談談GPU雲的經營風險和流動性管理

華爾街見聞

2025/07/05

最近SemiAnalysis有一篇文章《How Oracle Is Winning the AI Compute Market》[1], 裏面的一些經營相關的分析還不是那麼專業, 特別是缺少一些對經營風險的分析以及算力資源流動性管理的內容. 今天以一個非技術的金融狗視角, 再來談談這個問題. 作者除了常年在雲計算設施中負責技術相關的工作外, 當過量化交易基金經理學過FRM, 常年對金孖展產的流動性...

網頁鏈接

免責聲明：投資有風險，本文並非投資建議，以上內容不應被視為任何金融產品的購買或出售要約、建議或邀請，作者或其他用戶的任何相關討論、評論或帖子也不應被視為此類內容。本文僅供一般參考，不考慮您的個人投資目標、財務狀況或需求。TTM對信息的準確性和完整性不承擔任何責任或保證，投資者應自行研究並在投資前尋求專業建議。

熱議股票

{"basename":"/hant","ssrTDKData":{"titleTemplate":"%s - 老虎證券","title":"老虎证券全球投资理财平台| 一站式投资美股新股港股A股","description":"老虎证券助您一站式投资美股，新股，港股，A股等全球金融理财产品。新加坡华人最信赖的在线投资平台，现在加入即享低费用，24/5 无时差炒美股投资理财！","keywords":"老虎證券,老虎證券開戶,老虎券商,老虎證券官網,老虎證券app,tigertrade老虎證券,股票,炒股,新加坡股票交易平臺,投資,投資理財","social":{"ogDescription":"老虎证券助您一站式投资美股，新股，港股，A股等全球金融理财产品。新加坡华人最信赖的在线投资平台，现在加入即享低费用，24/5 无时差炒美股投资理财！","ogImage":"https://c1.itigergrowtha.com/portal5/static/media/og-logo.be62fbe1.png","ogUrl":"https://www.itiger.com/hant/news/2549348674"},"companyName":"老虎證券"},"pageData":{"isMobile":false,"isTiger":false,"isTTM":true,"region":"SGP","license":"TBSG","edition":"fundamental"},"isCrawlerRequest":true,"__swrFallback__":{"@#url:\"https://stock-news.skytigris.cn/v3/news\",params:#id:\"2549348674\",edition:\"fundamental\",auth_exemption:1,,,undefined,":{"share":"https://ttm.financial/m/news/2549348674?lang=zh_TW&edition=fundamental","thumbnail":"https://wpimg-wscn.awtmt.com/2790ad81-063f-4c06-ab3f-b1268fca7ac3.png","is_english":false,"pubTime":"2025-07-05 16:18","share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","id":"2549348674","market":"us","top_or_hot":-1,"title":"談談GPU雲的經營風險和流動性管理","media":"華爾街見聞","content":"<div>\n<p>最近SemiAnalysis有一篇文章《How Oracle Is Winning the AI Compute Market》[1], 裏面的一些經營相關的分析還不是那麼專業, 特別是缺少一些對經營風險的分析以及算力資源流動性管理的內容.\n今天以一個非技術的金融狗視角, 再來談談這個問題. 作者除了常年在雲計算設施中負責技術相關的工作外, 當過量化交易基金經理學過FRM, 常年對金孖展產的流動性...</p>\n\n<a href=\"https://wallstreetcn.com/articles/3750493\">網頁鏈接</a>\n\n</div>\n","source":"wallstreetcn_hot_news","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>談談GPU雲的經營風險和流動性管理</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 12.5px; color: #7E829C; margin: 0;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n談談GPU雲的經營風險和流動性管理\n</h2>\n<h4 class=\"meta\">\n<p class=\"head\">\n<strong class=\"h-name small\">華爾街見聞</strong><span class=\"h-time small\">2025-07-05 16:18</span>\n</p>\n</h4>\n</header>\n<article>\n<div>\n<p>最近SemiAnalysis有一篇文章《How Oracle Is Winning the AI Compute Market》[1], 裏面的一些經營相關的分析還不是那麼專業, 特別是缺少一些對經營風險的分析以及算力資源流動性管理的內容.