--- id: "Lm7uaP-tR3Y" title: "算力的金融化｜Carmen Li，Silicon Data CEO，Runtime 2026" channel: "Modal" host: [] guests: ["Carmen Li"] date: "2026-11-02" updated: "2026-11-03" duration: "20:38" duration_seconds: 1238 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=Lm7uaP-tR3Y" canonical: "https://pod-exp.pages.dev/Lm7uaP-tR3Y/" transcript_jsonl: "https://pod-exp.pages.dev/Lm7uaP-tR3Y/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 基础设施","金融基础设施","交易","模型评测"] series: ["AI 基础设施"] --- # 算力的金融化｜Carmen Li，Silicon Data CEO，Runtime 2026 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Carmen Li 介绍 Silicon Data 如何为算力市场补上价格透明度、基准指数和风险对冲工具，并说明与 CME 合作推出 GPU 期货的意义。她从 GPU 现货与衍生品市场规模、芯片供需和云服务价格谈到 GPU 远期曲线及残值评估，指出算力资产融资需要可信的价格发现和独立硬件基准。她还介绍 SiliconMark 的开源测试方式，以及追踪模型价格和 Token 使用量的 Token 支出指数。随着算力、GPU 和 Token 成为更多企业的重要成本，她认为企业需要像能源行业一样管理价格波动。 ## [0:09] 开场：Carmen Li 与 Silicon Data · YouTube **Carmen Li：** 大家好，我叫 Carmen。刚才介绍过了，我是 Silicon Data 的 CEO，也负责 Comput Exchange。说起来，我每天主要做两件事。第一件是市场情报这一层…… ## [0:23] 算力的金融化 · YouTube **Carmen Li：** 可以把 Silicon Data 想成算力领域的标普指数，或者说算力出现以前的标普。我们提供指数、基准，以及能让市场更透明、提供对冲机制的工具。另一面是 Comput，它提供流动性，让你可以通过它采购 GPU 和 Token。我们是中立平台，服务芯片买卖双方；我们不持有任何 GPU，因此能以相对公允的立场参与市场。 去年有人问我一个挺有意思的问题：“为什么要对冲算力？为什么要关心？价格反正总会跌吧？”我很喜欢这种讨论，因为大家都告诉我，他们能预测未来周期。可算力和其他大宗商品一样，会有供给曲线，也会有需求曲线。就算是 Jensen，也控制不了供需曲线。 这么看：今天 Jensen 把服务器卖出去，新的云服务商拿到服务器后，由云服务商决定怎么定价。定价权在 TSMC 和 Jensen 之外，完全取决于市场。如果这是一个真正的市场经济，价格由供需决定，那供给端相对容易理解：我们知道 TSMC 能生产多少，也大致知道能有多少电力，觉得自己对供给有不错的把握。 真正有意思的是需求端：人们会消耗多少算力？我不知道，但很多人预期 Token 使用量会大幅增长。这里面有很多细节。如今 GPU 的主要用户其实是美国人和中国人；如果其他国家也开始采用，采用速度会有多快？需求曲线又会因此怎么变？这些事情我不敢说自己全都看得明白，但这就是我们在讨论的复杂局面。所以，基于许多行业专家的预测…… ## [2:21] 一个仍在暗处交易的万亿美元市场 · YouTube **Carmen Li：** 我们看到的现货名义规模，也就是人们实际采购 GPU、包括二手 GPU 的支出，轻轻松松就有每年三万亿美元。看石油、天然气和电力市场，衍生品市场的名义规模大约是现货的 10 到 15 倍。因此，衍生品的名义规模至少可能达到 30 万亿美元，包括期货、期权、互换这些产品。你们可能不太关心这些，但为你们的业务提供融资的人非常关心。 