AI 算力商品化路径

本篇核心问题：AI 算力会不会走向商品化？如果会，沿着什么路径？Neocloud 在这条路径中扮演什么角色？

读完本篇，你应该能回答：商品化和标准化有什么区别；历史上 CPU 计算是如何商品化的；AI 算力的商品化受哪三层约束；谁赢谁输；能否用金属和电力研究的框架来看 AI 算力。

本章导航：01-Neocloud作为新资产类别 · 本篇（当前） · 03-公司画像-Nebius · 04-公司画像-CoreWeave · 05-公司画像-IREN · 06-公司画像-Oracle · 07-传统云玩家横扫 · 08-GPU折旧与融资结构专题 · 09-AI数据中心PPA细粒度 · 10-中美映射与国内替代

跨研究回调（外部研究，不在本系列内）：电力系统研究总索引 · 能源金属与关键矿产研究总索引

一、开篇：商品化的定义与边界

1.1 什么叫”商品化”？

商品化（Commoditization） 的定义精确且苛刻：一种产品或服务随着技术成熟、供给充分、竞争加剧，从差异化竞争转向价格竞争，毛利率向**边际成本（Marginal Cost）**收敛的过程。

这个定义里有三个关键词，缺一不可：

供给充分：稀缺本身就是反商品化的力量。没有充分供给，商品化就只是叙事，不是现实。
可替代性（Fungibility）：买方认为不同供应商提供的产品没有本质区别，愿意按价格切换。石油按 API 重度和硫含量分级，同级产品可互换；大米按产区分级，同级可互换。
毛利率向边际成本收敛：这是商品化最后的财务指纹。当一个行业的定价权消失，价格只能覆盖边际成本，超额利润被竞争抹平。

典型的商品：

石油（Brent / WTI，按硫含量和 API 度分级）
大米（按产区和品种分级）
铜（LME 3M 现货合约，99.99% 纯度为标准品）
电力（节点电价 LMP，按时间、地点、容量分价）

参考回调：在能源金属研究总索引中，铜是最彻底的商品化样本，LME 价格是全球定价基准；电力的商品化更复杂，因为它不可储存，所以形成了节点定价机制，参见电力系统研究「公益到市场化」。

典型的非商品：

LVMH 的包：品牌溢价由稀缺性和叙事维持，毛利率 65%+，与生产成本几乎脱钩
Netflix 的原创内容：差异化属性使其不可替代，用户无法”按价格切换到等效内容”
NVIDIA 的 CUDA 生态：软件护城河将硬件差异化，使 GPU 不只是”算力单位”

1.2 商品化和标准化的区别

这是一个容易被混淆的对子。它们是两回事：

概念	定义	是否商品化的充要条件
标准化（Standardization）	不同供应商的产品可以用同一套规格描述和对比	必要条件，但不充分
商品化（Commoditization）	产品可替代，价格向边际成本收敛	标准化 + 供给充分 + 买方认知转变

举例：x86 ISA（指令集架构）是一种标准化，让不同厂商的 CPU 可以运行同一套软件，但 Intel 在 2000 年代依然靠性能代差和制造工艺享有高毛利率。标准化完成了，商品化还没有完成。真正的 CPU 商品化是在 AMD 追平制程、虚拟化将 CPU 变成 vCPU 出租的那一刻才实现的。

AI 算力的核心问题，就是它正处于”标准化进行中”而”商品化远未完成”的中间地带。

二、历史参照：CPU 计算是如何商品化的？

这是理解 AI 算力路径最重要的参照系。整个过程分四个阶段。

2.1 第一阶段（1960-1980）：IBM 大型机的纵向垄断

在这个时代，“计算能力”是绑定在特定硬件上的，而硬件本身绑定在特定软件上。你购买 IBM System/360，就必须运行 IBM 的 OS，使用 IBM 的存储、IBM 的终端、IBM 的服务合同。这种**垂直整合（Vertical Integration）**是商品化的天然屏障。