\n今天以一個非技術的金融狗視角, 再來談談這個問題. 作者除了常年在雲計算設施中負責技術相關的工作外, 當過量化交易基金經理學過FRM, 常年對金孖展產的流動性...</p>\n\n<a href=\"https://wallstreetcn.com/articles/3750493\">網頁鏈接</a>\n\n</div>\n\n<div class=\"bt-text\">\n\n\n<p> 來源：<a href=\"https://wallstreetcn.com/articles/3750493\">華爾街見聞</a></p>\n<p>為提升您的閱讀體驗，我們對本頁面進行了排版優化</p>\n\n\n</div>\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"LU0965509010.AUD","symbol_name":"AB LOW VOLATILITY EQUITY PORTFOLIO \"AD\" (AUDHDG) INC","start_time":0,"source_url":"https://wallstreetcn.com/articles/3750493","article_id":"2549348674","we_media_id":null,"thumbnails":["https://wpimg-wscn.awtmt.com/2790ad81-063f-4c06-ab3f-b1268fca7ac3.png"],"rights":{"source":"wallstreetcn_hot_news","url":"https://wallstreetcn.com/articles/3750493","rn_cache_url":null,"directOrigin":true},"url":"https://stock-news.laohu8.com/highlight/detail?id=2549348674","pubTimestamp":1751703487,"columns":[],"sourceInfo":{"source_id":"wallstreetcn_hot_news","name":"华尔街见闻"},"weMediaInfo":null,"summary":"傳統雲能盈利的都不是賣鐵, 有太多的經營上的細節, 歸根結底就是彈性, 以及圍繞着彈性的安全/穩定/性能/成本的考慮, 這才是雲計算的全貌, 脱離這些就真的是賣鐵了。","collect":0,"end_time":0,"defaultTopTitle":"wallstreetcn.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"LU0965509010.AUD":"AB LOW VOLATILITY EQUITY PORTFOLIO \"AD\" (AUDHDG) INC","LU1642822529.SGD":"THREADNEEDLE (LUX) GLOBAL TECHNOLOGY \"A\" (SGD) ACC","LU0878866978.SGD":"First Eagle Amundi International AHS-QD SGD-H","LU0444973449.USD":"CT (LUX) I GLOBAL TECHNOLOGY \"DU\" (USD) ACC","LU0320765489.SGD":"FTIF - Franklin Mutual US Value A Acc SGD","LU0175139822.USD":"AB FCP I Global Equity Blend A USD","LU0082616367.USD":"摩根大通美国科技A（dist）","BK4588":"碎股","LU0719512351.SGD":"JPMorgan Funds - US Technology A (acc) SGD","LU1803068979.SGD":"FTIF - Franklin Technology A (acc) SGD-H1","IE00B7SZLL34.SGD":"Legg Mason ClearBridge - Value A Acc SGD-H","LU2236285917.USD":"ALLIANZ GLOBAL INCOME \"AMG\" (USD) INC","LU0965508806.USD":"AB LOW VOLATILITY EQUITY PORTFOLIO \"AD\" (USD) INC","LU0348723411.USD":"ALLIANZ GLOBAL HI-TECH GROWTH \"A\" (USD) INC","IE00BLSP4239.USD":"Legg Mason ClearBridge - Tactical Dividend Income A Mdis USD Plus","LU1069347547.HKD":"AB SICAV I - GLOBAL VALUE PORTFOLIO \"AD\" (HKD) INC","LU0949170772.SGD":"Blackrock