USD.AI ($CHIP) 估值报告

USD.AIMarch 24, 2026

Education

Update (October 2026): This article refers to CALIBER, an earlier USD.AI framework in which an NFT served as the document of title for GPU collateral. CALIBER is no longer part of USD.AI's loan structure. Legal rights to the collateral now come from a bankruptcy-remote SPV and a first-priority lien under the loan documents, and Loan NFTs serve as onchain records. Insurance remains a standard requirement on every USD.AI loan. See docs.usd.ai/usdai/how-it-works for the current model.

This document is a translated adaptation of a report originally published by Messari. Translation and images were produced with AI assistance and reviewed for accuracy.

本文件为 Messari 原始报告的中文译本，翻译内容与文中图片均由 AI 辅助生成，并经人工审核。

—————————————————————

原文发布日期: 2026年3月2日

作者：Jake Koch-Gallup (@immutablejacob) · 研究分析师

核心洞察

USD.AI 是一个链上信贷协议，为 AI 基础设施提供融资。协议发放以 GPU 为抵押的稳定币贷款，并通过 CALIBER 框架将链上凭证与GPU硬件的链下法律权益相挂钩。
协议采用双代币结构。 USDai 面向流动性要求较高的资金，sUSDai 则是收益型代币，背后由较长期的 AI 基础设施贷款支撑。赎回流程通过队列机制管理。
我们的估值模型将「贷款管道额」与「实际放款额」分开计算，因为从签约到真正放款之间存在延迟——硬件交付、安装部署、法律结算都需要时间。我们用「资金实现率」来衡量这一转化过程。
CHIP 是协议的治理代币，持有者可以对协议规则、资金管理和保险设计进行投票。但目前 CHIP 并不自动享有协议收益的分配权——收益是否分配，取决于治理层的决策。因此在估值模型中，CHIP 的价值增值被视为「有条件的」，而非确定性的。
估值以两个维度为基础：一是回购支持路径（反映治理主导的盈余分配），二是保险资本隐含偿付门槛（反映资本充足性约束）。模型输出的回购支持完全稀释估值（FDV）分别为：悲观 $4,640万 / 基准 $3.30亿 / 乐观 $17.4亿；保险隐含偿付门槛分别为：$2.70亿 / $2.76亿 / $5.03亿。

估值模型：完整估值模型（包含各项假设与情景敏感性分析）详见此处。

简介

USD.AI 是一个专注于真实世界 AI 基础设施融资的链上信贷协议。协议发放以 GPU 硬件及相关算力资产为抵押的稳定币贷款，连接链上资本与链下基础设施部署。

协议发行两种核心代币。USDai 是美元计价代币，用于铸造、融资和赎回；sUSDai 是收益型金库份额，对应已部署的 AI 基础设施贷款敞口。两者分工明确：USDai 侧重流动性，sUSDai 则对应锁定于长期贷款的资本。USDai 不直接承担贷款层面的信用风险；sUSDai 持有人则以收益为回报，承担相应的分期还款、赎回和流动性限制。这一设计旨在将链上流动性与真实世界的长期信贷资产有效衔接。

USD.AI 的架构结合了 DeFi 的链上机制与针对真实世界资产设计的法律及运营框架。CALIBER 是其法律与技术支柱，将 GPU 硬件转化为可在链上执行的抵押品。QEV 则是基于队列的赎回机制，专门用于管理长期、非流动性抵押品背景下的流动性问题。

CHIP 是 USD.AI DAO 的治理与功能代币，持有者可对协议参数、利率、费用结构与分配、国库与资本政策，以及质押和保险机制进行治理。协议费用未来可能用于回购或质押奖励，但目前持有 CHIP 并不代表对协议收益拥有强制性的分配权。

以下各节对 USD.AI 及 CHIP 展开评估：前者定位为信贷基础设施协议，后者为治理与风险政策资产，其价值来源于实际放款吞吐量、资本效率与执行公信力，而非预设的现金流权利。

USD.AI 运作机制

USD.AI 连接两类主体：寻求前期资本以部署 AI 算力基础设施的借款人，以及寻求美元计价收益的资本提供方。协议负责结构化抵押品、承销风险、协调资金，并在链上框架内管理流动性和赎回机制。

CALIBER 是 USD.AI 协议架构的核心组件，通过将链上凭证与链下法律权益相关联，将 GPU 硬件转化为合规的链上抵押品。其目标是让实物算力资产能够参与集合式、标准化的信贷融资，而无需将每笔贷款单独处理为私人协议。。

一旦抵押品经过验证和审批，USD.AI 便会发放以该硬件为抵押、以稳定币结算的贷款。借款人准入审核、风险承销及法律架构均在链下完成，贷款余额、还款记录及相关资金流动则在链上管理。

以基础设施为抵押的贷款天然存在流动性错配：贷款期限长达数年，但资本提供方可能随时希望提前赎回。USD.AI 通过 sUSDai 的队列赎回机制(QEV)来解决这一问题。当流动性紧张时，QEV 通过对赎回优先权进行定价来协调资金，而非依赖强制出售资产或预留固定流动性缓冲。

