。换句话说，不管买入时为工艺和品牌多付出了多少溢价，回收台前算的都是同一套黄金公式。买入花了三倍溢价，回收时也只按黄金本身论价，这中间的落差，就是那位消费者拿到「差不多价格」时心里那种说不出的憋闷。
不只是打折和回收的落差，老铺黄金今年的股价表现也相当低迷。
先看金价走势：2025 年 12 月 31 日，COMEX 黄金主力收于 4325.6 美元/盎司；到 2026 年 1 月 29 日一度冲高至 5318.4 美元，随后回落，3 月 31 日回到 4647.6 美元，6 月 30 日进一步跌到 4022.9 美元，7 月底重新站上 4049.1 美元，8 月 14 日回升到 4380.4 美元。
再看老铺黄金：2025 年末股价 618 港元，1 月 26 日冲高至 849.5 港元，几乎和黄金同一时间触及阶段高位，随后一起回落。用 2026 年初至 3 月末的 58 个共同交易日计算，老铺股价和 COMEX 黄金的日收益相关系数约为 0.39，属于中等正相关。这段时间，老铺基本还活在「金价上涨、消费者抢购、品牌估值抬升」这套共同叙事里。
但从二季度开始，能明显看出这种正相关在变弱。
截至 8 月 14 日，黄金本季度上涨 8.9%，8 月上涨 8.2%，老铺黄金却下跌 3.7%，8 月以来只涨 2.7%，最近一周还跌了 5.2%。从年初到 8 月 14 日，老铺累计下跌 46.0%，跌幅远远大于其他黄金股。
黄金整体的回调结束了，为什么老铺黄金的股价压力却没有一起结束？
答案其实是在于老铺的定位，不是黄金饰品，而是奢侈品。
从这张全球奢侈品公司市值表看，2024 年底，老铺黄金还只排在第 22 位，一年时间往前冲了 8 名。它前面是 LVMH、爱马仕、历峰这些全球奢侈品巨头，旁边则是周大福、Prada、Swatch 等品牌。
资本市场并不把老铺当成一家普通金店来定价，而是把它当成一个正在崛起的中国奢侈品品牌。老铺希望自己有一天可以像爱马仕、卡地亚一样，让走进店里的消费者不再问金价和克重。
老铺的难题，来自它的奢侈品定位
和我们熟知的周大福、周生生、周大生、周六福、周百福这些「周氏」黄金非常不同，「老铺黄金」的创立时间不算久，发展却很快，前身还是一家做旅游文创纪念品的公司。
创始人徐高明早年在旅游和文创领域摸爬滚打多年，接触的是大量古玩爱好者和高净值客群。这段经历让他对这批人的审美偏好和消费心理，形成了一套外人很难复制的理解，什么样的寓意能打动他们、什么样的稀缺感能让他们心甘情愿排队。
老铺今天的产品设计和品牌定位，几乎都能在这段起点里找到影子。
老铺黄金独立的时间是 2016 年底，在独立后，徐高明正式提出要打造「东方爱马仕」，做旅游纪念品生意时学到的那套文化叙事能力，从这一刻起被系统性地搬到了黄金珠宝上。
产品线里佛教元素的痕迹，一直没有断过。老铺现在最畅销的几款单品，貔貅、金刚杵、金刚嘎乌盒、谛听、葫芦挂件，几乎清一色带着强烈的宗教寓意，这和金色宝藏当年卖手串法物的老底子一脉相承。用一位老客户的话说，包里没凑齐一套貔貅、葫芦、谛听，都不好意思说自己是老铺的常客。
和传统金店的销售方式不同，老铺一直强调自己推广「古法黄金」，讲的是花丝、錾刻、烧蓝、镂空、锤揲、镶嵌这些工艺；讲的是清宫造办处的想象、北京花丝镶嵌的传承；讲的是把钻石镶在足金上，而不是把黄金当成一块等待称重的原料。
选址上，老铺也走的是奢侈品逻辑，只进 SKP、太古汇、万象城、恒隆这类准入门槛极高的顶级商场，而且专挑和爱马仕、路易威登、卡地亚做邻居的位置，不少门店干脆就开在爱马仕对面。老铺 2025 年财报援引第三方数据称，自己的消费者与路易威登、爱马仕、卡地亚等国际五大奢侈品牌的重合率已经达到 82.4%，比 2024 年的 77.3% 又高了一截。据市场资料，老铺一间标准店的装潢加库存投入约 5000 万元。
最让消费者印象深刻的，是老铺带给消费者的感觉。每天中午给排队顾客发放盒饭，两荤两素、营养均衡，下午茶时段还专门请了男模来回走动，给大家派发 Godiva 的巧克力，发的水是十几块一瓶的依云，橙汁是 NFC 的，连充饥的小面包都是从手工烘焙精品店买来的。
为了维持奢侈品的定位，2024 年至 2026 年 2 月的金价牛市里，老铺曾多次上调终端售价，部分产品累计涨幅很大。市场材料称，涨价次数达到六次、部分最高涨幅超过 110%。
这套打法确实奏效了。老铺把黄金从「按克卖的原料」重新定义成了「按件卖的文化资产」，产品普遍比同行贵出 55% 以上，单店店效一度做到行业第一。
但凡是都有两面性，奢侈品定位的另一面是，需要囤大量高价黄金原料来支撑「现货一口价、不接受预定」的稀缺感，一旦金价掉头，风险就全压在了存货上。
这正是老铺回收黄金价格颇低的原因，也是老铺股价这一两年跌得比同行更狠的核心原因。
截至 2025 年底，公司存货余额约 160.44 亿元，比上年末增长近三倍，经营性现金净流出约 68.5 亿元，和 48.7 亿元的净利润严重背离。为了维系「涨价即赚钱」的叙事，公司在金价牛市期间六次上调终端售价，累计涨幅超过 110%，把库存成本越垫越高。
等到金价从今年 1 月 5598 美元的高点一路回落，这批高价存货就成了悬在头上的减值风险，市场也不再愿意为它付 50 倍市盈率的溢价，如今老铺的滚动市盈率已经回落到约 12 倍，和周大福、老凤祥这些传统金店几乎没什么区别了。
只能说成也萧何，败也萧何。
从排队到打折，奢侈品的甜与苦
有意思的是，老铺过去曾经表达过一个非常宏大的愿望：摆脱传统黄金品牌跟着金价走的命运。
如果只看 2026 年的股价，它确实做到了。只是方式有点不太体面，因为老铺跟跌不跟涨。
年初至今，COMEX 黄金主力上涨 1.3%，本季度上涨 8.9%；老铺黄金年初至今下跌 46.0%，本季度下跌 3.7%。黄金从二季度低位反弹，老铺没有一起修复；市场反而继续给它的高增长预期、高溢价和高库存风险打折。
这不是要唱衰老铺。
毕竟，老铺本来就是黄金行业里一家很特殊的公司。它试图证明，中国消费者不只会为克重买单，也会为本土工艺、审美和身份表达买单。它把黄金带进了过去由国际奢侈品主导的商场楼层，也逼着整个行业重新思考：黄金首饰到底能不能不再只是原材料生意？
甚至，老铺还吸引了传统奢侈品行业的老钱们的注意力。
LVMH 老板 Bernard Arnault 曾在上海国金中心被目击进入老铺黄金门店，停留约半小时，据目击者称他仔细观摩了葫芦、吊坠、十字架及陈列的金器，并评价「很精致，很有趣」。而且这不是他第一次关注：早在他本人到访之前，已有 LVMH 高管两度造访老铺黄金门店，集团高管还曾表示注意到中国消费者对本土品牌的兴趣越来越大，一些中国本土珠宝公司已经看到需求的爆炸式增长。