想想谁会为这些企业融资。未来每家公司都可能是 AI 公司，这意味着你要么买 GPU，自己拥有数据中心和服务器，要么租用算力。无论哪种模式，都得有人为你使用的服务融资。你可以用自己的钱，比如风险投资资金；也可以找银行，或者找新型云服务商。新型云服务商要运行 GPU，也得从银行和资产管理机构拿到融资。 Jensen 曾在 CNBC 的资本形成讨论中提到过五千亿美元。对华尔街、纽约的这些机构来说，要为你们想要的一切提供融资，就必须管理风险敞口。它们不可能把五千亿美元的 GPU 风险全放在自己的资产负债表上，完全不做管理。它们管理的是全球各地的养老基金，做不到这一点。因此，它们需要金融产品来对冲部分波动和风险结构，和其他资产类别一样。 这正是我们今天讨论的主题。管理不好这五千亿美元名义资本规模对应的风险敞口，后果会很关键：第一，它们根本无法给你融资；第二，它们虽然能融资，但成本会很高，最终层层传导到你的成本，再传导到我这个客户身上，变成我购买你们服务或产品的成本。这就是我想强调这件事为什么重要的原因…… ## [4:35] CME Group 与 Silicon Data：首批算力期货 · YouTube **Carmen Li：** 过几周，我们会和 CME 一起推出 GPU 期货，这也是我们最受关注的事。说说我的经历：我最初在芝加哥 DRW 做能源期权做市。做高频交易时，我用 FPGA，也很喜欢交易直觉。后来我去了几家银行，最后在彭博管理全球数据，覆盖彭博的所有内容和产品，包括指数。可以说，我是在资本市场里长大的，所以相信金融市场能提高效率。 我们将与 CME 合作推出产品，CME 是独家合作伙伴。CME 是全球最大的期货交易所，你可以在那里交易石油、天然气和其他产品。这次合作非常关键。我们宣布与 CME 合作后，CME 股价涨了 6%，我当时还想：“没人该请我吃顿牛排吗？” 随后事情很快升级，联储银行、财政部、CIA 都成了我的客户。我还去了海湖庄园，当时心想：“我这是在干什么？”这对美国和其他国家来说，都是非常关键的资产。 ## [5:51] Silicon Data 的 GPU 指数 · YouTube **Carmen Li：** 回到指数和价格。先看图表。以 V100、L40S 这些旧芯片为例，过去新芯片刚推出时，GPU 每小时的价格会很高，因为供应不多。随着这款芯片的供应增加，价格应该下行，随后趋稳，走势大致像个 Z 字形。A100 当年基本符合这条常见曲线。 当时那张幻灯片做得很糟，颜色都没有；后来虽然加上了颜色，但数据已经有六年了，价格下跌的部分看不出来。不过今年年初以来，A100、H100，乃至超大规模云服务商的价格都涨了，这说明供需在变化。图里较短的蓝线代表 B200：价格先高、再下跌，之后又涨回来，现在甚至高于发布时的价格。最上面的绿线是超大规模云服务商的价格。大家都知道，他们的收费是新型云服务商的两到三倍，但这不是完全同类比较，里面可能包含软件；你也可能出于安全等不同原因被绑定在这些服务上。 CME 为什么只让 H100、B200 这类新型云服务商价格指数可交易？原因有几个。第一，新型云服务商的按需价格变化更灵活；第二，操纵 300 个数据源很难，而超大规模云服务商指数只有四个数据源。大体上，这就是我们先让 H100 和 B200 的新型云服务商价格指数可交易的原因之一…… ## [7:40] GPU 远期曲线 · YouTube **Carmen Li：** 算力的大部分交易其实发生在预留合约市场，而不是按需购买。大家通常签更长期的合同，比如月度、半年、一年甚至两年。所以很多人会觉得，签约时间越长，GPU 每小时的价格就应该越便宜。 去年确实如此。看期限结构，也就是价格与期限的关系，曲线应该向下倾斜：合同签得越久，价格越便宜，最后接近电力成本。但今年情况变得纠缠起来。什么叫升水（contango）？价格先下去又涨回来。也就是说，签更长期的合同不但没折扣，反而要付溢价。这意味着供需正在改变：市场共识是那款芯片未来会涨价，因此人们愿意付溢价锁定资源，而不是谈折扣。 今年每一种芯片的曲线都完全纠缠在一起。到了上个月，所有曲线又变得更平了。曲线变平，说明市场觉得接下来几年价格可能差不多。但市场共识不代表它就是对的。去年市场共识也没有认为价格会下跌。它只是一个值得你思考的指标。 