在此机制下，赎回请求按顺序处理，而非即时到账。当赎回需求超过当前可用流动性时，用户可通过付费获得优先赎回权，以市场化定价来体现各自的时间偏好。流动性限制在协议层面明确呈现，并与底层贷款组合的分期还款节奏保持一致。

USD.AI 的风险管理架构引入了第三方抵押品价值保障机制，由 Barker 负责执行。Barker 是一家机构级估值与风险转移平台，为协议发放的 GPU 贷款提供独立估值，并对估值结果出具合同担保。该担保由一家全球顶级再保险公司通过 aiSure 绩效保证进行全额再保险。

保障范围为 Barker 独立评估抵押品价值的 80%。由于 USD.AI 的贷款上限为抵押品价值的 80%（LTV 80%），在标准承销条件下，此机制理论上可覆盖贷款的全额本金。

若清算所得低于担保估值，差额将在保单条款和除外责任的约束下，由协议依合同收取。以一笔具体贷款为例：若抵押品估值为1,000万美元，贷款额为800万美元（LTV 80%），则保障金额为800万美元。若最终清算净所得为720万美元，该机制将补足80万美元的差额，使总回收额达到保障上限。

保费由协议承担，并内嵌于贷款经济结构中，因此会相应减少 sUSDai 持有人可获得的净收益。与此前的 FiLo 分级结构相比，基于保险的模型在资本效率上有显著提升——切换至 Barker 担保结构后，保障成本降低，也不再需要单独设立优先亏损分级来最先承担损失。

这一转变降低了结构性资本占用，并将原本分配给劣后级投资人的收益重新导回 sUSDai。需要注意的是，该结构虽然在特定条件下能显著降低贷款本金无法收回的风险，但并不能消除估值模型风险、理赔处理风险、流动性时机风险、合同除外责任，以及极端市场波动风险。

CHIP 代币经济学

CHIP 是 USD.AI 协议的治理与功能代币，持有者可对协议标准、风险参数、费用结构与分配、利率控制及资本政策进行治理。协议收入未来可能用于回购或质押奖励，但目前持有 CHIP 并不代表对协议收益拥有强制性的分配权。

CHIP 的功能主要涵盖三大领域：

1. 治理与协议控制

CHIP 持有人治理 USD.AI DAO，并设定影响信贷业务和协议整体风险的核心参数，包括抵押品资格标准、信贷审核标准、利率控制、流动性和赎回设置、保险覆盖要求以及Treasury管理政策。通过这些机制，治理层决定协议如何在放贷规模、资本效率和系统稳健性之间取得平衡。

2. 收益治理与资本配置

CHIP 负责治理协议的费用结构，涵盖贷款发起费、服务费、净息差、管理费及流动性相关费用。治理层同时决定收入的分配方式，包括运营支出、再投资、质押激励或代币回购等。由于收入分配由治理决定而非写死在合约中，代币持有人能否获得盈余取决于治理政策，而非自动执行。

3. 质押模块与风险兜底

CHIP 可质押至协议的质押模块，以支持系统安全和利益对齐。质押者可从协议收入或激励奖励中获得回报，但需接受预设的锁仓期和罚没条件，罚没与客观亏损事件挂钩。若已质押的 CHIP 被认定为保险框架内的损失缓冲资本，代币价值将与保障覆盖比例、质押参与率及质押代币的有效认定比例部分挂钩。

CHIP 代币经济学详情如下：

总供应量：100亿枚

代币分配：投资者29.6%、生态系统启动27.5%、核心贡献者23.5%、储备金19.5%。

解锁与锁仓: 投资者和核心贡献者遵循相同的解锁时间表。前12个月锁仓，之后解锁33%，剩余67%在此后24个月内按月线性解锁。生态系统和储备金部分的释放则根据治理决策分配部署.

估值框架

CHIP 对协议现金流不具备自动分配权。治理层虽控制费用分配和资本政策，但盈余是否分配给代币持有人取决于治理决策，而非自动执行。

因此，我们不采用传统股权式折现现金流模型——该模型假设盈余分配是稳定且可强制执行的。我们的估值以可观察的协议经济数据为起点，包括储备项目规模、协议收入和成本结构，再明确建模这些数据在何种条件下能够对代币持有人产生实际价值。

我们对CHIP的估值采用两个互补维度进行建模：

1. 回购支持价值

其价值增值取决于治理层是否将协议盈余用于回购 CHIP 代币。由于回购取决于治理层的决策，模型将其作为情景性政策变量处理，而非确定性权利。

2. 保险偿付门槛

将 CHIP 视为保险模块内的损失缓冲资本。该视角估算在特定假设下——包括未偿贷款规模、保障覆盖比例、质押参与率、质押代币的有效认定比例及要求质押收益——已质押且获认定的 CHIP 满足保障要求所需的完全稀释估值（FDV）。该结果代表最低资本门槛，而非价格目标。