Global Equity Income A6 SGD-H","IE00BMPRXR70.SGD":"Neuberger Berman 5G Connectivity A Acc SGD-H","IE00BMPRXN33.USD":"NEUBERGER BERMAN 5G CONNECTIVITY \"A\" (USD) ACC","LU0157215616.USD":"FIDELITY GLOBAL FOCUS \"A\" INC","LU0081259029.USD":"UBS (LUX) EQUITY FUND - TECH OPPORTUNITY \"P\" (USD) ACC","LU1037948541.HKD":"AB LOW VOLATILITY EQUITY PORTFOLIO \"A\" (HKD) ACC","LU1989764748.USD":"东方汇理环球颠覆性机遇A2 Acc","LU0323591593.USD":"SCHRODER ISF QEP GLOBAL QUALITY \"A\" (USD) ACC","LU1429558221.USD":"Natixis Loomis Sayles US Growth Equity RA USD","BK4097":"系统软件","IE00B19Z3581.USD":"Legg Mason ClearBridge - Value A Acc USD","LU0661504455.SGD":"Blackrock Global Equity Income A5 SGD-H","BK4581":"高盛持仓","LU1435385759.SGD":"Natixis Loomis Sayles US Growth Equity RA SGD-H","LU1934455863.HKD":"AB SICAV I LOW VOLATILITY TOTAL RETURN EQUITY PORT \"A\" (HKD) ACC","BK4543":"AI","LU0889565833.HKD":"FRANKLIN TECHNOLOGY \"A\" (HKD) ACC","IE00BN8TJ469.HKD":"FTGF CLEARBRIDGE TACTICAL DIVIDEND INCOME \"A\" (HKD) INC","LU0208291251.USD":"FRANKLIN MUTUAL U.S. VALUE \"A\" (USD) INC","LU1201861249.SGD":"Natixis Harris Associates US Equity PA SGD-H","LU0056508442.USD":"贝莱德世界科技基金A2","LU0070302665.USD":"FRANKLIN MUTUAL U.S. VALUE \"A\" (USD) ACC","LU0980610538.SGD":"Natixis Harris Associates US Equity RA SGD-H","LU1852331112.SGD":"Blackrock World Technology Fund A2 SGD-H","IE00B775SV38.USD":"NEUBERGER BERMAN US MULTICAP OPPORTUNITIES \"A\" (USD) ACC","LU1935042215.USD":"MANULIFE GF GLOBAL MULTI-ASSET DIVERSIFIED INCOME  \"AA\" (USD) INC A","LU2458330169.SGD":"FRANKLIN SHARIAH TECHNOLOGY \"A\" (SGD) ACC","LU0648001328.SGD":"Natixis Harris Associates US Equity RA SGD","IE0002270589.USD":"LEGG MASON CLEARBRIDGE VALUE \"A\" (USD) INC","LU1935042991.SGD":"MANULIFE GF GLOBAL MULTI-ASSET DIVERSIFIED INCOME  \"AA\" (SGDHDG) INC","ORCL":"甲骨文","IE0004445239.USD":"JANUS HENDERSON US FORTY \"A2\" (USD) ACC","LU2250418816.HKD":"BGF WORLD TECHNOLOGY \"A\" (HKD) ACC","LU0109392836.USD":"富兰克林科技股A"},"translate_title":"Talk about the business risk and liquidity management of GPU cloud","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"ORCL":0.9},"content_text":"最近SemiAnalysis有一篇文章《How Oracle Is Winning the AI Compute Market》[1], 裏面的一些經營相關的分析還不是那麼專業, 特別是缺少一些對經營風險的分析以及算力資源流動性管理的內容.\n今天以一個非技術的金融狗視角, 再來談談這個問題. 