除了 Arnault，还有一位刚上任的奢侈品集团高管也去看过：7 月才从 LV 调到 Fendi 担任 CEO 的 Roman Ross，在北京视察品牌门店业务的间隙，也专门前往老铺黄金，亲自进店体验。
分析师和竞对高管这边同样有动静。摩根士丹利曾在一份针对历峰集团的研报中指出，老铺黄金对卡地亚的竞争威胁在扩大；历峰集团 CEO Nicolas Bos 也在财报会上肯定了老铺黄金的市场价值，称其推动了珠宝市场的渴望和活力。
如果老铺能解决目前遇到的问题，那么未来黄金首饰行业，大概率会越来越像两头走。
一头是金条、金豆、积存金。它们不漂亮，也没有身份感，但克重清楚、价差清楚、退出路径也清楚。对纯粹想保值的人来说，这是最直接的选择。
另一头是老铺这样的高端首饰。它必须让消费者相信，自己卖的不是工费，而是设计、工艺、文化、服务和圈层。它不需要比金条划算，但必须能彰显消费者的身份与众不同。
这意味着未来最难受的，会是那些没有强到让人忘记克重，又贵到不适合当投资金的金铺。

本文为 OKX Ventures 出品的深度研报。由于篇幅较长，分为上下两篇发布：上篇聚焦算力资产化、风险敞口与衍生品定价逻辑；下篇将重点分析算力金融基础设施、推理资产化机会及行业趋势。本篇为上篇。
引言：算力的资产化与风险敞口
AI 基础设施正在进入资本密集型扩张阶段，算力的经济属性也随之改变。过去企业更多把算力视为按需采购的 IT 成本；现在，GPU、数据中心容量和多年期采购合同越来越多地进入资产负债表，算力开始具备资本资产的特征：前期投入大、资金回收需要几年，未来收入和设备价值又会持续受到供需和技术迭代影响。
GPU 采购和数据中心建设也越来越依赖债务资金。今天的 GPU 信贷已经可以依靠设备抵押和长期客户合同完成融资，但市场仍缺少公开、标准化的 GPU-hour 远期价格和对冲工具。债务需要按既定节奏偿还，而几年后这批 GPU 能收多少租金、还能值多少钱，都取决于届时的市场。杠杆越高，这种价格不确定性对偿债和再融资的影响就越大。
一、背景：算力市场资本结构
1.1 算力扩张开始进入杠杆阶段
过去几年，AI 基础设施最值得关注的变化之一，是资本开支开始快于企业内部现金流扩张。2020–2023 年，Top 5 云厂商的 AI 相关 CapEx 占经营现金流的比例大致仍在 20%–30%，到 2025 年已经接近 94%。进入 2026 年，Top 5 云厂商已确认的 CapEx 规模合计超过 7000 亿美元。
这些公司仍然拥有很强的现金创造能力，但当基础设施建设长期以数千亿美元规模扩张时，债务资本自然会承担更大的角色。算力资产开始形成一套独立的融资逻辑。
GPU、服务器和数据中心需要在收入发生之前投入资金，而 Neocloud 等算力运营商通常没有 Hyperscaler 那样成熟的主体信用。放贷方因此逐渐把融资判断落到项目本身：未来现金流是否足够稳定，能否覆盖债务本息，违约以后又能回收多少资产价值。
Take or Pay 长约是这套结构能够成立的关键。客户即使没有完全使用已经预订的容量，也需要按照合同支付约定费用。对于运营商，这相当于提前锁定一部分未来收入；对于贷款人，它把高度不确定的 GPU 利用率，转换成了一条更容易预测的合同现金流。
CoreWeave 是这套模式最典型的案例 (其超过98%的收入来自Take or Pay条款合同)。随着投资级客户的多年期合同占比提高，其融资越来越依赖承购方信用和合同覆盖率。Nebius、IREN 等拥有大型客户长约的运营商随后也开始采用类似结构。
这改变了 GPU 信贷的风险排序。贷款人首先判断看合同现金流能否覆盖债务，最后评估违约以后 GPU 能回收多少。GPU 数量决定抵押物规模，长期订单进一步决定这批资产能够获得什么样的融资条件。
1.2 现金流被锁定后，剩下的是资产价格风险。
Take or Pay 提高了偿债现金流的可见性，GPU 本身的经济价值仍然会持续变化。几年以后，这批设备还能产生多少收入、值多少钱，依然是留在资产负债表上的风险。
GPU 同时具有生产设备和技术产品两种属性。它能够持续产生租金，却又处于极快的技术迭代周期。新一代芯片推出以后，上一代设备受到的影响会逐渐反映在租金、利用率、续约价格和二手市场价值上。
因此，GPU 的会计折旧和经济折旧很难完全一致。会计可以按照固定年限摊销设备成本，市场每天都在重新判断一张 GPU 还能生产多少具有竞争力的算力。对于贷款人，核心变量最终会落到剩余贷款期限内的现金流，以及违约时能够回收多少价值。(围绕大型云厂商的数据中心资产折旧政策，市场已经出现质疑）
这也解释了为什么当前 GPU 信贷可以在租金下跌时暂时保持稳定。只要承购客户继续履约，现货价格变化未必立刻影响当期偿债；风险更多会集中在合同续约、再融资和违约处置几个节点。到了这些时点，GPU 的市场租金和残值会重新决定贷款的安全垫。
如果租金和设备价值下降得比贷款本金摊还更快，LTV 会重新上升，贷款的安全垫随之收窄。长期合同可以把风险向后推，却无法锁定设备整个生命周期内的经济价值。
当前算力信贷结构的缺口也因此很清楚：合同锁住了部分客户付款，GPU 的市场价格仍然浮动。
市场目前主要依靠多年期容量合同提前锁价。早期 H100 一年期合同相对现货存在明显折价，而随着现货价格下行、远期合同价格回升，两者价差已经大幅收窄。供给改善和合同条款变化都会影响这一结果，但它同时反映出一个更基础的问题：在缺少标准化远期、期货和掉期工具的情况下，产业参与者只能让长期实体合同同时承担采购和价格管理两种功能。
长约可以完成单个交易双方之间的风险分配；当市场需要持续形成公开价格、跨机构转移风险时，就需要进一步的标准化金融工具。 随着越来越多 GPU 资产由债务资本支撑，这一需求会越来越明显。
二、算力市场真正需要交易的是什么？
算力一旦进入资本结构，价格波动就开始有了明确的承担方。Neocloud 持有租金下跌风险，AI 公司持有采购成本上涨风险，债权人持有残值和再融资风险。衍生品市场往往就是从这些资产负债表无法自行消化的风险开始真正形成。
2.1 三类参与者与风险敞口
算力价格波动最终会落到三类资产负债表上。Neocloud 前期锁定 GPU、机房和融资成本，未来租金仍会重新定价；长约覆盖不足时，租金下跌会很快压缩 EBITDA 和 DSCR，因此最有动力卖出远期、提前锁定收入。AI 实验室和推理平台处在另一侧，GPU 涨价会直接侵蚀毛利，而且市场紧缺时价格和容量风险往往同时出现，因此它们需要同时锁定成本和可用容量。贷款人更关心贷款余额与 GPU 经济价值之间还剩多少安全垫，缺少公开指数和远期曲线，LTV、再融资和 covenant 都很难动态管理。随着套保要求逐渐进入贷款条款，算力衍生品的需求也会从企业主动管理风险，进一步进入融资体系。