两个视角共同构建了从协议运营到代币价值的逻辑框架，同时避免对尚未写入合约的现金流分配权做出假设。

USD.AI 的核心执行风险在于将储备项目转化为实际放款。模型因此区分以下三个概念：

储备项目规模：业务拓展和贷款审批量
资金实现率：从储备项目到实际放款的转化率，考虑时间延迟
实际放款额：驱动协议收入和激励的经济核心指标

这一区分确保储备项目规模不被直接计入收入，并将情景分析的重心放在执行能力上，而非市场需求。

协议收入分为以下几个独立组件建模，而非采用统一费率：

贷款发起费收入： 以实际放款额乘以发起费率计算
贷款服务费收入： 单独列示，但因费率尚未披露，基准情景中暂设为零
QEV 相关费用： 基于赎回量和 QEV 费率建模，体现 QEV 作为流动性协调机制的功能定位
清算费： 属于极端情景下的收入来源，因违约和清算频率披露有限，基准情景中暂设为零

这一方法有意保持保守，避免凭空假设收入来源，同时保留完整的建模框架，以便随着协议公布费率和实际收入结构后进行更新。

由于 USD.AI 定位为信贷结构化与放款协议，而非长期持有资产的资产负债表贷款机构，我们不采用银行式预期信用损失框架。模型假设协议在贷款存续期间赚取净利息收入，扣除存款人收益和必要的流动性缓冲后，剩余风险通过损耗调整来体现，而非通过贷款全周期预期损失来量化。

因此，模型纳入以下两项成本：

抵押品价值保障费用： 协议需向 Barker 支付保费，以换取对抵押品价值的担保保障（该担保由一家全球顶级再保险公司提供再保险）。这笔保费按平均贷款规模计提，会直接压缩净利息收入，进而影响 sUSDai 持有人的实际收益。
运营支出： 以固定成本为主，随业务规模小幅增长，与管理层对预测期内运营成本相对可控的判断一致。

运营盈余为协议净收入扣除运营支出和保障费用后的余额。可分配盈余则是进一步扣除必要储备金和系统维护成本后，治理层可自由支配的部分。

由于盈余如何分配取决于治理决策，模型通过以下两个参数对回购进行建模：

回购率： 可分配盈余中用于回购 CHIP 的比例
回购有效性： 反映回购执行质量和市场冲击的效率系数——即每投入一美元用于回购，实际能在多大程度上支撑代币价格

最终估值以第5年可分配盈余为基础，乘以估值倍数后按各情景折现率折现得出。此方法更多反映市场定价逻辑，而非传统的可执行折现现金流模型。

此外，我们单独估算满足保险要求的最低FDV，以体现 CHIP 作为协议保险框架内后备资本的潜在价值。在这一视角下，所需后备资本与实际放款规模及保险覆盖比例挂钩，并根据活跃质押比例及质押代币的有效认定比例进行调整。模型同时纳入要求质押收益，反映资本提供方承担尾部风险所要求的最低回报。

在模型假设下，已质押且获认定的 CHIP 若要满足协议资本充足要求，对应的完全稀释估值（FDV）即为我们所估算的结果。值得注意的是，随着资本效率的提升，即便协议运营表现持续改善，该估值水平也可能随之下降。

情景设定旨在通过聚焦少数关键变量来涵盖合理的结果区间：

储备项目规模：年度放款额的增长速度
资金实现率：从储备项目到实际放款的转化率及时间延迟
费率与费用结构：以贷款发起费为主，服务费和 QEV 费用在披露前暂不纳入
资本政策：回购率和回购有效性，明确视为治理层酌情决定的变量
保险参数： 资本充足要求、质押代币的有效认定比例及要求质押收益

估值框架可概括如下：

储备项目规模 → 资金实现率 → 实际放款额 → 协议收入 → 保险费用与运营支出 → 可分配盈余 → 治理层酌情回购

与此同时，偿付能力门槛遵循以下资本充足路径：

未偿放款规模 → 保障覆盖要求 → 获认定的后备资本 → 质押参与率与资本认定比例 → 要求质押回报率 → 偿付能力门槛

这一框架在不确定性下保持了分析的严谨性——既不对尚未写入合约的现金流分配权做出假设，又完整呈现了 CHIP 价值积累的两条可信路径：若协议按其公开表态推进相关机制，这两条路径均有望实现。

完整估值模型详见链接。

潜在市场规模（TAM）

就 CHIP 而言，真正具有经济意义的市场是全球 GPU 资本支出中可被 USD.AI 实际触达的部分，具体需同时满足三个条件：第一，该支出可通过结构化信贷承做贷款；第二，相关 GPU 资产须符合 USD.AI 的抵押品资质要求，并可通过 CALIBER 完成承销；第三，贷款可通过协议的流动性设计（QEV）在链上完成。

USD.AI 专注于为真实世界 AI 基础设施提供信贷服务，而非一个泛化的 AI 或稳定币协议。因此，协议规模化的核心制约并非 AI 算力的市场需求有多大，而在于有多少 GPU 部署能够被结构化为可执行的代币化抵押品，并通过链上资本市场可靠承做贷款。