作者除了常年在雲計算設施中負責技術相關的工作外, 當過量化交易基金經理學過FRM, 常年對金孖展產的流動性視角的風險量化定價進行研究, 也幫朋友評估過一些綠電算力中心的投資, 因此本文會從涉及一些算力固定資產折舊/算力資源證券化/算力孖展租賃等幾個環節來分析, 並且轉換到雲計算的技術術語就是:彈性... \n這也是為什麼雲的計算部門都會叫彈性計算, 無論是AWS的EC2(Elastic Compute Cloud)還是阿里雲的ECS(Elastic Compute Service). 彈性計算本質上和線下IDC機房賣鐵有很多的區別, 前段時間寫了一篇文章關於雲計算彈性的文章\n《鋭評某友商説傳統雲還在賣鐵: 從金融的視角談雲計算及其流動性管理》\n今天針對GPU雲這個場景, 繼續寫一些內容. 特別是過去十年在傳統雲計算中, 一直是三大巨頭---AWS/Azure/GCP的天下, 而在AI時代的雲這三家似乎有些變化, GPU的市場佔用率和整體的雲營收佔比來看, AWS/GCP分別有自己的ASIC(Trainuium/TPU), 微軟也在嘗試着做自己的ASIC(但是最近聽説又延期了). 在GPU市場上Coreweave和Oracle卻是異軍突起, 佔掉了Nvidia GPU接近30%的採購份額... 而另一方面, 為什麼微軟在今年五月裁完6000人後最近又爆出要裁9000人? 這裏面都暗含着很多財務上的風險以及供應鏈上針對流動性的一些特殊的操作...\n本文的目錄如下:\n\n 1. 以H100構建一個簡單的模型算起 1.1 租賃價格走勢 1.2 算力成本估計 1.3 簡單計算一下ROI 2. 談談SemiAnalysis報告的問題 3. GPU雲的經營風險 3.1 市場風險 3.2 信用風險 3.3 操作風險 3.4 流動性風險 3.5 其它重要風險  4. 如何避免GPU雲的經營風險 4.1 運營成本管理: 「白盒雲是雲麼?」 4.2 彈性: 避免信用風險和流動性風險的良藥 4.3 彈性視角下的性能 4.4 彈性視角下的安全和穩定 5. 彈性視角下的算力證券化\n\n1. 以H100構建一個簡單的模型算起\n我們以H100為例來談談相關的風險, 這裏採用一個更簡單的估算模型.\n1.1 租賃價格走勢\nH100早期的價格大概是在280w人民幣. 一開始的時候定價差不多在4~5美元/小時/卡. 隨着那個時候多家大模型廠家急於訓練自己的模型, 實際價格超過8美元/小時/卡.  隨着卡供應的充足, 以及部分模型廠商退出, 在2024年中的時候就很容易找到1~2美元/小時/卡的服務器了. 而最近基本上國內的整機價格也跌倒了4.5w/每月, 摺合每小時正好1美金. 因此大致的價格為:\n\n\n實質上, 我們可以看到租賃價格的影響存在兩個影響因子.\n\n\n供應緊張時的流動性溢價\n\n\n隨着新的H200/B200卡出現的算力折價\n\n\n\n其實從早期的價格來看, 一台280w的機器, 十幾個月就能收回成本, ROI特別容易讓人衝動... 但是在實際經營過程中, 需要考慮到由於網絡/存儲等性能不一致帶來的售賣折價, 冷備份機器及售賣率影響下導致的平均銷售價格折扣等因素..\n1.2 算力成本估計\n對於算力的成本, 通常包含幾個方面. 附屬的網絡和存儲成本, 機房建設(機櫃/製冷/安保等..), 電費, 銷售費用, 運營費用, 維護費用以及SLA不達標等帶來的賠付等費用. 對於一些超大規模的項目, 還有一些孖展租賃的成本.\n通常有一個很快的速算算法, 附加費用五年成本按照算力服務器價格1:1計算. 也就是説280w的H100, 五年期內帶上其它費用的總計成本為560w.\n1.3 簡單計算一下ROI\n總體按照五年來算, 按照100%售賣率估計收入為450W, 五年辛辛苦苦的虧損了110W....其實在財務上有很多手段來調整利潤, 我們這一章節採用最簡單的直線折舊法按照五年折舊來計算, 這也是SemiAnalysis的折舊計算法方法, 也就是平均每年的運營成本為112W. 這樣來看, 第一年的收入為20x12=240w, 利潤率很高. 第二年基本持平, 第三年往後開始就虧損很大了...\n那麼為了彌補第三年的虧損, 很簡單的一個做法就是再搞一個規模更大的B系列集羣, 在第三年的時候用新的卡的利潤來填補H卡的虧損.. 然後再過兩年再用更大規模的R卡來填補B卡的虧損. 只要規模(槓桿)繼續擴大, 虧損就可以往後藏很多年...但是前提是算力的需求能跟上這樣的節奏...\n\n其實這裏就隱含了一個風險, 即期虧損可以通過更大規模的新的算力的利潤來填補, 例如搞了10萬卡的H100, 然後到第三年財務上要出現虧損了, 可以再搞40萬卡的B200, 然後40萬卡的B200即期利潤可以把H100的虧損攤銷掉. 但是同樣再過三年B200的虧損又要拿更大規模的R卡的攤銷, 實際的虧損隱藏掉延後... 直到有一天爆雷.\n\n2. 談談SemiAnalysis報告的問題\n我們先來看看SemiAnalysis對於Oracle的分析, 再詳細的展開進行一些分析.\n\n總共40萬片GB200, 摺合5555台NVL72的機櫃, 單機72卡售價的售價在3M USD, 累計成本為16B USD. Hosting Cost就是在前文1.2章節闡述過的, 網絡/存儲/製冷/安保/數據中心的機櫃佔用等成本. 然後就是電費. 