IBM 的毛利率超过 60%，没有任何商品化迹象。买方无法”按价格切换供应商”，因为切换成本等于重建全套 IT 基础设施。

2.2 第二阶段（1980-2000）：PC 革命与 Wintel 联盟的标准化

IBM PC 在 1981 年发布时，犯了一个后来被商学院反复引用的”战略错误”：它将 CPU 外包给 Intel，将 OS 外包给 Microsoft，并公开了硬件规格让第三方厂商兼容。

这一决策引发了 x86 标准化：

Intel x86 成为业界标准 ISA（Instruction Set Architecture）
Windows 成为标准 OS
“IBM 兼容机”迅速扩散，硬件从差异化产品变成了可对比的规格单

这是第一步商品化：硬件标准化让买方可以按价格选择 PC 品牌。

但 Intel 和 Microsoft 这两个制定标准的人反而享有了更高的毛利率。Intel 的 CPU 在这个阶段并没有商品化，因为 x86 授权是独家的（AMD 是授权方），性能代差维持了溢价。

判断：标准化完成了，但标准制定者的护城河反而加深了。

2.3 第三阶段（2006-2015）：AWS 定义 IaaS，CPU 变成按小时计费的单位

这是 CPU 算力商品化的真正转折点。

AWS 在 2006 年推出 EC2，将虚拟化技术（Virtualization）商业化，让 CPU 可以以 vCPU 的形式按小时出租。这件事的意义在于：

价格发现机制出现：EC2 On-Demand 价格是全球可见的，形成了 CPU-hour 的公开定价
买方切换成本骤降：你不再需要购买服务器，只需要换一家云供应商的 API 调用
标准化的底层资产开始显现：不管是 AWS、Azure 还是 GCP，vCPU 的性能可以用同一套基准测试对比

参考回调：这个转变和电力的节点定价机制（LMP，Locational Marginal Price）高度同构。电力之前是”买电厂”，之后变成了”按节点按时间买度数”。CPU 之前是”买服务器”，之后变成了”按核按小时买算力”。参见电力系统研究「公益到市场化」中”从垄断定价到节点定价”的演变过程。

但 AWS 并没有成为商品化的受害者，而是通过 PaaS 层（RDS、S3、Lambda）和 SaaS 层将价值上移，守住了毛利率。

2.4 第四阶段（2015 至今）：CPU 算力彻底商品化

今天，CPU-hour 的定价已经接近边际电力成本加上数据中心折旧。各大云厂商在 vCPU 定价上的差异不超过 10%-15%，价格竞争是主旋律。

差异化发生在哪里？软件服务，不是 CPU 本身。谷歌、AWS、Azure 的护城河是数据分析服务、ML 平台、数据库服务，不是 CPU 算力。

核心判断：CPU 算力已经是”计算大米”，像电力一样按度销售。这个过程用了大约 40 年（1960-2000 标准化，2006-2015 服务化，2015 至今商品化）。

三、AI 算力商品化的三层分析

AI 算力不是一个整体，它至少有三层，每一层的商品化进度截然不同。

3.1 硬件层（GPU 本身）

当前状态：高度不标准化，商品化程度低。

NVIDIA H100、H200、B200、B300 每代性能差异超过 40%-100%，买方不能把它们当成可互换的商品。即使同为 H100，PCIe 版和 SXM5 版在 NVLink 互联能力上也有本质差异，影响大规模训练集群的 MFU（Model FLOPs Utilization）。

标准化的正在进行中的力量：

CUDA 作为事实标准让不同世代 GPU 的算力可以用 FLOPS 衡量和对比
FP8 / INT4 精度标准让推理性能可以用 tokens/second 量化
HBM 内存带宽成为通用的瓶颈指标
第三方替代方案（AMD MI300X、Google TPU v5p、Intel Gaudi 3、国产 GPU 如昇腾 910B）正在缩小与 NVIDIA 的性能差距

商品化的前提条件（目前均未满足）：

NVIDIA 失去供给稀缺性，GPU 供过于求
第三方替代方案在主流训练任务上可无缝替代
买方愿意为了价格而切换底层硬件（需要软件层的可移植性先行）

现状（2026 年）：Blackwell 架构仍处于产能爬坡期，稀缺溢价显著。H100 的现货价格在峰值时期比成本高出 3-5 倍。这不是商品市场，这是稀缺品市场，更接近能源金属研究总索引中 2022 年锂市场的状态。

