От пшеницы к чипам: неочевидная параллель
На протяжении нескольких лет, выстраивая функции цепи поставок и закупок для глобальной сети общественного питания в 25 странах, наша команда внедряла различные математические модели ценового хеджирования сырьевых товаров — фьючерсы, форварды и биржевые опционы на пшеницу, молочную продукцию и упаковочные материалы. Цель всегда была одна: снизить скорректированную на риск стоимость, а не только номинальную, когда предложение непредсказуемо, а спрос волатилен.
Один из фреймворков, который мы разработали, — модель EFOS (Extended Forward-Option-Spot, расширенная модель «форвард — опцион — спот») — был создан специально для ситуаций, когда спотовое предложение упирается в жёсткий потолок мощностей, а неопределённость выхода годных изделий нелинейно усиливает закупочные затраты.
Я прогнал эту модель через параметры закупок ГПУ. Картина оказалась обескураживающе знакомой.
Фреймворк FOS в переводе на рынок чипов
Классические закупки сырьевых товаров различают три инструмента.
Форвард (Ф) — обязательство за 12–18 месяцев вперёд по фиксированной цене. Вы фиксируете объём и принимаете на себя объёмный риск.
Опцион (О) — вы платите премию за право, но не обязательство, купить по установленной цене. Гибкость имеет свою стоимость.
Спот (С) — вы покупаете по рыночной цене в момент необходимости. Максимальная гибкость, максимальный ценовой риск.
В общественном питании эти инструменты напрямую применяются к сельскохозяйственному сырью. В закупках ГПУ перевод столь же точный: большинство команд, закупающих оборудование для центров обработки данных, относятся к покупке ГПУ преимущественно как к спотовой задаче. Это та же ошибка, которую совершали операторы в общественном питании до того, как хеджирование сырьевых рисков стало стандартной практикой — с теми же последствиями.
Расширение, которое меняет всё
Стандартные модели FOS предполагают неограниченность спотового предложения по спотовой цене. Реальные рынки так не работают.
В общественном питании мы наблюдали: спотовое предложение по ограниченным позициям имеет жёсткий потолок мощностей — C_spot — после которого цены растут не линейно, а скачкообразно. Мы назвали это «обрывом предложения».
В закупках ГПУ аналогичным ограничением является мощность TSMC по финальной упаковке чипов — этапу, на котором кристалл ГПУ совмещается с высокоскоростной памятью в единый модуль. Это физическое узкое место, которое ограничивает производство H100/B200 независимо от того, сколько кристаллов произведено. Когда спрос превышает C_spot, закупочные затраты не растут на 10–20%. Они прыгают на 40–60% за одну ночь или предложение попросту исчезает.
Мы расширили модель двумя параметрами.
β ~ Beta(α, γ) — стохастический коэффициент выхода годных изделий. В общественном питании — доля дефектного сырья. В закупках ГПУ — вариабельность выхода на этапе финальной упаковки у TSMC плюс результаты сортировки чипов (доля произведённых чипов, соответствующих спецификации H100 против H800 против брака). β — не фиксированная величина, она подчиняется вероятностному распределению.
C_spot — жёсткий потолок мощностей. Когда спрос × (1 + неопределённость) превышает C_spot, эффективная стоимость растёт нелинейно.
Функция эффективной спотовой стоимости в модели EFOS:
P_eff(s, β) = s/(1−β) + c_exp · β/(1−β)
Где s — спотовая цена, c_exp — экстренная надбавка при закупке за пределами C_spot. Это то, что мы называем «множителем лимонов»: неопределённость выхода не просто сокращает эффективное предложение — она усиливает стоимость каждой дополнительной единицы.
Результаты моделирования методом Монте-Карло
При 100 000 итерациях модель показывает следующее: портфельный подход с форвардным и опционным траншами обходится на 6% дороже по номинальной стоимости — и при этом устраняет 29% хвостового риска.