2.2 潜在市场规模：哪些风险敞口会进入衍生品市场
如果直接用全球 GPU 出货量、数据中心 CapEx 或 AI 基础设施规模估算算力衍生品 TAM，结果很容易高出一个数量级。
真正能够进入衍生品市场的，是仍然暴露在市场价格下、又没有被其他方式吸收掉的那部分风险。
Hyperscaler 自建并内部使用的 GPU，很大一部分风险留在自己的资产负债表里；已经签下多年固定价格合同的容量，价格风险也提前在双边合同中完成了分配。它们都有经济风险，但未必需要每天进入市场交易。
因此，从全球算力需求到真正的衍生品 TAM，中间至少要经过几层过滤：
这也是为什么未来算力衍生品市场的大小，很可能和merchant compute 的占比关系更大，而不是和全球 GPU 装机量简单线性增长。
过去大量先进模型运行在少数大型实验室和 Hyperscaler 内部，算力采购同样高度内部化。随着开源模型性能提升，越来越多企业可以自行部署，或者把 workload 交给第三方 Neocloud 和推理平台。原本封闭在几个大资产负债表里的算力需求，会逐渐转化成公开市场上的采购订单。这也解释了为什么开源模型的发展值得关注:
第一，更多算力开始形成真实成交价格。 没有足够多的外部交易，指数很难形成，远期曲线更无从谈起。
第二，需求冲击会更快传导到现货市场。 一个热门模型发布以后，如果大量企业同时增加部署，新增需求会直接冲击第三方 GPU 容量，价格和可用率会快速变化。公开市场承担的边际需求越多，租金波动越有可能成为企业真正需要管理的 P&L 风险。
所以开源模型对算力金融化真正重要的地方，在于它可能提高市场化采购的比例。算力只有经过足够多的外部交易，才会逐渐形成一个值得被指数化、远期化和金融化的价格。最终决定算力衍生品市场规模的变量包括 1) 多少算力进入公开市场，2) 多少价格保持浮动，以及3) 其中多少风险无法继续留在原来的资产负债表上。
DeepSeek V4 发布后，H100 租金在两周内上涨约 7.5%；Kimi K3 和 GLM 5.2 上线前后，H100、H200 租金也出现类似的走强趋势。热门开源模型会在短时间内带来大量部署和推理需求，当这些新增负载主要由 Neocloud 和第三方推理平台承接时，市场往往先出现可用率下降、排队和配额收紧，随后反映到按需租金。
三、 产品与定价：如何给未来算力定价？
算力远期的难点在于，市场还没有形成一条足够可信的期限价格曲线。
GPU-hour 无法储存。今天闲置的一小时 H100，过了这个时间窗口就永久消失，也无法在现货便宜时提前买入、留到半年以后交割。传统商品依靠库存套利建立起来的现货—远期约束，在算力市场里天然弱很多。
这意味着六个月后的 GPU 应该以什么价格成交，会更依赖届时的芯片交付、机房和电力供给、模型效率以及真实订单强度。硬件延期可以迅速收紧未来容量，软件优化又可能在不增加 GPU 数量的情况下释放大量有效算力。一条算力远期曲线同时包含了市场对硬件供给、能源约束和算法进步的判断。
3.1 没有库存套利，远期价格更依赖预期和订单流
原油市场的期限结构有比较稳定的仓储套利约束。当远期价格明显高于现货价格加融资和仓储成本时，交易者可以直接买入现货、持有库存并卖出远期，价差因此很难长期脱离持有成本。
算力缺少 cash and carry 这层套利约束，现货价格对远期曲线的约束因此更弱。
未来价格因此会对边际信息非常敏感。Blackwell 延迟交付、数据中心送电推迟，会减少预期供给；模型蒸馏、推理优化或者新一代芯片提高单位计算效率，又会增加全网有效算力。很多变化都可能在几个月内重新改写远期供需。
这也提高了真实订单流的价值。公开现货报价只能告诉市场今天发生了什么，长期容量订单则能更早暴露未来供需。一家持续撮合 Neocloud 和 AI Lab 的 Broker 或 Dealer，能够看到哪些机房开始出现空余容量、哪些买家愿意为半年后的 GPU 支付溢价。这类信息最终会直接进入远期报价。
因此，算力指数的价值，在于把高度分散的非标报价压缩成一套可以被合同、信贷和衍生品共同引用的价格基准。如果某套指数能够持续进入长期容量合同、贷款估值、OTC 结算和期货交割，它就会逐渐成为整个市场共同使用的定价锚。后面指数商和 Dealer 能否建立壁垒，很大程度上取决于它们离真实成交和未来订单有多近。
3.2 GPU-hour 和 AI Token 的金融化节奏不会同步
AI 产业链里实际存在两层价格。上游卖 GPU capacity，中游推理平台把 GPU-hours 转换成模型调用，再向下游出售 AI Token、API 或具体 workload。
对推理平台而言，经营利润同时依赖两端。GPU 租金上涨会抬高输入成本，AI Token 售价下降又会压低收入。如果两端都形成可交易价格，推理平台理论上可以锁定一段 compute to intelligence spread，这和能源市场里炼油商管理 crack spread 的逻辑很接近。
不过， GPU-hour 和 AI Token 目前距离标准化的程度差很多。
GPU 虽然也有型号、地区、互联方式、集群规模和 SLA 的差异，至少可以围绕某一代芯片、交付期限和区域逐步定义标准规格。一张 H100 或 H200 在技术属性上仍然具有相对明确的边界。
而Token 更缺少稳定的经济单位。单纯按 Token 数量结算，很难把不同模型和不同服务质量放进同一份金融合约。同样一百万个 Token，可以来自完全不同能力的模型，也可能对应完全不同的延迟、吞吐和稳定性。企业大客户的实际采购价格还经常低于公开 API 报价，因此挂牌价格本身也很难直接作为金融结算基准。
此外，技术通缩进一步放大了AI Token 期限定价难度。模型架构、推理框架和硬件效率持续提高，同等质量任务所需的计算成本可能在很短时间里明显下降。期限一旦拉长，市场需要预测的已经不只是 Token 供需，还包括未来一单位“智能能力”究竟需要多少 Token 和多少 GPU。
由此，需求侧的标准化未必会直接从 Token futures 开始。更可能先出现的是模型篮子、Router 和 workload pricing：把一项 coding、search 或其他任务定义成相对稳定的服务单位，再由底层系统动态选择模型和 Provider。等这类 workload 有了足够多的真实成交，市场才有条件进一步形成指数和衍生品。
GPU-hour 更接近基础商品，workload 更接近最终经济需求。两者之间的标准化过程，会决定算力金融市场最终交易标的。

原文标题：Everybody Wants to Rule the (AI) Stack.