這兩項費用上考慮了通脹和資源緊缺的因素, 逐年費用上漲... SA在計算安裝維修這些成本時, 實際上是偏低的. \n另一方面由於整個集羣220億美金的開銷, 因此需要一定程度的孖展, 因此帶來了一些利息的支出, 通常的做法是自建數據中心, 然後賣給金融機構後再回租的方式來降低數據中心建設的資金佔用, 同時還有一些算力服務器也可以構成抵押品, 但是抵押物自身的價值變動帶來的抵押品價值波動風險, 抵押品變現等帶來的費用, 利率變化, 殘值風險等都沒有考慮.後面一個章節我們將詳細展開.\n從SA的這個表來看, Margin還是很不錯的. 但是需要質疑的其收入的估算可能有一些問題. 按照2.6USD/hr/GPU計算, 2.6x0.4Mx24x365= 9110M USD. 也就是説SA的估計是100%售賣率的情況下, 對於硬件故障維修導致的租金損失沒有計算, 實際為了滿足SLA需要一定比例的備份機器沒有計算, SLA導致的違約賠償沒有計算, 租賃合同中的信用風險敞口等沒有計算. 特別是後續價格雪崩後導致的退租風險等...即這部分需要考慮到信用風險...\n例如這些損失定價計算疊加售賣率維修等影響, 實際上很有可能會導致Margin為負...\n還有一部分是折舊的計算. 只採用了直線折舊法, 在一些針對所得税的處理上, 美國允許對摺舊進行税收減免. 折舊算法基於 Modified Accelerated Cost Recovery System (MACRS)[2]. 而服務器通常歸類為5-year property. 加速折舊法的比例如下所示:\n\n在這樣的方式下也會帶來一些風險, 特別是自身經營狀況導致的信用變化又會使得再孖展成本增高...\n3. GPU雲的經營風險\n在FRM(Financial Risk Manager)定義的風險類別如下:\n\n\n\n市場風險(Market Risk)*\n\n\n信用風險 (Credit Risk)*\n\n\n操作風險 (Operational Risk)*\n\n\n流動性風險 (Liquidity Risk)*\n\n\n模型風險(Model Risk)\n\n\n法律風險 (Legal Risk)\n\n\n聲譽風險 (Reputation Risk)\n\n\n戰略風險 (Strategic Risk)\n\n\n監管風險 (Regulatory Risk)\n\n\n系統性風險 (Systemic Risk)\n\n\n\n我們對於GPU雲的經營風險來看 ,主要集中在打星號的這幾塊. 當然對於租賃模式下的信用風險溢價後也會引入相應的模型風險. 我們將分別對這些風險進行闡述.\n需要注意的是AWS對於雲計算業務一直有六大支柱的闡述: 彈性, 安全, 性能, 成本, 穩定, 可持續. 實質上也是在針對前述的風險管理進行闡述.\n\n基於這些視角下, 為什麼AWS會選擇定製自己的GB200... 也有很多考慮.. 而Google則是採購了大量的B200沒有選擇GB200, 也有它業務上風險管理的考慮, 以前寫過一篇文章可以讀一下\n《AWS Re:Invent 從AWS CTO演講的教訓看AI雲基礎設施架構》\n3.1 市場風險\n市場風險主要有幾塊, 首先是利率風險, 由於整個基礎設施建設的費用中有很大一部分資金採用孖展租賃的方式, 浮動利率租賃合同中利率變化的會帶來影響, 另一方面不同期限的利率變化也對孖展成本帶來一定的影響. 另一方面是殘值風險, 租賃合同周期對於資產的價值在周期內的評估會產生影響. 另一方面是技術淘汰風險, 例如新的Rubin卡出來後將會導致抵押品殘值迅速下跌, 從而進一步影響, 要麼提前償還資金, 要麼補充抵押品...\n另一方面, 隨着市場租賃價格的變化, 例如OpenAI可能提前解約帶來一定程度上的退租風險和重定價風險, 當然這一部分風險我們將其歸類到下一節中的信用風險.\n3.2 信用風險\n信用風險主要包括以下幾個方面:\n\n\n\n違約風險：交易對手無法履行義務的風險\n\n\n信用價差風險：信用利差變化帶來的風險\n\n\n降級風險：信用評級下調的風險\n\n\n集中度風險：過度集中於某些交易對手的風險\n\n\n國家風險：特定國家的政治經濟風險\n\n\n\n對於這種大規模集羣, 大客户就那麼一兩家, 因此租户集中度風險是存在的. 然後承租人交易合同來看, 由於算力價格的波動, 承租人自身有提前解約的風險, 然後這些租賃合同又沒有足夠的擔保. 承租人自身的信用也存在風險, 例如OAI被Meta挖人後, 以及應對Anthropic和Google Gemini的競爭下, 自身信用也有風險...它未來是否能夠完全償付租金是一個值得商榷的話題.\n對比國內某些大模型廠家已經逐漸掉隊, 然後開始退卡賣卡等... 退租後的這些算力如何變現? 通常應對這些風險的方法是降低租賃客户集中度和提供更好的多租支持能力.\n最後, 還有因為中美特定政治關係影響, 導致GPU無法採購, 無法按時交付帶來的違約風險等...\n對於信用風險的量化建模通常包含三個量化指標\n\n\n\nPD (違約概率)：承租人在特定時間內違約的概率\n\n\nLGD (違約損失率)：違約發生時的損失比例\n\n\nEAD (違約風險敞口)：違約時的風險暴露金額\n\n\n\n然後我們就可以計算出Expected Loss = EAD x PD x LGD獲得, 並且這些Expected Loss需要考慮到整個ROI模型中, 這也是國內很多線下算力中心最近一段時間遇到很多經營上問題的原因. 下圖是幾年前給小夥伴講Vasicek Model計算, 雖然是Bassel中針對監管資本的計算, 但某種程度上可以借鑑用於算力租賃的信用風險的量化分析.