3.2 互联与网络层

商品化趋势清晰，但被 NVIDIA 的垂直整合减速。

InfiniBand HDR/NDR/XDR 已经成为集群内互联的业界标准，性能可以用 Gb/s 量化对比。Ethernet 800G（Broadcom Tomahawk 5）在推理集群中也已广泛应用。

但 NVIDIA 在 2020 年收购了 Mellanox（InfiniBand 最大供应商），将互联层纳入垂直整合体系。在 NVLink 生态内，集群的互联能力和 GPU 深度绑定，无法单独商品化。这与铜市场里”铜线材独立于铜价定价”的逻辑不同，参见能源金属研究「铜」中关于铜的产业链分层。

阶段性判断：互联层在以太网方向的商品化进展快，但 NVLink 体系内的互联仍是 NVIDIA 的差异化护城河。

3.3 软件与平台层（CUDA 生态）

商品化程度最低，也是 NVIDIA 真正的堡垒。

CUDA 不只是一个编程接口，它是一个已经积累了 15 年以上的生态系统：优化过的 cuBLAS / cuDNN 库、数十万个已优化的模型实现、工程师的肌肉记忆、培训体系、社区文档。

挑战 CUDA 的力量在增加：

ROCm（AMD 的 GPU 计算平台）：已经能运行主流大模型，但生产环境的稳定性仍差距明显
Triton（OpenAI 开源的 GPU 编程语言）：允许开发者在不直接写 CUDA 的情况下编写高性能 GPU 核
MLIR（多层中间表示）：硬件厂商可以借助 MLIR 让模型在不同硬件上运行，降低 CUDA 依赖
JAX / PyTorch 2.x 的硬件抽象层：主流框架在逐步降低对 CUDA 的直接依赖

但软件护城河的本质是网络效应（Network Effect）加上切换成本（Switching Cost），这两者都比硬件层的切换成本高得多。一家公司把训练代码从 CUDA 迁移到 ROCm，可能需要 6-18 个月的工程投入，风险极大。

阶段性判断：软件层的商品化需要一个”iPhone 时刻”——某个单一事件改变整个生态的迁移意愿。目前最可能的触发器是：某个重量级模型实验室（OpenAI 或 Anthropic）宣布生产环境切换到非 CUDA 硬件。

四、AI 算力商品化的三条可能路径

4.1 路径 A：快速商品化（概率 15%，时间窗口 2027-2028）

触发条件：

NVIDIA 产能全面爆发，H100/B200 存货积压，现货溢价消失
AMD MI325X / 下一代 Gaudi 在推理任务上与 NVIDIA 性价比相近（不需要训练对齐）
开源模型（LLaMA 系、Mistral 系）成为主流，推理工作负载可以跑在非 NVIDIA 硬件上
推理占全部 AI 算力消耗的比例超过 80%（目前约 60%-70%）

推演结果：

GPU-hour 现货价格暴跌 40%-60%，一年内回归边际成本
Neocloud 毛利率从 55%-65% 压缩至 30%-40%
低质量 Neocloud（只靠 GPU 出租，无差异化服务）被淘汰或被传统 CSP 并购
AI 应用公司成为大赢家，推理成本下降直接转化为毛利率提升

判断：这条路径的概率被市场普遍低估了。2022 年锂价高点的时候，几乎没有人相信锂会在 18 个月内暴跌 80%，但 HPAL 产能释放 + LFP 电池替代让它发生了。参见能源金属研究「镍」中镍的类似逻辑：镍硫化矿与红土镍矿的价格差异主要由硫化矿的稀缺性维持，一旦 HPAL 技术规模化，这个稀缺溢价迅速消失。

4.2 路径 B：分层商品化（概率 65%，基准情景，2028-2030）

触发条件：

推理算力快速商品化（边缘推理、分布式推理、推理专用芯片崛起）
训练算力仍然稀缺（前沿模型竞赛持续，参数量继续增长，新架构训练需求剧增）
NVIDIA 保持每 1-2 年的代际迭代，训练端保持技术领先