原文作者：David Levy
编者按：随着 AI 算力需求持续增长，新云公司的竞争正在从「谁拥有更多 GPU」转向「谁能控制从硬件到软件的完整技术栈」。当裸算力租赁越来越难摆脱价格竞争，一个更关键的问题开始浮现：决定 AI 基础设施价值的，究竟是 GPU 本身，还是调度、编排和优化 GPU 运行效率的软件层？
本文作者 David Levy 从 Nscale 以约 16.5 亿美元收购 Anyscale 切入，梳理了 Nebius 收购 Eigen AI、CoreWeave 收购 Weights & Biases、IREN 收购 Mirantis 等交易。五笔收购指向同一趋势：拥有 GPU、电力和数据中心的新云公司，正在集体向 MLOps 和 AI 编排层延伸。
这篇文章的核心判断是，新云公司购买的并不只是一套软件或一批客户，而是从「按 GPU 小时收费」转向「按任务结果竞争」的能力。调度系统决定一项任务需要消耗多少 GPU 小时，也决定算力利用率、客户成本和平台利润。掌握软硬件两层后，厂商既能进行协同优化，也能通过更深的系统集成提高客户迁移成本，将效率提升带来的收益留在平台内部。
与此同时，整合也在反向发生。Lightning AI 与 GPU 提供商 Voltage Park 合并，Fireworks、Modal、Baseten 等推理平台也在不同程度上建设或控制底层算力。基础设施公司向上收购软件，推理平台向下扩张硬件，双方正从相反方向走向同一个终点：同时掌握算力资产和编排软件。
这意味着，新云竞争的下一阶段不再只是拼 GPU 数量、电力合同和交付速度，而是争夺整套 AI 工作负载的控制权。真正的壁垒，可能来自谁能把芯片、集群、调度和推理服务整合为一个效率更高、客户更难离开的系统。不过，两条路径虽然终点相同，成本结构却截然不同：新云公司可以通过收购补齐软件，而推理平台想要向下建设基础设施，则必须承担更重的资本开支。这也为第二部分留下了关键问题——当所有公司都想控制完整技术栈，谁能为这场扩张找到足够便宜的资金？
以下为原文：
欢迎进入属于你的技术栈，从此再也无法回头。
AI 技术栈正在向「一家公司包揽一切」的方向收拢，而产业链两端都在争相构建这样的全栈能力。新云公司通过收购一路向上延伸，推理平台则从软件层向基础设施层扩张。只不过，其中只有一方能够借到足够的钱——但这是之后要讲的故事。
上周，新云领域的新玩家 Nscale 收购了 AI 编排软件公司 Anyscale。这至少是过去一年左右时间里第五起「AI 基础设施公司收购 AI 软件公司」的交易。
简单来说，就是那些带着呼机、管理 GPU 集群的技术宅，开始收购那些穿着连帽衫、凌晨两点还在提交代码的技术宅——后者编写的软件，决定了前者的集群究竟如何运转。
Anyscale 是开源 AI 工作负载编排框架 Ray 背后的公司。Ray 由其创始团队在加州大学伯克利分校期间开发。据彭博社报道，Nscale 将斥资约 16.5 亿美元，获得 Anyscale 的商业平台、工程团队，以及 Coinbase、Runway 和 Bedrock Robotics 等客户。
Ray 已于 2025 年转入 PyTorch 基金会，未来仍将保持开源。Anyscale 则会作为 Nscale 旗下的 AI 编排业务继续运营，并保留 Anyscale 品牌——尽管在被 Nscale 收购之后，名字里的「A」和「y」似乎已经显得有些多余。
这并不是一笔孤立的交易。今年 5 月，Nebius 以 6.43 亿美元收购 Eigen AI，IREN 收购 Mirantis；2025 年，CoreWeave 收购了 Weights & Biases；而就在不久前，高通也完成了对 Modular 的收购。
五笔交易，指向同一个方向：掌握底层硬件的人，都想进一步控制决定这些硬件如何运行的软件层。
顺便一提，我之前曾在这篇文章里讨论过这一趋势，而且几乎是原话写道：「又一笔 AI 基础设施交易——但它其实并不只是基础设施交易。忽视这一点，将是一个错误。」
当然，我平时说了那么多话，偶尔蒙对一两次也很正常。
新云公司买下了运维与编排层
Porch Capital 推出的创业公司技术采用监测工具 STAX，追踪了约 1.2 万家风险投资支持公司的技术栈。其中，MLOps 类别的数据少得可怜：只有 58 家公司采用相关工具，约占样本总量的 0.5%。但看看这 0.5% 里都有谁：Ray 和 Weights & Biases 合计贡献了该类别 68 条采用记录中的 60 条。需要说明的是，一些公司可能同时使用多种工具。
截至 7 月 30 日，这两家公司都已经名花有主：CoreWeave 拿下了 Weights & Biases，Nscale 则收购了 Anyscale。换句话说，在短短 18 个月内，STAX 样本中几乎整个具备商业价值的 MLOps 层都换了主人。
交易本身是新闻，整个类别的控制权转移才是真正的故事。
顺带一提，STAX 的 MLOps 数据之所以如此稀少，是因为应用层公司几乎不会自己运行 MLOps 工具——至少从外部看不到。
这本身也是一个值得注意的发现：创业公司通常只是调用模型，而不是自己负责模型的部署与运营。
它们真正买下的是什么？
很多人把裸 GPU 租赁视为一种商品化业务：列一张价目表，按小时收费，没有任何护城河。
这种说法未免过于草率。电力合同、互连网络拓扑和算力交付时间，都是真实存在的竞争壁垒。任何真正尝试过为数据中心选址的人，都明白这一点。
不过，从大方向上看，这种判断又不算完全错误——至少每一家新云公司都在按照这一逻辑采取行动。
软件层的价值在于，它能让竞争从「每小时算力多少钱」，转向「完成一项任务需要多少钱」。而且，一旦客户完成系统集成，就不会仅仅因为另一张报价单便轻易离开。
如果同时掌握基础设施和软件层，公司就能对两者进行协同设计。这意味着效率提升带来的收益可以留在自己手中，而不是通过更低的账单全部让给客户。
这就是为什么，一家出售 GPU 小时数的公司愿意为调度系统支付 16.5 亿美元。
因为调度系统决定的，正是一项任务究竟需要消耗多少个 GPU 小时。
现在把方向反过来看