\n\n3.3 操作風險\n操作風險主要包含如下幾個方面\n\n\n\n內部欺詐：員工的欺詐行為\n\n\n外部欺詐：第三方的欺詐行為\n\n\n就業實務和工作場所安全\n\n\n客户、產品和業務實務\n\n\n有形資產損失\n\n\n業務中斷和系統故障\n\n\n執行、交付和流程管理\n\n\n\n這一部分就是AWS在雲計算六大支柱中談到的安全和穩定. 最容易理解的是, 例如OAI的訓練中的模型數據泄漏導致的安全問題, 數據中心內高功耗情況下的散熱/供電等帶來的安全隱患. 這些會帶來相應的賠償風險,\n另一方面, 對於性能是否滿足SLA, 資產本身的故障率等, 通常都會在租賃合同中有相應的條款, 例如有效訓練時長低於95%, 訓練MFU由於通信網絡的問題低於xx%, 推理模型加載時長不能超過xxx, 存儲在小文件高IOPS情況下的性能不低於xxx, 都有相應的條款約定. 當這些無法滿足時, 可能會導致潛在的退租風險.\n另一方面還有些法律合規風險等, 例如合同條款風險：租賃合同條款不完善或執行困難, 法規變更風險：相關法律法規變化對業務的影響..\n3.4 流動性風險\n其實流動性風險才是整個雲經營管理的重點,  Berkeley在2009年談論雲計算時, 有一篇著名的論文：《Above the Clouds: A Berkeley View of Cloud Computing》講述了6點\n\n\n從金融的角度來看, 前兩條講的是算力要有剛性兑付, 第三條講的是算力的租賃關係, 第四條到第六條講的是類似於金融機構的雲計算算力機構的經營管理. 實質上這幾點詮釋了雲計算如何為算力上槓杆的邏輯, 以及如何提供流動性.\n\n例如前兩條, 談論了流動性風險中, 由於無法兑付客户的算力需求而產生的風險. 當然在GPU本身供應受HBM和COWOS產能制約時, 還有一種故意製造流動性溢價的方法.\n新的算力剛出來的時候, 由於流動性緊張, 其租賃價格通常會非常高, 例如GB200整機櫃按照2.6美金/每卡/每小時計算單月租金為13.4W USD, 但是現在很多GB200的租賃價格超過8美金, 則整機櫃價格高於40W美金, 但這僅限於少數幾個機櫃的臨時租賃價格, 長租的合同價格還是偏低.\n對於Oracle/Coreweave而言, 他們採用Nvidia-Only的策略, 這種單一採購可以在生產排期過程中, 通過更高的預付款和綁定協議能夠儘早的拿到貨, 享受到初期的流動性溢價紅利以及更低的購買價格. 同時買的越多, 就越能夠在市場上製造流動性緊張的局面, 獲得更高的溢價租賃合同.\n而對於AWS/GCP/Azure則同時押注於自研ASIC和商用GPU, 對於一個成熟的大體量的雲, 他們並不會很在意去製造一些流動性的問題, 從而對自己的長期經營帶來很大的風險. 其實這一點上Azure在H卡上過於冒進的做法已經開始嚐到惡果了, OpenAI和Oracle的Stargate項目, 某種意義上來説就給Azure帶來了很大的經營壓力, 所以今年5月裁員6000人後, 最近又準備裁員9000人...\n除了這些由於資金和市場引起的流動性風險外, 還有一些現金流的風險. 過度集中的大客户使得雲計算業務面臨的風險也非常大, 租金收入的時間性和確定性風險受到單個客户違約的風險影響也很大, 另一方面過高的槓桿使得這樣的雲計算平台自身再孖展也會出現一些風險...\n\n下一章我們會詳細來談談如何避免信用風險和流動性風險, 即為什麼雲計算需要把彈性放在第一位.\n\n3.5 其它重要風險\n除此之外, 對於一個雲計算公司實體, 還需要考慮如下一些風險:\n法律風險：法律環境變化帶來的風險 聲譽風險：負面事件對機構聲譽的影響 戰略風險：戰略決策失誤的風險 監管風險：監管政策變化的風險 系統性風險：整個金融系統面臨的風險\n例如最近的一些充電寶事件, 由於供應商的問題,導致自身的經營出現重大停滯甚至倒閉的風險都屬於這一類, 例如交換機/光纖等頻繁故障, CDU失效導致的過熱損失和機房潛在的漏液等停運的風險, 或者管控平面/存儲集羣故障導致的數據丟失和整個數據中心停運的風險等, 這些風險直接就會產生聲譽風險.\n另一方面對於非美資的雲還有可能面臨中美關係的影響承受一些法律風險和監管風險等, 這些都需要考慮. 當然這些不是全文的重點闡述的內容.\n4. 如何避免GPU雲的經營風險\n一般的經營過程中, 為了避免經營風險的管理手段無非就是開源節流, 我們首先來談一下常見的節流手段, 即成本管理, 然後再來談一些雲計算特有的彈性多租, 然後再進一步擴展到對PaaS和MaaS的一些討論. 最後還有一些經營上的資金流動性, 算力資產證券化的視角.\n4.1 運營成本管理: 「白盒雲是雲麼?」\n這是線下IDC機房和雲計算共有的, 例如更大的採購量和預付款以及獨家運營條款等可以降低採購成本. 然後同時直接向OEM採購避免從DELL/SuperMicro採購又會獲得一定程度上的降本優勢, 甚至是採用自研定製服務器的方式節省一些成本. 網絡上也採用白盒交換機和一些根據某些workload垂直優化的拓撲結構來降低網絡成本, 當然這些操作有利有弊, 例如AWS和GCP對於GPU互連的ScaleOut網絡都有自己的考慮...\n另一方面其實是Nvidia自身作為一個設備提供商, 他們眼裏的AI Cloud和AI Factory的認知是有問題的, 即便是他們也在做一些BlueField一類的DPU, 對於雲的彈性多租和軟件的護城河理解還是不夠深刻. 