最终可承做的贷款规模，取决于抵押品的可执行性与协议的流动性设计——两者共同决定了 GPU 资本支出中可通过链上资本市场承做贷款的比例。

全球 GPU 资本支出假设

目前并无单一权威数据来源可直接引用全球 GPU 资本支出总量。我们的做法是从更广泛的数据中心资本支出出发，剥离出其中归属于 AI 加速器和 GPU 系统的部分，以此构建合理基准。行业研究提供了若干方向性参考：Omdia 预测全球数据中心资本支出到2030年将达约1.6万亿美元；McKinsey 估计本十年内数据中心累计投资约为6.7万亿美元。从当前超大规模云厂商的公开披露及供应商收入趋势来看，全球数据中心资本支出已达数千亿美元规模。

其中，AI 加速器驱动的投资增长尤为迅速。据 Dell'Oro 等机构的行业分析，AI 芯片和加速器系统目前约占数据中心资本支出的三分之一，且随着 AI 工作负载持续扩张，这一比例仍在上升。

基于上述参考数据，我们估计当前 AI 加速器和 GPU 系统的年度资本支出约为2000至2500亿美元。该数字已剔除土地、建筑和电力设施等不具备抵押价值的部分，聚焦于可作为结构化信贷抵押品的硬件系统。模型以2500亿美元作为第一年基准，取区间上限。

增长假设基于超大规模云厂商的投资计划及加速器供应扩张，反映 AI 基础设施持续扩张的趋势：

悲观情景：15%（第1年）→ 8%（第5年） 供应瓶颈逐步缓解，超大规模云厂商资本支出回归常态，AI 基础设施增速随之明显放缓。GPU 系统支出虽仍保持增长，但至第5年已趋向更为成熟稳健的中期增长态势。
基准情景：25%（第1年）→ 18%（第5年） 与超大规模云厂商的公开披露及供应商订单积压情况相符，反映扩张势头持续但增速逐步放缓的趋势。存量装机规模扩大带动增速回落，但加速器在数据中心的渗透率仍在持续提升。按此路径，AI 加速器年度资本支出到第5年将逼近6000亿美元。
乐观情景：35%（第1年）→ 28%（第5年） 代表一轮持续性的基础设施建设周期——AI 工作负载持续拉动数据中心投资提速，叠加企业端需求扩张和加速器供应持续放量，整个预测期内增速始终维持在高位。

基准情景下，随着数据中心持续扩张、加速器在基础设施总投资中的占比不断提升，AI 加速器年度资本支出到第5年将逼近6000亿美元。

GPU 资本支出的可贷款比例

并非所有 GPU 资本支出都适合通过结构化信贷承做贷款。模型引入可贷款比例这一参数，用以过滤以下结构性制约因素：

超大规模云厂商自筹资金及垂直整合
企业直接以自有资产负债表承担的战略性部署
司法管辖、法律或资产托管层面的限制
影响抵押品可执行性的资产特性

各情景下可贷款比例假设如下：悲观15%、基准25%、乐观35%。

这一区间参考了基础设施金融的行业惯例。在传统基础设施领域，采用外部融资的项目通常杠杆率较高，债务在总资本结构中占相当比重。但整体而言，基础设施债务融资仅占资本形成的一部分——大量资产由企业自有资产负债表或大型机构投资方直接承担，并不依赖正式的项目融资或结构化债务工具。

结构化信贷的渗透率因资产类别、投资方实力和市场周期而有所不同。在 AI 基础设施建设初期，超大规模云厂商和资本雄厚的科技企业普遍倾向于自筹资金，第三方债务参与度相对较低。随着抵押品框架逐步成熟，独立运营商、托管服务商及中型设施有望逐步转向资产支持融资模式。

基于上述逻辑：

悲观情景（15%）：市场仍以超大规模云厂商自筹资金为主，结构化信贷渗透空间有限
基准情景（25%）：第三方信贷参与度适中，与当前基础设施债务市场的观察水平基本一致
乐观情景（35%）：随着抵押品可执行性改善、信贷市场持续深化，资产支持结构获得更广泛认可

这一参数充当宏观信贷过滤器，而非协议采用率指标。它将加速器总投资规模转化为第三方信贷提供方可实际触达的市场空间，USD.AI 的市场份额假设即以此为基础计算，而非直接以 GPU 资本支出总量为分母。

采用率与放款量

USD.AI 的经济模型以放款为核心驱动力。费用收入在放款时确认，未偿敞口则决定了流动性需求、抵押品保护成本与资本配置空间。因此，本模型以放款吞吐量作为采用率的衡量指标，而非名义 TVL 或被动余额增长。

USD.AI 在可融资 GPU CapEx 中的市场份额

本模型以可融资 GPU CapEx 的市场份额衡量 USD.AI 的采用率，并按情景设定五年渗透率爬坡路径。该份额综合体现了贷款承做能力、借款人拓展、渠道覆盖范围，以及在 GPU 基础设施信贷市场中的竞争定位。

各情景下的可融资 CapEx 渗透率假设如下：

悲观情景：0.50%（第一年）→ 1.50%（第五年）
基准情景：0.75%（第一年）→ 1.75%（第五年）
乐观情景：1.00%（第一年）→ 2.50%（第五年）