AI 基础设施公司在收购软件，而 AI 软件公司也在反过来建设基础设施。
其中，Lightning AI 与 GPU 基础设施提供商 Voltage Park 完成了一笔价值 25 亿美元的合并交易，合并后由 Lightning AI 作为存续公司。
Fireworks、Modal 和 Baseten 等推理与模型服务平台，如今分布在一条从「完全租用基础设施」到「不断增加自有资产」的光谱上。
其中一些公司出于战略原则，坚持轻资产模式；另一些则开始自己建设基础设施。
但它们的战略终点与 Nscale、CoreWeave 和 Nebius 并无不同：既要拥有底层硬件，也要控制编排这些硬件的软件层。
终点相同，方向相反
所有人都想掌控整个 AI 技术栈。
新云公司通过收购软件层向上延伸，推理平台则通过建设基础设施向下扩张。两条道路通往同一个终点，只不过，其中一条路远比另一条昂贵。
[原文链接]

原文标题：Neocloud Economics
原文作者：APP ECONOMY INSIGHTS
编者按：生成式 AI 推动算力需求持续增长，行业讨论正从「GPU 够不够」转向「谁能以更低的资本成本，把电力、芯片和数据中心转化为可用算力」。当订单增长和算力短缺逐渐成为共识，一个更关键的问题开始浮现：在收入兑现之前就要投入数十亿美元的新云厂商，究竟是在搭建下一代 AI 基础设施，还是在用债务和资本开支提前透支未来需求？
App Economy Insights 旗下《How They Make Money》以 CoreWeave、Nebius 和 Cerebras 最新财报为切口，拆解三种新云模式：
CoreWeave 依靠长期合同出租英伟达 GPU，积压订单达到 1040 亿美元，但高额资本开支和利息成本仍在拖累利润。
Nebius 通过自建 AI 云平台获得更强定价权，客户预付款和更短回收周期正在改善资本效率。
Cerebras 依靠自研芯片转向云端推理，云业务已超过硬件，但订单转化仍受制于产能建设。
三家公司面对同一组矛盾：需求远超供给，但产能必须提前建设，导致资本开支、债务和折旧同步攀升。巨额积压订单并不等于收入，更不等于现金流。
随着 Meta 等科技巨头扩大自研芯片和 GPU 集群，新云厂商还需要证明自己并非临时填补算力缺口。下一阶段的竞争不只看收入增速，而要看三点：产能上线速度、单位资本回报和融资成本。
需求已经锁定，资本效率将决定谁能最终胜出。
以下为原文：
AI 制造了巨大的算力缺口
市场对算力的需求，已经超过了大型云计算公司所能提供的规模。
这一缺口推动了 Neocloud（新云厂商） 的崛起。它们是围绕 AI 基础设施建立的专业服务商，重点在于获取电力、专用数据中心容量和 AI 加速器集群，而不是复制 AWS、Azure 或 Google Cloud 那样庞大的软件生态系统。
本周，三种不同模式的新云厂商公布了业绩，让我们得以清楚地看到，它们如何通过不同策略应对算力瓶颈：
CoreWeave：专门出租英伟达 GPU 集群，并依靠企业客户的长期合同扩大规模。
Nebius：依托国际数据中心基础设施，从零打造的 AI 云平台。
Cerebras：拥有自研芯片，正转型提供基于云端的高速推理服务。
这三家公司的商业逻辑都有些反直觉。算力设施必须提前数月投入资金、完成建设，之后才能产生收入，因此自由现金流往往为负。债务、租赁、折旧和客户集中度的重要性，几乎不亚于收入增长。
下面来看看本周披露的信息。
CoreWeave 的近期算力已基本售罄
CoreWeave 是新云模式最纯粹的代表。它购买英伟达 GPU，将其部署到数据中心，再把算力出租给 OpenAI、微软和 Meta 等客户。
CoreWeave 的大部分算力已经被客户预订。长期承诺合同贡献了第二季度收入的 98%，按需使用仅贡献 2%。
公司收入同比增长 112% 至 26 亿美元，但毛利率下降 8 个百分点至 66%，原因是数据中心租金、电力和其他扩张成本的增速甚至超过了收入。
CoreWeave 录得 4900 万美元经营亏损 和 6.26 亿美元净亏损。其中，与 GPU 抵押债务融资直接相关的 6.4 亿美元利息支出，对利润形成了沉重拖累。
而损益表只反映了部分支出。CoreWeave 第二季度资本开支达到 94 亿美元，超过当季收入的三倍。
这些数据意味着什么？
需求增长持续超过产能扩张： 公司积压订单达到 1040 亿美元，同比增长 246%；进入第三季度初，公司又签下 250 亿美元的客户承诺。近期产能实际上已经售罄。
利润率有望迎来拐点： CoreWeave 为加快新产能上线而承受了毛利率下降，但调整后经营利润率已从上一季度的 1% 升至 5%。预计第二季度新签合同的贡献利润率将比近期合同高出 5 至 10 个百分点，这还没有考虑 7 月约 25% 的价格上调。
收入结构正在改善： 存储、CPU、网络和软件业务的年度经常性收入已超过 4 亿美元。托管推理业务的已签约年度经常性收入，在一个季度内从 100 万美元跃升至逾 1 亿美元。
增长仍然极其昂贵： CoreWeave 将 2026 年资本开支预期上调至 350 亿至 390 亿美元，目标是在年底前将有源电力容量提升至 1.85GW 以上。
核心结论： 与公司 2026 年底 190 亿美元的目标收入年化运行率相比，1040 亿美元的积压订单看起来几乎大得离谱。但订单转化仍然受到实体产能限制。CoreWeave 的投资逻辑最终取决于：它能否足够快地把电力和 GPU 转化为收入，同时避免融资成本吞噬利润率改善。
Nebius 开始获得定价权
Nebius 最初并不是一家典型的 AI 基础设施初创公司。
源自 Yandex： Nebius 诞生于 2024 年俄罗斯科技巨头 Yandex 的拆分。其在纳斯达克上市的荷兰控股公司以 54 亿美元出售俄罗斯业务，并保留了一组规模较小的国际业务，后者随后组成 Nebius。
上市公司重新出发： 剩余公司保留了纳斯达克上市地位，更名为 Nebius Group，并由 Yandex 联合创始人 Arkady Volozh 重新掌舵。
转向 AI 基础设施： Nebius 没有选择重建过去的互联网综合集团，而是利用既有的工程人才、云计算经验和资本基础，打造专为 AI 设计的云平台。