推演结果：

市场分化为两个层次：

推理层（Training-Light，Inference-Heavy）：

GPU-hour 价格快速下降，按 tokens/second 定价的竞争加剧
边缘推理芯片（Groq、Cerebras、SambaNova）在某些任务上性价比远超 GPU
Neocloud 里的推理专用玩家走向”通用算力供应商”路线，毛利率低但量大
类比电力行业里的小型独立发电商（Small IPP），参见电力系统研究「市场格局（中美）」

训练层（Training-Heavy，FrontierModels）：

前沿训练集群（数千到数万张 GPU 的 HPC 集群）需求持续，但买方高度集中（OpenAI、Anthropic、Google DeepMind、xAI、百度、阿里）
高端 Neocloud 靠长协合同锁定大客户，毛利率维持在 50%-65%
定价权来自长协（相当于 CfD，差价合约），而非现货市场
类比电力行业里的大型独立发电商（Large IPP），如 Vistra Energy、Constellation Energy，靠 PPA（电力购买协议）长协锁定利润，参见电力系统研究「电力AI与衍生品」

核心判断：Neocloud 这个大类会分裂成两种商业模式，投资者需要分开看，不能把 CoreWeave、Nebius、IREN 当成同质化资产。

4.3 路径 C：反商品化（概率 20%）

触发条件：

AGI 突破或接近突破，模型能力产生指数级跳跃，算力需求远超预期
NVIDIA 维持 2 年以上的代际技术领先，竞争对手无法追平
地缘政治驱动算力资源国有化（美国《IRA》扩展版、出口管制升级、欧洲主权算力）

推演结果：

GPU 从工业商品升格为战略资源，类似稀土的逻辑
国家层面的算力储备计划推高需求，价格长期偏离边际成本
Neocloud 享有超额租金（Supernormal Rent），类似 2010-2015 年中国稀土垄断期间的定价

判断：这条路径的概率通常被市场在牛市时高估、在熊市时低估。稀土的”战略资源”叙事在 2010-2011 年极度盛行，然后中国在 WTO 压力下放开出口管制，稀土价格在 18 个月内暴跌 90%+。参见能源金属研究「稀土」中关于中国稀土定价权的分析。

算力版本的稀土风险：美国的出口管制（H800 禁令、A800 降级）是一个信号，但它针对的是对外出口，不能防止 NVIDIA 国内供给充分导致的商品化。真正的反商品化需要”算力买方的需求增速持续超过供给增速”，这在历史上只有两个先例：云计算 2006-2010 的爆发期，以及这轮 AI 算力的 2022-2025。

五、把金属和电力研究的框架借过来

这是本篇最重要的认知资产：用已建好的框架来理解新领域，比从零构建框架效率高一个数量级。

5.1 GPU 类比锂：从稀缺叙事到技术突破

锂的商品化轨迹（参见能源金属研究「锂」）：

2021-2022：新能源车需求爆发，锂盐短缺，碳酸锂从 5 万元/吨涨到 60 万元/吨，市场叙事是”锂是新石油”
2022-2023：两件事同时发生：(a) 澳大利亚锂矿新产能释放，(b) 磷酸铁锂（LFP）电池技术成熟，单位耗锂量下降
2023-2024：碳酸锂从 60 万跌到不足 10 万元/吨，跌幅超过 80%

GPU 的类比路径：

锂的阶段	GPU 的对应阶段	当前所在位置
新能源车需求爆发，锂矿短缺	AI 训练需求爆发，H100 一卡难求（2022-2024）	已过
澳洲锂矿产能释放	NVIDIA Blackwell 产能爬坡 + AMD MI300X 规模化	进行中（2025-2026）
LFP 替代三元锂，单位耗锂量下降	推理专用芯片（Groq、Cerebras）分流训练 GPU 需求	早期阶段
碳酸锂价格暴跌	GPU-hour 价格显著下降	预计 2027-2028

最像的对标：不是锂的整体，而是锂化合物市场里”电池级锂和工业级锂”的分化。训练 GPU（前沿集群用的 H200/B200）类比电池级碳酸锂，推理 GPU（H100/A100 二手市场）类比工业级锂。前者的商品化更慢，后者更快。