悲观情景下，贷款承做能力扩张缓慢，对可融资 CapEx 基数的渗透率受限。基准情景反映执行能力的稳步改善与渠道覆盖的逐步拓展。乐观情景则假设资金实现率保持强劲，且随着 USD.AI 在贷款承做、借款人拓展与资本形成三条线并行推进，市场份额大幅提升。

将上述份额应用于可融资 CapEx 基数，可得以下储备项目放款量：

悲观情景：1.88亿美元（第一年）→ 8.61亿美元（第五年）
基准情景：4.69亿美元（第一年）→ 23.6亿美元（第五年）
乐观情景：8.75亿美元（第一年）→ 64.9亿美元（第五年）

以上数字均为储备项目放款量，即协议已完成承做与对接的贷款总额，不代表实际资金拨付量。

近期储备项目贷款本金合计约1.057亿美元，为短期项目储备提供基础锚点，可据此衡量模型中的放款量增长路径是否合理。资金实现率另行建模，负责将储备项目转化为实际生效的经济敞口。

贷款时效与资金实现率

本模型通过资金实现率区分储备项目放款量与实际资金拨付量。该参数反映执行层面的各类制约因素，包括硬件交付周期、安装进度、法律结算及抵押品完善流程。

各情景下的资金实现率路径假设如下：

悲观情景：60%（第一年）→ 90%（第五年）
基准情景：75%（第一年）→ 95%（第五年）
乐观情景：85%（第一年）→ 98%（第五年）

上述实现率假设储备项目均为已通过信用审核、正在推进落实的交易，而非早期营销阶段的潜在客户。在私募信贷与基础设施融资领域，转化率因项目阶段不同而存在显著差异：后期已获授权的交易成交率普遍较高，早期储备项目的流失率则相对较大。悲观情景反映执行层面的持续摩擦，基准与乐观情景则假设随着流程日趋成熟，储备项目中具备执行条件的交易占比稳步提升。

将上述实现率应用于储备项目放款量，可得以下实际资金拨付量：

悲观情景：1.13亿美元（第一年）→ 7.75亿美元（第五年）
基准情景：3.52亿美元（第一年）→ 22.4亿美元（第五年）
乐观情景：7.44亿美元（第一年）→ 63.6亿美元（第五年）

实际资金拨付量代表具有经济意义的活跃敞口。费用收入、净利息收入、流动性需求及抵押品保护规模，均以实际资金敞口为驱动依据，而非储备项目的名义规模。这一区分避免了将储备项目视为直接创收来源，并将估值敏感性聚焦于运营执行能力，而非表面的市场需求。

协议收入模型

协议收入采用分项建模，而非综合费率。这一方式确保放款量、未偿敞口、流动性缓冲、资金成本与费用流之间保持内在一致，同时避免利差收入与显性费用之间的重复计算。

净利息收入与资金成本

净利息收入（NII）由以下三项构成：

贷款利息收入：根据借款人年化利率及平均未偿敞口计算。
流动性储备利息收入：为支持赎回及日常运营流动性而持有的闲置资金所产生的收益。
存款人收益支出：按 sUSDai 资金在平均 TVL 中的占比计提，采用动态利率而非固定常数。

基准情景下，借款人年化利率假设为15%，即实际资金敞口的毛收益率。闲置流动性收益率假设约为3.6%，与短期国债收益率相当。sUSDai 存款人收益率从约9.0%起步，在预测期内逐步升至10.8%，反映存款市场收益率的竞争性走高，以及协议自身的持续成熟。

抵押品估值担保费按平均贷款组合的0.50%计提，对应Barker架构下第三方估值担保的成本。此外，模型设有预留流动性资金，并假设资金利用率逐步提升，因此任何时候都有部分资金尚未投入使用。这部分闲置资金无法产生借款人利率收益，从而使实际净利息收入低于资金全部部署时的理论水平。

净息差由贷款利率、资本部署效率、流动性资金预留及存款人收益率四项因素共同驱动。

流动性激励计划（包括对合格存款提供4.5%收益的PYUSD激励计划）可影响存款人的实际收益。模型不将此类计划视为稳定收入来源或长期改善净息差的工具，其效果已纳入存款人收益率及sUSDai配置比例的假设之中。基准情景下，净利息收入仅反映贷款利率、流动性资金预留及存款人收益支出，不假设外部激励会长期持续。

费用收入

除利差收入外，模型还涵盖四项独立费用，每项均对应特定的协议机制。即便部分费用在基准情景下设为零，也单独列项建模，而非合并为综合费率。

放款手续费：按储备项目放款量计提，费率因情景而异。这是主要的已披露费用项，也是非利差收入的核心驱动来源。
服务费：按平均未偿贷款余额计提。该参数已纳入模型，但基准情景下暂设为零，待费基与费率有更明确的披露后再行更新。
QEV相关费用：以平均TVL、预设赎回率及QEV费率为基础建模。鉴于QEV定位为流动性协调机制而非主要创收工具，该项费用采用保守假设。
清算费用：按实际资金拨付量计提。由于违约频率及费用获取机制的公开信息有限，基准情景下设为零。