Nebius 通过自有云平台出租 GPU 算力。第二季度，AI Cloud 业务收入达到 5.75 亿美元，占总收入的 98%。
公司收入同比增长 454% 至 5.82 亿美元，毛利率提高 6 个百分点至 77%；调整后 EBITDA 达到 2.36 亿美元，对应 41% 的利润率。
Nebius 录得 1.76 亿美元经营亏损。随着价值数十亿美元的新基础设施开始计入损益表，仅折旧与摊销一项便达到 2.6 亿美元。
这些数据意味着什么？
算力价格正在上涨： 新签的四笔 AI 云合同，平均合同价值超过 10 亿美元，每兆瓦合同价值达到 2000 万至 2500 万美元。期限较短的算力合同，价格最高已达到每兆瓦 4000 万至 5000 万美元。
投资回收速度加快： 管理层预计，第二季度签署的合同约需 22 个月，即可收回相应的资本开支和运营成本，较此前两至三年的回收周期明显缩短。
扩张规模极其庞大： Nebius 第二季度资本开支达到 57 亿美元，接近当季收入的 10 倍。公司仍预计全年资本开支将达到 200 亿至 250 亿美元。
客户正在帮助融资： Nebius 预计 2026 年将获得超过 90 亿美元的客户预付款，可覆盖相关资本开支的约 50% 至 60%。
核心结论： Nebius 正以前所未有的规模投入资金，但价格上涨、回收周期缩短和客户预付款，正在提升每一兆瓦新增产能的经济价值。从长期来看，这种资本效率可能比 454% 的收入增速更加重要。
Cerebras 向云端转型
Cerebras 是新云厂商中的另类。它没有购买英伟达 GPU，而是自行设计晶圆级处理器，并通过两种方式实现商业化：一是销售系统，二是通过 Cerebras Cloud 出租算力。
公司的收入结构正在快速变化。第二季度收入同比增长 74% 至 1.8 亿美元。其中，云与其他服务收入增长 281% 至 1.26 亿美元，硬件收入则下降 23% 至 5400 万美元。
公司录得高达 4.77 亿美元的经营亏损，但这一数字需要结合背景来看。Cerebras 于 5 月上市，由此产生了大额股权激励费用。剔除相关因素后，其 核心经营亏损仅为 3400 万美元，远低于美国通用会计准则下的 4.77 亿美元。
核心业绩剔除了股权激励、客户认股权证费用和部分代收代付项目。随着上市初期授予的股权激励逐步结算，这一费用压力预计将在未来几个季度恢复正常。
公司报告口径下的毛利率只有 14%，但核心毛利率达到 41%，同比提高约 9 个百分点，较第一季度的 46.5% 有所下降。原因之一是，为满足云服务需求，Cerebras 暂时需要付费租回此前已经出售的系统。
这些数据意味着什么？
云服务已经成为增长引擎： 核心云业务收入增长近三倍至 1.28 亿美元，并首次超过硬件业务。
业绩预期有所改善： Cerebras 将 2026 财年核心收入指引上调至 8.8 亿至 8.9 亿美元，同时提高了毛利率和经营利润率预期。
产能仍是主要瓶颈： 截至 2027 年，公司已经投运或签约的数据中心容量超过 600MW。预计核心毛利率将在第三季度触底，之后随着新产能上线、对高成本租赁算力的依赖降低，毛利率有望回升。
需求远远领先于当前收入： 公司剩余履约义务达到 254 亿美元。OpenAI 仍是其主要客户，但要把这些积压订单转化为收入，Cerebras 还需要投入大量基础设施。
核心结论： Cerebras 正在从芯片销售商转型为高速推理云服务商。股权激励和其他会计调整掩盖了这一进展，但真正的考验在于：随着新产能上线，公司能否在修复利润率的同时，将巨额积压订单转化为收入。
接下来关注什么？
三家新云厂商都面临着同样的矛盾：市场需求已经超过可用算力，但要满足这些需求，就必须在收入到来之前投入巨额资本。
算力短缺也在推动大型科技公司自建产能。Meta 正在扩大自研芯片和数 GW 规模的 GPU 集群，而 SpaceX 已经开始对外出售其 Colossus 集群的使用权。
更长期的问题在于：当大型科技公司的 AI 产能全面上线后，新云厂商究竟会继续作为不可或缺的基础设施合作伙伴存在，还是只是填补短期算力缺口的临时出口？
下一阶段的竞争将取决于三个因素：产能、利润率和融资能力。新云厂商需要把签约需求转化为真正通电运行的基础设施，随着利用率提高改善投资回报，同时还要为下一轮扩张筹集资金，避免债务或股权稀释破坏整个商业模式的经济性。
需求已经锁定，资本效率将决定谁能胜出。
[原文链接]

BlockBeats 消息，8 月 17 日，继三星、西部数据、东芝之后，SK 海力士也被曝出现 SSD 售后「只退款不换货」的情况。一名 Reddit 用户近期为 SK 海力士 SSD 申请保修，但由于官方没有可用于更换的库存，最终获得的方案不是更换同型号产品，而是按照当初购买价格退款。
这在当前 SSD 价格持续上涨的情况下尤其尴尬。以 SK 海力士 Platinum P41、P51 等产品为例，部分容量的价格相比此前低价已经明显上涨，部分甚至达到当年价格的两倍左右。用户过去低价购买的 SSD 如今出现故障，如果只能拿回原购买金额，可能已经买不起同规格产品。
更关键的是，这种处理方式在 SK 海力士现有保修条款中确实有依据。其官网条款明确，如果产品无法维修或更换，可以按照原购买价格与当前市场公允价值两者中较低者进行退款。
因此，目前更准确的说法并不是 SK 海力士全面取消 SSD 换新，而是在缺少可更换库存的情况下，部分售后案例会采用原价退款方案。对于消费者而言，问题就在于 SSD 价格上涨后，原价退款可能已经无法覆盖重新购买同等级产品的成本。

BlockBeats 消息，8 月 17 日，本周市场将迎来美联储 7 月会议纪要、8 月 PMI 以及沃尔玛、塔吉特等零售巨头财报。近期美国 CPI、PPI 与零售销售数据偏弱，市场对美联储 9 月加息的定价已降至约 27%，高盛也认为 9 月加息「非常不可能」，短期利率压力有所缓解。不过，FOMC 纪要仍需观察官员对通胀与能源价格的态度，若纪要释放较强硬信号，利率预期仍可能重新定价。