锂研究里最有价值的那条判断：“技术替代（LFP）往往比供给扩张（新矿）更快地压低价格，因为需求端的变化速度比供给端快。” 对应到 GPU：推理专用芯片比新一代竞争对手 GPU 更可能先一步压低价格，因为它不需要挑战 NVIDIA 的训练护城河，只需要在推理场景做到更好的性价比。

5.2 GPU-hour 类比电价：从垄断定价到节点定价

电力的商品化是理解 GPU-hour 定价演变最深刻的框架，因为电力和 GPU 算力有几乎相同的经济学结构：

属性	电力	GPU 算力
即时消费，不可储存	基本成立（电储能有限）	基本成立（闲置 GPU 也在折旧）
生产成本结构	固定成本（电厂建设）+ 可变成本（燃料）	固定成本（GPU 购置 + 数据中心）+ 可变成本（电力）
需求波动	按日 / 季节波动	按任务类型（训练 vs 推理）波动
长协市场	PPA（电力购买协议）	Reserved Instance / 长期 GPU 合同
现货市场	电力现货市场（实时 LMP）	On-Demand GPU 小时定价

参见电力系统研究「公益到市场化」第三节”节点电价（LMP）的形成机制”。

电力市场化的完整路径：

管制定价阶段：电力公司垂直整合，统一按批准价格出售电力
批发市场阶段：发电和输电分离，电力可以跨地区交易，出现地区间套利
节点定价阶段：引入 LMP，每个节点的价格反映边际成本 + 输电拥堵 + 辅助服务成本
衍生品阶段：FTR（金融输电权）、PPA、CfD 等工具出现，允许长期锁价

GPU-hour 的当前位置：处于”批发市场早期”，各平台的定价存在但透明度低、节点差异大（不同数据中心位置、不同 GPU 型号的价差显著），尚未形成统一的”算力 LMP”。

推断的演变路径：

现货市场成熟：Lambda Labs、RunPod 的实时报价是雏形
节点定价出现：不同地区（美国东部 vs 欧洲 vs 亚太）、不同 GPU 型号（H100 vs B200）的价差形成”算力节点”
长协工具完善：Reserved Instance 已经是”算力 PPA”，CfD 式差价合约可能是下一步
期货市场探索：CME 已在评估 GPU 算力期货可行性，预计 2027-2030 年出现

参见电力系统研究「电力AI与衍生品」中关于电力衍生品的完整体系，这套逻辑可以几乎原封不动地平移到 GPU-hour 的金融化路径上。

5.3 Neocloud 类比独立发电商（IPP）

这是本篇最核心的机构类比，也是理解 Neocloud 估值逻辑最直接的框架。

电力市场的结构（参见电力系统研究「市场格局（中美）」）：

集成电力公司（IOU，Integrated Utility）：拥有发电、输电、配电、售电的全链条。类比：AWS、Azure、GCP（拥有 GPU 集群、数据中心、网络、云服务全栈）
独立发电商（IPP，Independent Power Producer）：只做发电，不做其他。通过 PPA 长协锁定大客户，靠杠杆融资建设资产。类比：CoreWeave、Lambda Labs、IREN、Nebius（只做 GPU 集群出租）
售电商（Retail Electric Provider）：只做面向终端用户的电力零售，不拥有资产。类比：AI 算力经纪商、Reseller

IPP 的估值逻辑（以 Vistra Energy / VST、Constellation Energy / CEG 为例）：

核心资产：发电资产（电厂）
核心收入：长协 PPA + 现货市场溢价
估值模型：EV/EBITDA（重资产），核心假设是长协比例和平均合同电价
主要风险：电价下跌（商品化风险）+ 债务压力（重资产融资风险）

Neocloud 的对应逻辑：

核心资产：GPU 集群（特别是 H100/B200 集群）
核心收入：长期 GPU 合同（Reserved Contract）+ 现货市场（On-Demand）
估值模型：EV/EBITDA + GPU 集群的折旧假设
主要风险：GPU 价格下跌（商品化风险）+ GPU 折旧加速（技术迭代风险）+ 债务压力