费用分开建模，有助于维护放款流量、未偿敞口、流动性管理与费用获取之间的内在一致性。随着费率结构与实际收益数据逐步清晰，各项费用可单独调整，而无需重构整体收入框架。

残余风险与摩擦损失

第三方抵押品价值保障机制能够显著降低损失幅度，但并不意味着经济损耗完全为零。即便在有保障的架构下，实际回收结果仍可能因估值基差风险、保单条款及除外责任、理赔处理周期、清算成本与操作摩擦等因素，偏离模型预测值。

为反映这一点，模型对实际资金敞口施加残余摩擦调整。该折扣以一定比例计提，用于捕捉即便本金敞口受合同保障、仍可能产生的经济损耗。

该调整涵盖以下潜在因素：结算效率损失、保险估值基准与实际清算回款之间的偏差、理赔时效延迟、合同除外条款，以及极端情形下的执行争议。尽管GPU抵押品受第三方价值保障覆盖，现实信贷体系中实现完全回收的情况极为罕见。引入摩擦调整，既能避免模型高估净经济收益，也无需引入完整的预期信用损失框架——后者与USD.AI有保障的信贷架构并不匹配。

运营支出

运营支出由固定成本与规模挂钩的服务成本两部分构成：

运营成本 = 500万美元固定基础成本 + 0.25% × 期末未偿贷款余额

第一年500万美元的固定成本与管理层指引一致，对应贷款承做、法律架构、保险协调及协议运营所需的稳态成本基础。这反映的是一个精简而具备机构公信力的运营体量，而非成熟金融平台的完整成本结构。

支出随贷款余额增长而扩张，而非与收入挂钩。随着未偿敞口增加，信用监控、抵押品管理、报告体系及合规要求所带来的边际成本也相应上升。这一结构与专业金融平台的成本特征一致——运营投入随资产管理规模扩大，而非随营收增长。

运营盈余与资本配置边界

运营盈余定义为协议净收入扣除运营支出及残余风险调整后的余额，代表协议在资本配置前所产生的收益。

但运营盈余不等同于可分配收益。USD.AI 需持续预留资本，用于流动性缓冲、抵押品保护及系统稳健运营。为此，模型设定明确的资本配置边界，将运营收益与可酌情动用的资金加以区分。

可分配盈余定义为运营盈余扣除必要储备金及系统支持成本后的余额，是治理层可用于回购、质押激励、国库管理或再投资的收益部分。

将运营盈余与可分配盈余区分开来，有助于避免一个隐性假设——即所有协议收益均自动归属于 CHIP 持有人。在以流动性管理和资本充足性为核心设计原则的系统中，保留部分收益在结构上可能是必要的。

这一区分是估值框架的核心，确保了以下几点：

CHIP 的价值积累取决于治理决策，而非既定假设。
资本政策受系统安全要求约束。
盈余分配路径可脱离运营表现单独进行压力测试。

上述运营盈余与可分配盈余的划分，支撑起评估 CHIP 的两个维度：一是与治理层盈余分配决策挂钩的上行空间，二是与 CHIP 作为认可保险资本潜在角色挂钩的资本充足性约束。

CHIP 代币价值积累

回购支持价值

在回购框架下，CHIP 作为治理资产，价值积累来源于治理层对可分配盈余的主动分配。部分可分配盈余可依据 DAO 政策用于代币回购。模型将此定性为治理决策，而非合同层面的固定权利。

估值框架推导步骤如下：

第一至五年预测可分配盈余 → 折现至现值 = 可分配盈余现值
第五年可分配盈余 × 终值倍数 → 最终企业价值 → 折现至现值 = 最终企业价值现值
可分配盈余现值 + 最终企业价值现值 = 企业价值合计
企业价值合计 × 回购比例 × 回购效率 = 回购支持的 CHIP 价值

终值通过对第五年可分配盈余应用 EV 倍数估算得出。该倍数为市场定价假设，反映当规模、收益持续性与资本政策公信力均可观测时，投资者对治理主导型盈余流的定价预期。

各情景下的终值倍数假设如下：

悲观情景（8×）：假设规模有限，市场对持续盈余积累及资本回报政策信心不足，与基础设施类资产相当的保守估值。
基准情景（15×）：假设放款吞吐量保持稳定、收益持续性逐步改善，但资本回报仍依赖治理决策，定价中含有风险溢价。
乐观情景（25×）：假设规模持续扩大、可分配盈余预期更为明确，且资本回报机制稳定且可持续，对应成熟链上信贷平台的溢价估值水平。

第一至五年可分配盈余及最终企业价值均折现至现值。各情景折现率分别为：悲观25%、基准20%、乐观15%。上述折现率综合考量了执行风险、盈余分配对治理决策的依赖、加密市场的周期性波动，以及早期链上信贷平台固有的结构性不确定性。悲观情景下折现率更高，反映放款规模、资金实现率及政策持续性方面更大的不确定性。

回购比例与回购效率共同决定盈余如何转化为代币支撑。核心估值中，各情景均假设回购比例为50%、回购效率为75%，反映部分盈余分配与适度执行效率，并在敏感性分析中进行调整测试。