另一方面，霍尔木兹海峡能否真正恢复商业航运将直接影响油价与通胀预期。据报道，伊朗与阿曼已就航运路线取得进展，但实际通航量仍远低于正常水平，因此目前仍属于外交进展，而非供应风险解除。若航运持续恢复，原油风险溢价有望下降；反之，若谈判受阻或海上冲突升温，油价再次上行将增加全球通胀与利率压力。
同时，美股维持高位，但美国消费端已出现局部疲软，本周沃尔玛、塔吉特、家得宝等财报将进一步验证消费韧性。目前市场最大的矛盾在于，企业盈利仍强劲，但高油价、就业降温与生活成本正在压缩部分消费者的支出能力。若消费维持韧性，AI 与企业盈利仍能支撑美股估值；若消费进一步恶化，市场将重新评估企业盈利与高估值的可持续性。
整体而言，本周市场核心并非单一的加息或降息预期，而是货币政策压力下降能否抵消能源价格、财政融资与长端利率所形成的资本成本压力。FOMC 纪要、PMI、零售财报与霍尔木兹航运状况，将共同决定风险资产在高估值环境下的承受能力。

原文标题：《AI 巨头实习生日薪揭秘：Anthropic 超 5000 元，Kimi 只能排第四梯队》
原文作者：Wenser，Odaily 星球日报
2026 年，国内大学生实习工资的「基本面」是，月薪中位数 5000 元，如果在一线城市叠加是技术岗，能站上 1 万元。
早接受时代红利设定和接纳专业选错的我，本来没多酸，直到我刷到——
某 AI 公司实习生，一天赚 5000 多块……一天？5000？
太难受了。我顺手扒了一遍全球 12 家 AI 巨头的实习生日薪，从 OpenAI、Anthropic 到字节、DeepSeek，从官方公开招聘页到 levels.fyi、Glassdoor 等网站
和国内社媒上的员工爆料，又交叉验证了下。
发现，这样的高薪还不只一家。只能说：AI 行业的抢人大战，已经步入白热化阶段。
接下来，我把国内外 AI 大厂混排，按夯爆到小夯（就没有「拉」这个等级）做了排行榜，可能彻底颠覆你对「实习生」这三个字的印象。
天花板：这哪是实习牛马，这是尊贵的 AI 研究员
先看最顶尖的两个「神仙岗位」，日薪全部突破 5000 元大关。
第一名，OpenAI Residency，日薪约 5625 元。
月薪 18333 美元，折合人民币 12 万多。OpenAI 官网自己写的，多语种页面都标了，确凿无疑。
这是个 6 个月的全职研究项目，进去之后直接分配到大模型、强化学习、对齐、安全这些核心团队，跟正式研究员一起干活，项目结束了还能转全职。
说白了，这就是 OpenAI 的「天才少年预备役」，培养的都是未来 AI 领域的中流砥柱，为 AGI 事业发光发热的那种。办公环境方面，直接在 OpenAI 旧金山总部办公，每周至少到岗 3 天，待遇和 OpenAI 内部研究员级别几乎等同。
当然，这类研究员都是优中选优的「尖子生」。OpenAI 最近还推出了一个类似 Anthropic 顶尖实习生计划的短期「安全实习生」培养计划，计划于 2026 年 9 月 14 日至 2027 年 2 月 5 日开放。
第二名，Anthropic AI Safety Fellows，日薪约 5198 元。
周薪 3850 美元，Anthropic 官网和官方对齐博客都明码标价了，是本次调研里可信度最高的一条数据。
4 个月项目，每周工作 40 小时。除了工资，每人每月再给 1.5 万美元的算力经费——对，你没看错，是算力经费，一个月一万五千美元，随便你怎么蹬。这也算是 AI 大厂的特殊福利了，阶段性实现了「Token 自由」。
首期学员什么水平？超过 80% 发了论文，超过 40% 直接转了全职。更离谱的是薪资涨幅：2024 年第一期周薪才 2100 美元，2026 年直接干到 3850，两年涨了 80% 多。真正的 AI 人才有多稀缺，看这个涨幅就懂了。
这两个岗位有个共同点：门槛极高，名额极少，本质上是「预招聘「——打着实习生的旗号，抢的是未来的顶尖研究员。
夯爆了：美国大厂实习生，周薪比常人月薪还多
看完了天花板，再看美国大厂的常规实习生。注意，是「常规「，不是什么特殊的人才计划。
Meta，日薪约 3780 元。时薪 70 美元，levels.fyi 和 Glassdoor 双信源互证，一个报 70，一个报 56 到 82（均值 67），大差不差。官方 JD 写的月薪区间是 7188~12134 美元，另外每月还有约 2600 美元的住房补贴。
Google，日薪约 3400 元。时薪 62.98 美元，本科岗年薪等价 9.2 万到 12.2 万美元，博士岗 11.3 万到 15 万。地区不同有差异，山景城总部大概 56.73 美元一小时，西雅图 50 左右。
英伟达美国，日薪约 2106 元。这是均值，时薪 39 美元，但 NVIDIA 官方 JD 的区间很宽，本科 SWE 从 20 到 71 美元，博士研究岗从 30 到 94 美元——如果你是博士，时薪上限 94 美元，日薪直接冲到 5000 以上。
OpenAI 非技术岗实习生，日薪约 1944 元。GTM 策略实习生，时薪只有 36 美元，相较技术实习生的时薪，仅为后者的 60% 左右，但在科技领域仍然属于第二梯队。
发现了吗？在美国大厂当一个普通的技术实习生，一周赚的钱，可能比国内很多白领精英一个月的工资还多。
人上人级别：国内科技巨头迎头追赶，字节开出 2000 元一天
说完美国，再看国内。
中国科技巨头们在顶尖人才上的投入，已经开始快速向美国 AI 巨头靠拢了。
字节跳动 Top Seed 研究实习生专项，日薪 2000 元。
对，你没看错，2000 块一天，相比「广大群众」的月薪也不遑多让了。
媒体报道的原话是：「相比 DeepSeek 开出的 500 元一天实习工资，字节将标准提高到了 2000 元一天。」这一数字随后得到了更多互联网媒体的反复确认。按每月出勤 20 天算，月薪 4 万。
这个项目招的是什么人？顶尖在校硕士和博士。进去之后可以自己定研究课题，跟正式员工同等权限，导师阵容里还有 2025 年 2 月刚从 Google DeepMind 挖来的研究副总裁吴永辉。
有人说得很直白：字节普通实习生 500 元一天的统一标准，「不包括筋斗云、TopSeed 这类高精尖人才计划，这类项目薪资普遍会更高「。