像Oracle這樣的雲現階段很大程度上還是以裸金屬交付為主, 軟件上的護城河相對來説是有缺陷的. 例如SA的分析中也提到這個問題:\n\n在大型合同的競爭中, 並不存在軟件層面的護城河。我們開始看到一些早期跡象, 表明大型 AI 客户正在採用更多的軟件層服務, 例如 OpenAI 可能正在採用 Coreweave 提供的託管 Kubernetes 服務。但總體而言, 我們認為這些還不足以構建一個可持續的護城河。\n\n\n因此, 即便是採用白盒化的基礎設施, 看上去通過規模效應降低了成本, 但是它的競爭力僅限於通過財務槓桿帶來的一些流動性緊張時的溢價, 當流動性氾濫時, 或者其它玩家高槓杆進入這個市場後, 沒有軟件的護城河的白盒雲並不能稱為雲. 那麼軟件的護城河在哪? 最近Oracle在sglang裏面做出了很多非常高質量的貢獻, 另一方面是往PAAS和MAAS拓展, 這些問題我們將在稍後的章節闡述.\n\n4.2 彈性: 避免信用風險和流動性風險的良藥\n在3.2中我們談到了信用風險, 主要是大客户過於集中而產生的集中度風險, 另一方面是由於算力價格本身的波動和新技術的引入導致的提前退租而產生的違約風險, 或者是這些大客户本身的營收狀況存在的信用風險等.\n通常Blackwell這些卡剛出來的一年, 由於供應相對緊張和大客户本身有在更好的算力下進行大規模訓練的需求, 平均售價和售賣率都能得到保障. 流動性溢價通常在第二年開始逐漸消失了, 隨着價格的雪崩大客户本身也有一定的退租風險, 因此對於GPU雲來説就產生了經營性風險. 例如最近一些線下機房經常會在小紅書上有這樣的帖子\n\n我們還是以經發生過的一些事情舉例, 以H100為例來談談彈性的重要性...\nH100單機成本是280w RMB, 配上網絡和五年的電費運維費用差不多接近500w, 除以60個月, 那麼每月的售價就是8.3w才能保本賣鐵. 第一年供應緊張的時候, 單月租金可以做到12w以上... 這樣第一年計提8.3w每月的成本, 淨利潤就是3.7w每月.  然而隨着B200這些卡出來, 現在H100的租金降到4.3W一個月, 也就是説第二年開始平均每台機器要每月虧損4w.\n彈性的重要性在供應相對充足的時候就算的過來了, 例如此時的H100不採用包年包月, 而是短期租賃,  例如每卡15塊錢一個小時, 有些客户一天就用8個小時, 這樣他看到的每月成本是2.8w, 比包年包月要低, 而剩餘的16個小時, 其它客户用或者搶佔式實例按照單卡7.5元一小時定價, 也可以類似把整個月的收入做到6w以上, 然後配合資產加速折舊的算法, 可以保證相對穩定的現金流.\n其實這就是一筆彈性的賬. 可惜很多人只看到了第一年, 只看到了包年包月...  經營的風險是錯期發生的, 前期成本計提不足, 然後又瘋狂的上槓杆上規模, 後期自然就會遇到這些問題.\n\n雲計算彈性多租是和線下IDC機房的本質區別, 上面這個例子也就顯示了雲計算彈性提高社會效率, 提供普惠的算力資源的能力. 從用户的角度而言, 他只根據自己的使用時長付費, 相對於包年包月節省了費用, 而云又通過資源複用售賣, 提高了銷售利潤.\n\n這也是2009年Berkeley在Cloud economic 101中談到的. 特別是在大規模推理場景下, 存在明顯的需求變化時,\n\n並且當它服務於大量的多個租户時, 資產租賃集中度顯著下降了, 相應的信用風險也下降了. 但是另一方面也對流動性風險管理提出了更高的需求.按照峯值資源預留將會產生很大的浪費. 而當資源預留低於峯值需求時又會丟失客户, 因此我們需要能夠將服務器本身更加快速靈活的給不同客户使用, 並按需的提供流動性.\n\n所以為什麼阿里雲和AWS要推出基於CIPU和Nitro的彈性裸金屬服務器, 它和普通的裸金屬服務器的實質區別就在彈性上. 所以真正的GPU雲並不是建設一個大集羣去裸金屬交付售賣和大客户簽訂長期的包年包月合同, 而是將算力本身商品化, 既能滿足大客户的流動性(按需彈性)需求, 又能靈活滿足大量中小客户的需求\n\n最近一段時間看到AWS也在做出一些類似的描述:\n\n因此你會看到AWS並不急於上線GB200, 而是需要完全定製自己的GB200機櫃, 通過Nitro構建一個通用的網絡, 避免專網誘惑.\n\n這裏其實暗含了一個標準化算力服務的需求, 通過標準化的算力來提高流動性, 避免流動性風險, 也就是説:\n做大規模, 公共雲優先, 標準化算力是提供高質量流動性的必然出路\n流動性風險管理是指銀行應避免各種業務品種在某一特定的時期風險過分集中和業務中產生的資金流量缺口風險。同時必須考慮自身財務狀況惡化時, 被交易對手要求提前終止安排或提高信用安排時所需要的孖展來源。那麼雲計算機構的流動性管理和庫存調度如何能夠更好的匹配算力的彈性需求? 簡而言之規模越大流動性越好, 流動性成本越低。做大規模, 公共雲優先才是一條正路, 簡單的來説就像四大行對其它股份制銀行或者農商行.\n另一方面是來自於交易模式上, 用户自服務的方式而不是線下議價合同的方式將會更好的釋放流動性, 當然短期內在流動性缺乏時也會存在一些做市商那樣的去間接提供流動性, 但最終充分的彈性用雲和大規模的流動性供應上,會在雙方提供大量的流動性.\n事實上在傳統金融領域, 對於孖展租賃業務通常是要求有適當的擔保抵押和保險來轉移風險的, 而對於算力服務而言, 這樣的大客户租賃, 事實上對於退租違約金的償付等還是有很大一部分成本沒有納入考量的. 當它們大規模釋放這些計算實例後, 雲如何將他們拆散了避免資源閒置和低售賣率風險是值得我們深思的...