基于上述假设，模型得出以下基于回购机制的完全稀释估值（FDV）：

悲观情景：4,640万美元
基准情景：3.296亿美元
乐观情景：17.4亿美元

各情景间的差异由放款规模、资金实现率、净利息收益、折现率及终值倍数共同驱动。代币价值完全由协议运营表现与回购参数推导得出，与代币现价无关。

保险资本隐含偿付门槛

本模型还基于 CHIP 在协议保险模块中作为合格后备资本的潜在角色，反推其满足保险模块偿付要求所需的最低 FDV。

这一维度在既定的敞口规模、覆盖比率、质押参与率、抵押品认定率及质押收益要求下，估算已质押并被认定为合格资本的 CHIP 恰好满足协议资本充足要求所对应的完全稀释估值。

计算以协议未偿实际资金敞口为起点，对其应用覆盖比率，得出所需后备资本规模。该资本需求再经两项参数调整：质押参与率（总代币供应量中主动质押的占比）与抵押品认定率（已质押 CHIP 中被认定为合格保险资本的占比）。

偿付门槛由四项核心参数驱动，各情景取值如下：

保险覆盖比率：悲观7.0%、基准4.5%、乐观3.5%，即未偿实际资金敞口中后备资本的最低占比。
质押参与率：悲观25%、基准40%、乐观55%，即总代币供应量中主动质押的占比。
抵押品认定率：悲观40%、基准与乐观均为55%，即已质押 CHIP 中被认定为合格保险资本的占比。
质押收益要求：悲观30%、基准25%、乐观22.5%，即后备资本提供方基于协议风险所要求的最低回报率。

保险覆盖比率是所需资本规模的核心驱动因素。质押参与率与质押资本认定率（即已质押 CHIP 中被协议认定为合格保险资本的占比）决定代币供应转化为有效保障资本的效率；质押收益要求越高，协议所需资本体量越大，隐含偿付门槛也随之上升，反之则下降。

基于上述模型假设，折现后的保险资本隐含偿付门槛如下：

悲观情景：2.701亿美元
基准情景：2.756亿美元
乐观情景：5.032亿美元

上述结果不代表价格下限或估值基准，而是反映保险模块正常运转所需的最低资本规模。保险覆盖比率越高或质押资本认定率越低，所需资本越多；质押参与率越高或认定效率越强，每单位敞口所需资本则相应减少。

在运营表现较好的情景下，随着资本效率提升，隐含偿付门槛可能有所下降。这反映的是资本集约度的降低，而非运营表现的恶化。

两项分析维度的比较与整合

针对 CHIP 的两项分析维度有意保持独立，不合并为单一估值，因为两者回答的是不同的经济问题。

回购支持路径反映的是基于运营表现的上行空间，但这一空间取决于治理公信力与资本回报的实际执行。当 DAO 展现出持续且可重复的盈余分配能力时，这一路径的参考意义最为突出。

保险资本隐含偿付门槛反映的是 CHIP 作为合格后备资本时，系统满足保险覆盖要求所需的资本规模。它不代表内在价值或价格下限，而是在既定的敞口规模、质押参与率、覆盖比率及质押资本认定率假设下，符合资本充足要求的估值水平。

两项维度出现差异是正常的。回购路径随可分配盈余及市场对收益持续性的定价而扩张，偿付门槛则随敞口规模与资本集约度而变化。资本效率提升时，偿付门槛可能下降，而盈余驱动的估值潜力则相应上升——两者可以反向移动。

敏感性分析

CHIP 的估值结果通过三张敏感性分析表进行检验，分别对应框架的三个经济层面：市场定价、治理执行与资本充足性。

回购支持价值：市场定价敏感性

第一张敏感性分析表在协议机制保持不变的前提下，考察终值倍数与折现率变动对回购支持 FDV 的影响。EV 倍数区间为8×至25×，折现率区间为16%至24%，反映此类治理主导型盈余在市场上的合理定价区间。

悲观情景下，估值在该区间内的分布相对集中。当放款规模偏小、可分配盈余有限时，即便采用较高终值倍数或较低折现率，估值提升空间也十分有限。根本原因在于：盈余绝对规模较小时，估值倍数或折现率的变动对最终结果的影响自然受限。

基准情景下，敏感性趋于均衡。终值倍数从8×升至16×，或折现率从24%降至18%，均可带来显著的 FDV 变化。这说明在盈余已具备一定规模后，估值的核心驱动不再是系统能否运转，而是投资者对收益持续性与治理公信力的定价判断。

乐观情景下，估值的分布主要由终值倍数决定，折现率的影响相对次要。当 EV 倍数处于16×至25×区间时，估值快速上升——这说明此时的上行空间更多来自市场对 USD.AI 的重新定价，即将其视为成熟的链上信贷平台，而非放款量的进一步增长。

回购支持价值：治理执行敏感性

第二张回购敏感性分析表考察两项取决于治理决策的变量，评估可分配盈余如何转化为代币支撑：

回购比例：即可分配盈余中用于回购的占比，区间为25%至100%。
回购效率：区间为50%至90%，即实际回购支出中，扣除流动性不足与市场冲击损耗后，真正实现代币减供的比例。