如果要判断泡沫，要一起考虑很多因素：按需价格应该更高，期限结构应该呈升水，顶端的残值也应该有所不同。评估泡沫和资产高估有很多层面。这不是实时数据，我没提前告诉他们要做现场演示，所以不是他们的问题，是我的问题。你可以去 silicondata.com 申请七天免费试用，看实时数据；我们每天都会发布。这就是…… ## [9:38] H100 期限曲线：一次无人能对冲的 30% 重估 · YouTube **Carmen Li：** 这是远期曲线。我显然没做自己的幻灯片，所以也不知道下一页是什么。这张是远期曲线：蓝线是去年的向下倾斜曲线；你们能看到，今年变成了升水。H100 的情况其实没那么夸张，B200 今年才是真的剧烈。我手上没有那页图，但另一个很有意思的主题是残值。这件事非常关键，我现在正和很多万亿美元规模的企业一起研究这条曲线。 看看 GPU 融资和飞机融资的区别。航空公司买飞机，不需要先签长期合同，也不需要乘客提前买机票；飞机融资完全可以基于资产本身。贷款方相信这是一架飞机，于是提供资产抵押贷款，约定利率，并假设你两年后会把飞机卖给某家航空公司。旧飞机该值多少钱，有大量数据，业内每天都在做这件事。 连啤酒厂设备也能这样融资。这个啤酒厂、这个容器……我丈夫现在就是酿酒师。你可以按一定金额为设备融资，并知道它还能…… ## [10:53] GPU 残值：把 GPU 当作能产生收入的资产来定价 · YouTube **Carmen Li：** GPU 还没有这样的体系，所以折旧曲线和残值对银行来说非常关键，它们需要更多数据。想想资产评估：应该由第三方来判断一台服务器值多少钱。传统上，我们会谨慎地估算这台机器未来能带来多少收入，再结合远期曲线，以及这项底层资产预计的利用率。这就是我们建立残值曲线的原因。英伟达周一的投资者日材料里有整整一页讲我们，核心就是残值。 现在大家基本都用直线折旧法，按五年计算服务器折旧；有时是三年，因为人们不知道还有什么更好的办法。我们跟踪的比率实际上一直高于 B200 的价格，甚至高于建议零售价（MSRP）。当然，刚才也提到过，媒体报道也推高了价格。总之，这有点像……二手设备的价值不应该高于你买入时的价格，对吧？机器变旧，资产价值就会折旧。 对不同资产类别，可以根据未来预期现金流，把现金流折现回来，算出服务器的估值。我现在讲得真无聊，不过估值会随着租赁价格和未来预期现金流而变化。这些数据可以用于资产评估，理想情况下也能用于融资，最终惠及每家公司：融资选择会更好，产品也会更标准化。要做到这一点，我们不光要知道未来的租赁价格，还得…… ## [12:45] SiliconMark：独立 GPU 基准测试 · YouTube **Carmen Li：** 我们还得了解机器本身。所以我们做了 SiliconMark，有点像 Carfax。买卖二手车时，你不会只相信我说“我开车技术很好”——虽然我确实开得不错——然后就相信这是辆好车。你会去查 Carfax，看看发动机等部件磨损得怎么样。买卖服务器时，我们却没有这种第三方验证。银行也不可能跑去冰岛逐台检查三万台服务器，因此市场需要这样的透明度。 作为基准测试，我们全部使用开源工具，就是为了让大家能够复现测试；结果不必完全一样，但应该足够接近。今年年初，我和杰斐逊实验室合作，验证不同的人测试同一台服务器时，我们的基准测试结果偏差不到 8%。我们会记录每台节点上每一块 GPU 和 CPU 的 UID。每个节点还有基于机器 ID、UID 的独立标识；如果有人更换了节点里的 GPU，我们就能发现，也能知道 IP 地址。这个机制有点像全球追踪铀的方式。我们会知道折旧曲线、浮点运算能力（FLOPS）、热性能衰减，以及不同的 FLOPS 表现和基准测试的 Token 吞吐量。 我们会测试很多指标。一个令人鼓舞的结果是，英伟达较新的架构做得更好了：同一款芯片的性能差异比旧一代更小。这是好事，说明英伟达没有骗我们，他们做得更好了。我们还会进行多项…… ## [14:23] SiliconMark 如何测试 GPU · YouTube **Carmen Li：** 所有测试都是自动化的，带时间戳，而且不可修改。它是免费的，只要 PyTorch 支持，你就可以测试自己的显卡。我们也测试 TPU 和 AMD 芯片；我们不偏向任何一家。目前有 400 家个人或机构在使用，挺不错的。 