\n4.3 彈性視角下的性能\n彈性多租户的情況下通常會帶來一些虛擬化的開銷, 因此既要滿足虛擬化給客户按需提供資源, 又要滿足客户的性能需求, 不至於因為性能損失而產生算力資源折價售賣的影響. 如何保證零損耗的虛擬化成為關鍵技術. 例如阿里雲的CIPU在存儲上的能夠和物理機提供完全一致甚至更高的性能(隔壁友商好像還是只有2x GB/s)\n\n同時我們為什麼要做彈性RDMA, 也是基於這個視角. 特別是在推理場景下和一些Agent MCP場景下, 提供統一的網絡接入, 又維持E2E和獨立的RDMA網絡相同的性能.\n\n4.4 彈性視角下的安全和穩定\n當我們經營模式從傳統的單租賣大客户, 演化到彈性多租的時候, 有幾個潛在的問題需要考慮. 也就是前面談到的一些操作風險相關的內容.\n首先我們需要保證用户的數據安全, 計算環境的安全可信. 同時在服務器出現問題後, 儘可能的降低維護成本和宕機對客户的感知. 在這個視角下需要做很多工作, 如下圖所示:\n例如整個數據鏈路的校驗/加密/隔離, 安全可信根, 還有特別重要的熱遷移能力. 當預測到故障時, 能夠在客户儘量不感知的情況下將計算實例遷移到其它主機是非常重要的, 另一方面是基於調度視角的熱遷移, 對資源碎片進行整理能夠滿足不同規格的用户需求... 而在這一塊, 全球唯一能夠做到RDMA熱遷移的只有阿里雲CIPU, 而Nvidia BF3 DPU在安全/熱遷移等多個場景下還有很多問題...他們的Lossless RDMA也在彈性多租下遇到很多挑戰.\n5. 彈性視角下的算力證券化\n\n算力證券化=計算實例按照標準化的倉單交付\n\n雲計算的實質是一種孖展租賃的業務模式, 孖展租賃在FRM框架中被視為一種複合型金融產品, 其風險管理需要綜合考慮信用、市場、操作等多重風險因素, 而它自身的技術性壁壘下, 經營者很少對這些風險有足夠的認知, 也就是SemiAnalysis分析出來有很好的ROI, 但是按照H系列卡的實際營收來看反而會出現虧損的原因.\n雲的彈性經營實質是在規避信用、市場、操作等多重風險, 前述章節已經講過了. 而算力彈性售賣的核心邏輯是算力證券化, 即需要以標準化的方式提供算力, 標準化算力的交付物一方面需要維持計算實例上的標準化交付,即IaaS層的算力證券化, 説一個非標交付的例子, 例如AWS並沒有標準的RDMA RC Verbs兼容的接口, 在3FS/DeepEP IBGDA/Mooncake這些生態出現後, 傳統的基於NCCL插件適配的非標生態直接導致了一系列問題. 而你會看到阿里雲的eRDMA和Google Falcon都採用標準RC交付, 這就是在IaaS層為什麼要強調標準化接口的原因.\n另一方面還需要提供完善的PaaS和MaaS能力, 即以API或者token作為標準化算力的交付物.\n\n因此整個算力證券化的過程是分層交付的, 標準化的交付避免複雜的租賃合同, 使得按需獲取彈性使用成為可能. 算力使用者將一些風險轉嫁給了雲, 而云又通過各種靈活的定價策略和銷售策略使得資源能夠被更多的算力使用者消費, 從而整體上提高了社會效率, 降低了整個算力使用的成本, 實現了計算資源的普惠供應.\n當然在PaaS和MaaS上, 還有很多可以進一步提高彈性的空間, 例如隔壁友商有一篇文章在説傳統雲還在[賣鐵], 下一代雲已經在[鍊鋼], 然後是不是馬上要大躍進了呢?\n\n實際上從前面四個章節的分析, 傳統雲能盈利的都不是賣鐵, 有太多的經營上的細節, 歸根結底就是彈性, 以及圍繞着彈性的安全/穩定/性能/成本的考慮, 這才是雲計算的全貌, 脱離這些就真的是賣鐵了...例如那個籤大單大躍進賣裸金屬的Oracle...\n當然, 有些財務上的虧損可以通過比較好的手段隱藏, 例如前文所述的, 在H100卡第三年產生的虧損通過更大規模的B卡首年利潤來隱藏, 將虧損進一步向後順延.  談到B卡順便吐個槽, 實際上最近SGLang的一些優化和很多仿真分析都可以得出一個結論, GB200-NVL72的實際性能大概是H100的3倍左右.\n\n那麼即便是對於當前的推理模型, GB200的實際定價參考H100 1美元/每卡/每小時應該也就是 3美元/每卡/每小時, 至少在推理場景下B卡的高溢價並不存在, 相反H100更小的規格還能做出在MaaS層的彈性調度能力... 這筆賣鐵的賬真的挺難算的....即便是鍊鋼也挺難的...因為流動性的溢價在推理場景下被前一代卡壓住了...\n參考資料：\nHow Oracle Is Winning the AI Compute Market: https://semianalysis.com/2025/06/30/how-oracle-is-winning-the-ai-compute-market/\nMACRS: https://en.wikipedia.org/wiki/MACRS\n本文作者：zarbot，來源：zarbot，原文標題：《談談GPU雲的經營風險和流動性管理》風險提示及免責條款\n\n            市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。","kind":"news","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"symbols":[],"gpt_button":0,"need_auth":false,"code":"91000000","status":"200"}}}