ai产业链

买下三年 GPU，如何保留退出的自由？SF Compute 的可编程数据中心

信源：Latent Space｜Evan Conrad（SF Compute CEO）访谈《The Programmable Data Center》｜2026-10-20

一家 AI 公司可能需要三年稳定的算力，却无法确定三个月后会使用多少 GPU。训练计划会推迟，模型架构会改变，推理流量也会波动。但供应商建设集群时，又需要长期订单来支持融资。双方都合理，签下的合同却常常把需求变化的风险留给买方。

SF Compute 想给这份长期承诺加上一条退出通道：先买下需要的容量，之后把不用的时段卖给别人。Evan Conrad 在访谈中讲出的关键，是这条通道必须一路修到数据中心内部。合同可以重新成交，机器也必须能重新分配，网络需要重新组织，下一位客户才能接着运行任务。

这使“可编程数据中心”有了比自动化运维更深的意义：它让长期采购变得可调整，有机会降低客户提前锁定算力的风险，并改善新集群获得融资的条件。技术与金融，在这里通过同一件事连接起来——一份算力承诺究竟能否可靠地交给下一个使用者。

Conrad 的创业经历很能说明问题。他们最初只是想转租自己的集群，后来发现，买方要求的远不止一张 GPU 清单。机器能否稳定运行，固件有没有问题，网络如何配置，故障由谁处理，都必须有人负责。为了完成交易，团队逐步接管了相当完整的云运营工作。

他把这叫作“实物交割”。对算力来说，交割并不意味着把服务器搬给买方，而是让买方在约定时间获得符合条件、能够运行任务的计算资源。交易系统的承诺，要由供电、服务器、网络、存储和软件共同兑现。

难点首先在于，两份写着相同 GPU 型号的合同，可能交付很不一样的结果。显存决定模型能否装下，互联决定多卡协同的效率，虚拟化和固件影响执行表现，存储决定任务中断后恢复有多快。仅按峰值 FLOPS 把它们换算成一种“标准算力”，会丢掉客户最在意的条件。

SF Compute 因此采用带约束的订单匹配：买方可以指定硬件、时间窗口和价格等要求，再寻找符合条件的供给。它接受市场暂时不够标准化的现实，代价则是流动性被分散在不同组合里。要求越具体，可替代的卖方越少，买卖之间就越难形成紧密报价。

这里出现了一种值得重视的软件能力：让任务适应更多硬件和时段，可以直接扩大采购选择。批量推理能等待，部分实验可以暂停，它们就有机会购买更便宜的容量；在线服务需要持续响应，则必须为连续性付钱。软件的灵活性开始拥有可以通过采购成本体现的经济价值。

但“可以暂停”并不等于“暂停没有成本”。任务要保存状态，重新启动要占用时间，跨集群迁移还可能搬运大量数据。只有算力差价足以覆盖迁移、恢复与延误的代价，换地方运行才划算。高吞吐存储和跨站点网络，由此成为扩大可交易算力范围的条件。这里涉及的是任务恢复和数据迁移，不能直接理解为把远隔两地的 GPU 拼成同一个低延迟训练集群。

访谈末尾提到的 InfiniBand 分区，正好把这条逻辑落到了具体产品上。SF Compute 在 9 月发布的公开预览功能，允许客户通过接口为物理共址的实例创建隔离网络，并把新增实例加入相应分区。平台通过 NVIDIA UFM 管理成员，由网络硬件执行隔离。

这项功能减少了扩缩容时重新协调网络配置的工作。如果客户买到了更多 GPU，却还要等待人工调整互联，交易速度就无法变成实际使用速度。把资源购买与网络配置接起来，才能让一组 GPU 从账面上的可用容量，变成客户能及时接手的集群。它仍受物理位置和网络结构限制，却让这些限制以内的资源更容易重新分配。