你们可以看到一些结果，比如分布曲线会给设备分成 A、B、C 等级。又要开始讲得让大家犯困了。简单说，实物交割的期货会这么运作。我们和 CME 合作的指数是现金结算的，交易指数会带来现金收益或成本。但如果你想采购真实硬件，现金结算指数做不到这一点。 如果你了解石油交易，这相当于 WTI 原油合约背后的定价基准。算力期货则是实物交割：合约会明确告诉你，在美国西部交付什么 GPU、CPU、内存，性能等级是 A，交付内容是什么。最终拿到什么，取决于你在性能分布曲线中的位置；如果你的性能不够好，可能就不符合交付标准。 ## [15:44] 相同规格，性能差距最高达 38% · YouTube **Carmen Li：** 这是我们写的一篇论文，我的名字也在上面，不过我没做多少事。有时候就是这么回事。 ## [15:50] Token 支出指数 · YouTube **Carmen Li：** 我们另一个指数曾经火得不得了，我觉得挺有意思。Silicon Data 既被当成看涨信号，因为 GPU 价格都在涨；又被当成看跌信号，因为我们的 Token 指数价格在下跌。今天去我们网站看看，Token 价格已经不到 1 美元了。我记得 CNBC 还做了篇大报道，因为我们的 Token 跌破了 1 美元。 我来解释一下我们想追踪什么。GPU 指数很直接，是一种对冲工具：看每块 GPU 每小时的价格，就这么一个价格，没有别的变量。Token 指数的思路则是：我不需要告诉你在云平台上使用某个 Token 要付多少钱，你本来就知道。我更感兴趣的是，作为一个社会，我们愿意为 Token 支付多少。大家会混用不同模型，关键是每百万 Token 实际花了多少钱。 这个指数不太关心模型质量，关心的是人们是否在用。只要有人在用就好，把价格和权重给我，我就能把它纳入指数。我们追踪 300 多个开源、开放权重模型。主要有两个变量：全球各模型的价格，以及依据全球输入和输出 Token 数量计算的使用量。基于这些数据，我们编制指数。 如果所有模型每百万 Token 的价格都变高，或者用户从便宜模型转向更贵的模型，指数就会上升。这正是 Token 使用量激增时期发生的事。反过来，如果用户从贵模型转向便宜模型，或者所有模型都降价，指数就会下降。 这个指数很快可能可以交易。它不是对冲工具，但可以成为很好的投机工具。如果你认为开源模型会席卷市场，基本上就应该做空我的指数。如果你认为高端模型公司和开源模型公司之间的差距会拉大，而且用户愿意为高端模型付更多钱，那你就应该做多我的指数。 高端模型公司的负责人会打电话问我：“为什么指数在跌？”我会说：“我不知道。标普指数下跌时，你会打电话给标普问原因吗？大概不会吧。”我的工作不是操纵指数，而是反映这里的供需曲线。 我们在 Twitter 上挺火的。去关注 Silicon Data 的账号吧。我们最近一条推文把指数和 Anthropic 的固定收入（fix revenue）放在一起对比，有一张柱状图。我们的模型指数下跌时，Anthropic 的收入似乎也停滞了。那条推文一下子就有 40 万次浏览，挺疯狂的。我们也就一万名左右粉丝，规模不大。这就是我们的产品…… ## [18:51] 每个新市场都需要可信的价格 · YouTube **Carmen Li：** 不知道你们有没有兴趣，不过我们的产品挺多的。那为什么要用我们的产品？我觉得大家应该开始转变一个观念：过去你们不用太考虑成本。你是一家科技公司，很棒，你的成本就是人；想裁员就裁员。但未来每家公司都会是这样的公司——你的销售成本可能是算力、GPU 或 Token，具体看你的商业模式，它们可能会成为一项很大的成本。 想想其他行业。美国航空公司用石油，就会受到石油价格波动影响；工厂用电，就得对冲电力成本。但你我耗电不多，不用操心对冲电价。关键是你的用量有多大、这项成本结构带来多少压力，以及成本有多波动。GPU 成本的日波动率，我们看到在 20% 到 40% 之间。你就会考虑对冲，因为不希望收入和利润率大起大落，那样可不好看。新型云服务商如果持有大量 GPU，也不希望未来收入波动太大。 这就是价格发现，也是建立一个完整资产类别。我们可以多聊聊，但你们这些人会成为算力市场里的 Shell，或是做石油生意的美国航空公司。大家都会成为这样一群参与者：要么生产 GPU，要么生产 Token，要么消费它们。 就这样。