跨产业类比：VST / CEG / TLN（Talen Energy）与 CoreWeave / Nebius / IREN 都具有“长协客户 + 重资产 + 杠杆融资”的结构；前者有助于理解后者的财务逻辑。

更深的类比：电力行业里，IPP 的命运取决于”我的长协到期之前，电价会不会崩”。Neocloud 的命运取决于”我的 GPU 合同到期之前，GPU-hour 价格会不会崩，GPU 资产会不会因为新架构而贬值”。

六、AI 算力商品化的三个真实约束

为什么 AI 算力不可能”完全商品化”（即使在最激进的情景下）？三个约束是结构性的，不会因为竞争加剧而消失。

6.1 物理约束：电力与数据中心容量

这是所有约束中最根本的。

AI 数据中心不是普通的数据中心。一个 1000 张 H100 的训练集群，耗电约 5-10 MW；一个 10 万张 GPU 的超算集群（OpenAI Stargate 级别），耗电约 500 MW，相当于一个中型城市的用电负荷。

物理约束的三个维度：

选址约束：500 MW 的电力不是哪里都能给。美国东部负荷中心用电紧张，德克萨斯州 ERCOT 电网已在压力下；欧洲绿电资源集中在北欧（北欧水电）和南欧（光伏），不是传统数据中心聚集地
液冷改造约束：Blackwell 架构及之后的 GPU 必须使用液冷（Liquid Cooling），而绝大多数现有数据中心是风冷设计。改造成本高且周期长
集群带宽约束：训练集群需要 InfiniBand 400G/800G 互联，跨数据中心的广域网带宽远达不到这个标准，大规模训练集群必须在同一栋楼内

参考回调：电力系统研究「物理层全链路」中关于电力传输物理约束的分析可以直接复用：输电线路容量、变电站容量、接入点位置，在 AI 数据中心选址中的等效概念分别是”专用变电站容量”、“高压进线容量”、“光纤 / InfiniBand 接入能力”。

这意味着：无论算力如何商品化，拥有稀缺地理位置（低电价 + 高电力容量 + 光纤枢纽）的数据中心资产，永远不会完全商品化。这是不动产逻辑，不是算力逻辑。

6.2 技术约束：新代 GPU 与软件栈绑定

每一代新 GPU 架构都引入新的计算范式：

H100 引入 FP8 精度，使 Transformer 训练吞吐量提升约 2 倍
Blackwell 引入 FP4 精度和稀疏计算（Sparsity Acceleration），进一步提升推理效率
下一代架构预计引入混合精度流水线（Mixed-Precision Pipeline）

每一次精度变化都需要模型训练代码、量化算法、推理部署框架的同步升级。这使得”用旧 GPU 运行新模型”不只是性能下降，而是在某些精度特性上完全不支持。

这创造了技术性锁定：买方选择一代 GPU，就等于选择了一套软件栈，这套软件栈的迁移成本和 CUDA 绑定强相关。

6.3 商业约束：长协锁定与地缘分割

买方的锁定本能：

前沿 AI 公司（OpenAI、Anthropic、DeepMind）倾向于建设或租赁专属算力（Dedicated Cluster），而不是使用共享的按需算力池。原因是：

专属集群的 MFU 可以优化到 50%-60%，共享集群难以超过 30%
模型架构的特殊性（Mixture of Experts、长上下文架构）需要定制的调度策略
安全和保密需求（模型权重不能暴露给云平台）

这种”锁定本能”创造了一批高质量长协客户，它们的合同期限通常为 3-5 年，与 GPU 折旧周期高度吻合。这和 PPA 合同锁定发电商收益的逻辑完全相同。

地缘政治的分割效应：

美国《芯片和科学法案》及出口管制将 AI 芯片市场分割为至少三个封闭区域：北美、欧洲（遵循美国管制）、中国及部分亚洲国家（使用国产 GPU 或低规格出口版）。

市场分割阻止了全球统一定价的形成，让每个区域的算力定价独立演化，商品化速度不同。中国市场由于缺乏 H100 / B200，国产 GPU 的性能差距使”标准化”本身难以建立，商品化更远。