转售的经济效果也已有早期披露。Conrad 在访谈中称，客户每购买 100 美元算力，平均可通过转售收回约 25 美元；公司 9 月的说明给出了同一口径。这是平台客户的平均回款描述，不能当作每位买家的保证折扣，也不代表芯片本身便宜了四分之一。它说明原先可能闲置的使用权，找到了另一个愿意付费的人。

比回收零散闲置时间更重要的，是能够提前出售整个未来窗口。一个团队预订了下个月的大集群，如果数据准备推迟，可以在开始前挂牌转售。这通常比临近开机才寻找买家更有余地，也不必打断正在运行的任务。客户购买长期容量时，因而多了一种调整计划的办法。

这种安排能够影响融资，是因为供需双方的时间尺度不同。公司 9 月公告披露，与一家 AI 企业签署了涉及两个 B300 集群、合计 2.45 亿美元的合同，两份协议各为 36 个月。这是多年合同金额，不能算成当期收入，却说明长期承诺在集群商业模式中仍占重要位置。

如果买方相信未来能够以合理价格转售，它就可能更愿意提前承诺；供应商获得更明确的需求，贷款人也更容易评估现金流。SF Compute 所追求的远期交易曲线，正是要把这种可调整性延伸到更远的交付日期。融资成本能下降多少，仍取决于成交深度、履约质量和买方信用，交易界面本身无法给出答案。

算力还有一个让市场格外难做的属性：未使用的时间会直接消失。今天闲置的一小时，不能存到明天再卖。因此，临近交付但尚未售出的容量，可能需要降价；未来供给紧张时，买方又可能愿意为提前锁定容量支付溢价。芯片升级和未来供给扩张还会改变更远期的价格预期。几种力量叠加，意味着算力价格曲线未必单调上升或下降。

这也是访谈中那组推理收入与 GPU 租金对比需要谨慎理解的原因。Conrad 提到 B300 的推理收入潜力明显高于租赁价格，但没有提供足够完整的模型、吞吐、售价和需求条件。能运行推理，并不等于能够持续卖出全部产出。采购与销售之间仍隔着客户获取、调度、服务质量和利用率，不能把差额直接视为无风险利润。

同样，如果一个算力价格指数没有充分反映硬件、地点、交付窗口和服务条件，围绕它建立的金融合约也可能无法对冲企业的真实采购成本：指数跌了，企业需要的那种集群却依然昂贵。Conrad 主张先完善实物交割，再发展现金结算，其合理之处就在于，让价格尽量锚定可获得的资源。

他还认为，拥有大量硬件或推理业务的公司，很难充当各方信任的中立交易平台。这是 SF Compute 的战略判断，而非 NVIDIA 或云厂商不能进入的定律。独立平台确实更容易避免偏袒自家库存的疑虑，但不持有硬件，也不能自动消除信息优势和利益冲突。中立性最终要体现在撮合规则、信息披露和履约安排中。

这条路线最有吸引力的地方，是把资产所有权、集群运营和客户使用权逐步拆开。有电力和资本的一方可以持有设施，专业团队负责把它运营成可交付的算力，使用者按任务购买并调整容量。更多供给由此可能进入市场，但平台也必须承担遍布不同机房的工程复杂度；不买 GPU，并不意味着这是一门轻松的软件生意。

它的边界也很明确：转售能缓解个别客户需求变化的损失，却无法消除全行业同时减少采购的风险。大家一起卖出闲置时段时，价格仍会下跌。判断这个市场是否成熟，需要看需求转弱时，资源还能以多大折价、在多长时间内找到下一位买家。

因此，SF Compute 最值得跟踪的进展，是可转售容量扩大以后，交接是否依然可靠、成交是否仍然顺畅。数据中心越能快速调整资源归属和网络配置，长期承诺就越有机会获得一个有效的退出价格。对下一轮 AI 基础设施建设而言，这个价格可能和购买 GPU 时拿到的折扣一样重要。