小米顶尖实习-大模型训练框架，日薪 500 到 1000 元；智能体研究员-MiMo，日薪 1000-1100 元。
招聘网站上挂着的岗位，主要面向硕士研究生，工作内容为参与千亿参数大模型训练引擎开发、智能体研究等等。
作为对比，小米普通大模型算法实习生只有 300 到 400 元一天——同一个公司，差了一倍不止。
这就是当下国内 AI 行业的现状：普通岗位还按市场价走，但只要你是「顶尖人才」，钱不是问题。
NPC 水平：机会无限的「AI 四小龙」们，Kimi、智谱们还在努力
上面说的都是少数尖子的游戏。绝大多数 AI 实习生，实际拿到手的薪资是什么水平？
Odaily 星球日报挑几家当下最为火热的「AI 代表性厂商」来说。
DeepSeek（杭州深度求索），普通 AGI 大模型实习生，日薪 500 到 1000 元。这个数字得到了诸多媒体的报道确认，也是 DeepSeek 招聘平台上的公开信息。外地实习生每月再加 3000 房补。按 22 天算，月薪在 1.1 万到 2.2 万。
顺带一提，DeepSeek 正式员工的深度学习研究员，月薪在 8 到 11 万、14 薪，年薪最高 154 万——实习生跟正式员工之间，差了一个数量级。
另外，之前在社交媒体平台爆出的「DeepSeek 清华姚班实习生税前日薪 5500 元」，明显是万里挑一的极端个例，先不做过多讨论，后面细聊。
字节跳动普通研发/算法实习生，日薪 500 元。就从今年 1 月 1 号开始，字节统一旗下技术岗和产品岗的实习生日薪至 500，美其名曰「加大人才投入，提高薪酬竞争力、提升期权激励力度」，「为确保员工薪酬竞争力和激励回报在全球各个市场都领先于头部水平」。
当然，互联网大厂的惯例，也包三餐，有房补，部分 AI 岗能到 550。
MiniMax，多模态/算法实习生，日薪 350 到 600 元以上。技术岗普遍 350 到 500，硕士 SP 能到 600 以上；运营和非技术岗就只有 150 到 200 了。MiniMax 有个初创公司的激励特点：接近全员持股，385 名员工几乎人人有份，所以别看现金不算最高，综合收益不一定差。
阿里巴巴千问 AI 研发，日薪 350 到 550 元。本科 350、硕士 400，另加每月 2000 房补；AI Agent 开发岗能到 450 到 600，AI 研发工程师 500 到 550。异地入职还有一周免费住宿福利安排。
英伟达中国，深度学习架构/CUDA 实习生，日薪 400 到 800 元。招聘网站上的岗位，普通测试岗就只有 250 到 300 了。
Kimi（月之暗面），搜推算法/RL 实习生岗位，日薪 400 到 450 元。产品运营岗日薪在 250 到 350。Kimi 虽然 K3 发布后很是扬眉吐气了一把，对外发展和公司融资颇为风生水起，但实习生薪资确实不算高——但对方也面向 27 届顶尖人才准备了「穿越计划」，直接发期权。此外，该公司超九成的在招岗位月薪在 3 万以上，硕士平均薪资超 44000 元，正式员工待遇还是相对不错的。
小米普通大模型算法实习生，日薪 300 到 400 元。就是前文提到的，跟「顶尖实习「差一倍有余的岗位，但在当下就业环境来看，已经算是人上人级别了。
智谱 AI，大模型算法框架实习生，日薪 200 到 300 元。现金薪资是本次调研里最低的一档。但别急着心疼——智谱员工持股比例超过 51%，883 人里 452 人有股权。市值 3232 亿港元的时候，核心骨干账面身家过亿，普通持股员工也有千万级。现金少，期权补，就看实习生吃不吃饼了。
DeepSeek 实习生日薪 5500 元的真相：别把天才当萝卜
在这，必须专门聊聊那个疯传的 DeepSeek 5500 元/天。
故事最早来源于 X 平台的一条推文，该博主称「清华姚班学生晒出 DeepSeek offer，实习工资税前 5500 元」。消息一出，整个 AI 圈都因这个数字沸腾了——按 22 天工作日算，一个实习生就能月薪 12 万，年薪超 130 万，放到全球都能排在 OpenAI 和 Anthropic 前面。
但综合网络公开信息和媒体报道，我们得出的结论是：「DeepSeek 公司并没有给出官方确认，这只是 AI 圈私下流传的某个顶尖特例待遇。」
所以这个日薪 5500 元的特例，我们并未把它放进排行榜排名，仅作花边展示。DeepSeek 官方公开的标准就是 500 到 1000 元一天，这个才是信源交叉验证过的靠谱数字。
对，还有一件事值得单独一提——DeepSeek 为了防止顶尖实习生薪资太高、造成老员工薪资倒挂，还搞了个「老员工打分制「——新人进来能拿多少钱，老员工打分说了算，这也从侧面说明，AI 行业的高薪特例确实存在，但绝对不是普遍现象。
更多真相
扒完这十几家 AI 公司的实习生薪资数据，有几个感受特别强烈。
第一，AI 行业的薪资「贫富分化」，比想象中严重得多。同一天，同一个行业，有人日薪 5000，有人日薪 200，差了 25 倍。顶尖人才和普通从业者之间完全是两个世界。
第二，中美 AI 大厂之间的薪酬差距，依然巨大。美国大厂普通实习生日薪 2000 到近 4000 元左右，中国大厂普通岗 350 到 550，差了 6 到 8 倍。这里面有汇率影响，有生活成本差异，但人是活的，尤其年轻人。
第三，中国 AI 公司正在用「专项计划」拼命追赶海外大厂的人才密度。字节 Top Seed 的 2000 元一天，就是一个明确的信号——在顶尖人才上，中国公司愿意出跟美国接近的价格。但这只覆盖极少数人，大多数岗位还是老样子。
第四，现金只是一部分，期权才是真正的重头戏。智谱现金最低但持股比例最高，MiniMax 接近全员持股，Kimi 发期权留人。在 AI 这个随时可能跑出下一个千亿乃至万亿美元市值公司的行业，期权的价值，可能比一年工资还高。
还记得你实习的时候日薪多少吗？如果是 200 一天，别灰心，智谱的实习生也是 200 起步，虽然人家手里可能还握着千万级的期权激励。如果是 500，也别骄傲，字节的普通岗实习生日薪也是 500，但 Top Seed 计划实习生待遇已经翻了 4 倍……
AI 这个当下狂飙猛进的热门行业，最不缺的就是造富奇迹，最缺的，是那些能一次次创造奇迹的人。
原文链接