七、商品化的受益者与受害者

角色	受益还是受害	原因与机制
NVIDIA（硬件层）	短期受害，长期中性	失去稀缺溢价，但商品化扩大总市场（更多 GPU 被销售），类似 Intel 在 IaaS 时代的命运
AMD / Intel / 国产 GPU	受益	商品化降低买方对 NVIDIA 的锁定，标准化让二线玩家有机会以价格进入
推理专用芯片（Groq / Cerebras / SambaNova）	强受益	推理算力的商品化正是其进入市场的窗口，无需挑战 CUDA 训练护城河
Neocloud（推理型 / 通用型）	受益（量）+ 受害（价）	成为通用算力供应商，需求扩大但毛利率压缩，走向 Digital Ocean 路线
Neocloud（训练型 / 高端长协）	受害（如果商品化速度超预期）	长协到期后续签价格下降，资产折旧加速，类似燃气电厂在可再生能源冲击下的处境
传统 CSP（AWS / Azure / GCP）	中性偏受益	商品化降低 GPU 采购成本，同时通过 PaaS / SaaS 上移价值链守住毛利率
AI 应用公司（工具层 / SaaS）	强受益	推理成本下降直接提升毛利率，类比 2010 年代 CDN 成本下降对视频流媒体的促进
AI 基础模型公司	中性	训练成本下降，但竞争加剧，前沿模型优势窗口缩短
电力公司（AI PPA 签约方）	不受影响	算力商品化不减少总用电需求，PPA 长协保障收益，参见电力系统研究「电力AI与衍生品」
数据中心 REITs	不受影响	持有的是物理基础设施，而非算力本身，地理稀缺性不被商品化侵蚀
算力期货 / 金融化参与者	受益（市场出现时）	商品化是期货市场存在的前提，没有商品化就没有对冲需求

八、投资含义

这部分把三条路径的概率判断转化为投资框架。

8.1 如果你相信路径 A（快速商品化）

押注方向：

AMD / 国产 GPU（昇腾、景嘉微、寒武纪）：商品化让二线玩家有切入机会
推理专用 Neocloud（专注推理任务、低延迟定价）：规模化比毛利率更重要
开源模型生态（Hugging Face、开源模型商业化公司）：商品化让开源获得相对优势
AI 应用公司（下游 SaaS）：推理成本下降转化为利润

回避方向：

高杠杆 Neocloud（3-5 倍债务融资购买 GPU）：价格崩溃时资不抵债
长期锁定高价 GPU 合同的运营商

8.2 如果你相信路径 B（分层商品化，基准情景）

押注方向：

有高质量长协客户的高端 Neocloud（训练型）：类似大型 IPP，通过长协锁定收益
与多家 Neocloud 签 PPA 的电力公司：无论谁赢，电力都需要
数据中心 REITs（如 EQIX、DLR）：持有物理基础设施，商品化不侵蚀资产价值
冷却设备和电力基础设施公司（液冷、高压变电站）：物理约束受益方

区分判断：

需要在 Neocloud 内部做二级分类：

Neocloud 类型	类比 IPP 类型	估值逻辑	风险点
训练型长协 Neocloud（CoreWeave）	大型 IPP（VST、CEG）	EV/EBITDA，长协比例是关键	客户集中风险，长协到期续签价格
推理型通用 Neocloud（Lambda、RunPod）	小型独立发电商	P/Sales，规模是关键	毛利率快速压缩
主权算力 Neocloud（政府背书）	国有发电企业	政策补贴，不用纯粹商业逻辑	政策风险，效率低下

8.3 如果你不确定路径

最优解：押基础设施，不押算力本身。

无论 AI 算力商品化速度如何，以下资产的需求不会下降：

电力：算力商品化不减少用电量，只改变谁付电费
数据中心物理容量：稀缺地理位置的价值不因商品化消失
冷却系统：新代 GPU 的液冷需求是物理约束

这是一个”不管哪条路成真都能赚钱”的对冲结构，类似在 2022 年锂电池爆发时押铜（而不是押锂）：无论哪种电池技术主导，铜是导线材料，需求必然增长。参见能源金属研究「铜」中”电动化不管谁赢，铜都赢”的逻辑。