Любой финансовый директор, управлявший сырьевыми рисками, понимает этот компромисс интуитивно. Команды закупок ГПУ — многие из которых имеют опыт в разработке программного обеспечения или финансах — зачастую нет.
Азиатско-тихоокеанское измерение
Цепь поставок ГПУ имеет специфическую географическую структуру, которая усиливает эту динамику для операторов, работающих в Азиатско-Тихоокеанском регионе.
Производственные мощности TSMC по упаковке чипов сосредоточены на Тайване. Основной канал распределения идёт через отдел продаж NVIDIA в Санта-Кларе. Азиатско-тихоокеанские дочерние компании — будь то гипермасштабные провайдеры облачных услуг, государственные программы в области искусственного интеллекта или корпоративные покупатели — по умолчанию находятся в конце очереди.
Это создаёт структурное ограничение C_spot для покупателей в регионе, которого нет у американских контрагентов: эффективный спотовый объём, доступный покупателю из Сингапура или Токио, меньше не потому, что мировое производство недостаточно, а потому что архитектура распределения центро-ориентирована.
Практические следствия для стратегии закупок:
Форвардные контракты становятся непропорционально ценными. Возможность зафиксировать объём за 12–18 месяцев вперёд стоит дороже, когда спотовый доступ структурно ограничен.
Отношения с локальными производителями важнее цены. Партнёрства с азиатскими производителями оригинальных устройств — Quanta, Wistron, Foxconn — обеспечивают дополнительный канал распределения, частично обходящий основное ограничение.
Региональная волатильность коррелирует с геополитическими событиями. Риск в Тайваньском проливе для азиатско-тихоокеанских покупателей — не «чёрный лебедь». Это коррелированное событие хвоста распределения, которое должно явно присутствовать в параметрах распределения β.
Практические рекомендации
Для любой организации, управляющей закупками ГПУ в масштабе — будь то гипермасштабный провайдер, государственный фонд развития искусственного интеллекта или крупная корпорация.
Выстройте многоуровневый портфель закупок. Явно распределяйте транши по форвардным, опционным и спотовым инструментам. Не позволяйте структуре портфеля складываться стихийно.
Моделируйте β — не игнорируйте его. Относитесь к неопределённости выхода годных изделий как к вероятностному входному параметру, а не к фиксированному допущению. Если собственных данных нет, квартальные раскрытия TSMC — отправная точка.
Знайте свой C_spot до того, как он вам понадобится. Потолок мощностей реален, цикличен и поддаётся прогнозированию. Составляйте его карту ежегодно.
Оценивайте скорректированную на риск стоимость, а не номинальную. Условный стоимостный риск на уровне 95-го процентиля — вот что важно для планирования капитала. Номинальная стоимость — то, что вы показываете финансовым командам, которые не прошли через сырьевой шок.
Покупателям в Азиатско-Тихоокеанском регионе: закладывайте структурный дисконт к спотовой доступности. Моделируйте эффективный C_spot на уровне 60–70% от глобального C_spot для географических рынков с ограниченным распределением.
Заключение
У Миллера в «Войне чипов» есть фраза, к которой я возвращаюсь снова и снова: «Весь свод современной цивилизации работает на кремнии, произведённом в горстке фабрик».
Закупочное следствие этой фразы — именно то, для чего была создана модель EFOS: жёсткие потолки предложения, стохастический выход годных изделий и нелинейный рост стоимости при попытке пробить этот потолок.
Индустрия общественного питания и полупроводниковая промышленность внешне ничем не похожи друг на друга. Но математика закупок в условиях ограниченного предложения безразлична к тому, какая именно позиция номенклатуры стоит в спецификации.
Если вы управляете расходами на ГПУ в масштабе — а всё больше организаций оказываются именно в этом положении, — вопрос не в том, нужна ли вам портфельная модель. Вопрос в том, выстроите ли вы её до первого столкновения с обрывом предложения или после.