九、本篇判断层

以下是 7 条收尾判断，事实与判断分离，供未来校准。

判断 1：AI 算力会走向分层商品化，推理先于训练。

推理算力的商品化逻辑更清晰：任务标准化（生成 token 可以计量）、硬件可替代性高（推理专用芯片 vs GPU 的竞争已经开始）、需求分散（成千上万的应用公司，而非少数巨鲸）。训练算力的商品化阻力更大：任务高度非标、CUDA 软件护城河、买方锁定本能。

判断 2：GPU 硬件会比 CUDA 生态更快商品化。

GPU 是物理商品，可以用 FLOPS 和 HBM 带宽量化；CUDA 是软件生态，具有网络效应和切换成本。历史上，物理层的商品化从来早于软件层（x86 CPU 先于 Windows 商品化）。2-3 年内，GPU 现货市场的价格竞争会明显加剧，但工程师对 CUDA 的依赖不会同步消失。

判断 3：GPU-hour 的定价体系会越来越像电价节点定价。

不同地区、不同型号、不同时段的 GPU-hour 价差会持续扩大和显现，最终形成类似 LMP 的”算力节点价格”。这是商品化过程中的必然阶段，是衍生品市场出现的前提。

判断 4：Neocloud 会分化，不是一个整体资产类别。

分化轴：训练型（长协客户 + 重资产 + REITs 逻辑）vs 推理型（现货市场 + 薄利多销 + 规模经济逻辑）。投资者需要在这两者之间做明确区分，不能用同一个估值模型覆盖所有 Neocloud。

判断 5：物理基础设施层永远不会商品化，它是硬约束。

电力容量、数据中心地理位置、液冷基础设施，这些资产的稀缺性来自物理和监管约束，不是技术护城河，商品化无法侵蚀它。这是整个 AI 基础设施价值链里最稳定的一层。

判断 6：商品化的节奏取决于三个变量的交互，不是单一变量。

这三个变量是：(a) NVIDIA 的供给能力（最关键的短期变量）；(b) 开源模型的成熟度（决定推理商品化速度）；(c) 地缘政治的市场分割程度（决定全球 vs 区域商品化）。三者的组合决定了我们走向哪条路径。

判断 7：核心命题是”AI 算力是下一个石油还是下一个电力”。

石油：不可替代、战略资源、OPEC 定价权、价格长期偏离边际成本。电力：标准商品、节点定价、最终趋向边际成本、但基础设施层维持超额收益。我当前的判断是：训练算力更像石油（2026-2028），推理算力更像电力（2026-2030 的演变路径），最终两者都趋向电力，但时间尺度不同。

这和锂研究里”锂是下一个石油吗”的命题有完全相同的结构：短期稀缺叙事吸引人，但中期必然是供需平衡，长期是电力或铜的逻辑，而不是石油的逻辑。

十、关键跨研究回调索引

问题	最相关的回调文件
GPU 商品化节奏的历史参照	能源金属研究「锂」（锂价周期）；能源金属研究「稀土」（战略资源叙事的兴衰）
GPU-hour 定价体系的演变	电力系统研究「公益到市场化」（LMP 节点定价）；电力系统研究「电力AI与衍生品」（CfD、PPA、期货）
Neocloud 与 IPP 的估值类比	电力系统研究「市场格局（中美）」（IPP 市场结构）；08-GPU折旧与融资结构专题（财务细节）
物理基础设施的永久性稀缺	电力系统研究「物理层全链路」（输电约束）；能源金属研究「铜」（铜的”电动化不管谁赢”逻辑）
传统 CSP 的反应策略	07-传统云玩家横扫（详细分析）
具体公司画像	03、04、05、06
单位经济与融资结构	08-GPU折旧与融资结构专题
AI PPA 细粒度	09-AI数据中心PPA细粒度
中美市场映射	10-中美映射与国内替代

下一篇：03 具体 Neocloud 公司画像（CoreWeave / Nebius / IREN 深度拆解）