这张表清晰表明，回购支持价值并非单纯取决于运营表现。即便盈余水平相同，结果也会因治理层是否优先推进回购及回购执行效率而存在显著差异。

回购比例偏低或执行效率不足时，大部分经济价值难以转化为持续买盘支撑。反之，高回购比例与强执行效率的组合则能显著放大代币支撑效果。这一敏感性分析进一步印证了模型的核心立场：回购支持价值是治理决策的产物，而非既定权利。

保险资本隐含偿付门槛：资本充足性敏感性

第三张敏感性分析表考察以下两项变量对保险资本隐含偿付门槛的影响：

保险覆盖比率（即后备资本占未偿实际资金敞口的最低比例）：区间为3%至7%。
质押资本认定率：区间为已质押 CHIP 的30%至70%。

这张表的逻辑与回购敏感性分析有本质区别。覆盖比率越高或质押资本认定率越低，系统所需资本规模越大，隐含偿付门槛随之上升。反之，认定率提升或覆盖比率下降，则会压低隐含偿付门槛——即便在运营表现较强的情景下亦然。

这一敏感性分析解释了乐观情景下保险隐含偿付门槛可能下降的原因——这反映的是资本效率提升，而非基本面走弱：所需后备资本随之减少，门槛自然下降。

综合来看，敏感性分析表印证了一点：CHIP 的估值首先取决于执行能力与机制设计，其次才是市场定价。市场倍数固然重要，但前提是放款吞吐量、资金实现率、治理资本政策与保险机制均已得到市场认可。

以上分析表均基于基准情景假设。完整估值模型另含悲观与乐观情景的平行敏感性分析，各情景采用独立的假设条件。

风险因素

USD.AI 处于链上资本市场与真实 AI 基础设施融资的交汇地带。主要风险涵盖执行能力、利润空间、流动性设计、治理公信力、保险充足性、法律可执行性、集中度风险及宏观融资环境。

核心运营风险在于协议当前15亿美元的储备项目能否在可预期的时间线内转化为实际资金拨付。主要制约因素包括：

硬件发货与安装延迟
贷款承做与法律结算效率
借款人的部署准备程度
供应商、保险方与托管方之间的协调配合

由于协议收益以实际放款量为驱动，而非已签署的储备项目规模，持续的时效延误将拖累费用收入、敞口增长与净利息收入。乐观情景的实现高度依赖资金能否按时落地。

随着更多资本涌入 AI 基础设施信贷市场，放款手续费、服务费收益及净息差都可能受到挤压。贷款利率的竞争性下行或存款人收益率的结构性上升，将在放款量持续增长的同时侵蚀运营盈余。由于回购支持价值与可分配盈余直接挂钩，利润空间受压即便放款量持续增长也难以幸免。

USD.AI 依赖 QEV 处理存款人赎回需求，而其底层抵押品为长期锁定的非流动性 GPU 资产，相关风险主要体现在压力情景下的运行表现。潜在失效模式包括：宏观或行业冲击下的集中赎回，以及队列优先级定价偏差。若赎回无法有序处理，sUSDai 的市场信心可能受损，进而推高资金成本，或迫使系统采用更保守的参数设置，削弱资本效率。

CHIP 的价值积累取决于治理决策，而非机制层面的强制保障。即便治理权力真实存在，市场也不会对假设性的盈余分配给予定价，除非回购、费用路由或保险模块激励等资本政策得到持续且可信的落实。

这带来两项相关风险：（1）治理层可能在较长时期内将资金优先用于再投资、业务增长或风险缓冲，而非向代币持有人回报；（2）治理行动可能缺乏连贯性或执行不稳定，削弱市场对未来价值积累的信心。

这也正是本框架将隐含偿付约束与治理主导的上行空间明确区分、而非合并处理的原因。

保险模块是 USD.AI 信贷架构与风险转移框架的核心支柱。但其有效性取决于三个条件：充足的质押参与率、已质押 CHIP 获得合理的资本认定，以及市场在压力情景下对 USD.AI 保险模块保持信心。

若保险模块无法覆盖全部潜在损失，或已质押 CHIP 未被市场认可为可信后备资本，协议可能需要提高覆盖比率、加大激励力度或限制业务增长。这些调整将提升资本集约度，并推高维持保险充足性所需的偿付门槛。

CALIBER 是将 GPU 硬件代币化为可执行链上抵押品的法律与技术框架。随着业务规模扩大，USD.AI 面临的风险涵盖监管、司法管辖及执行层面，具体包括：链上表征与链下法律权利的不一致、托管或保险纠纷，以及资产代币化、有抵押贷款或稳定币信贷领域的监管变化。一旦法律可执行性出现问题，抵押品的可信度将受损，违约回收能力下降，系统整体风险缓冲需求也将随之上升。

GPU 基础设施信贷在早期阶段往往高度集中——无论是借款人、供应商还是地域分布，均可能集中于少数大型项目或头部交易对手。这一集中度放大了特定交易对手或地区因突发事件、运营中断或监管行动所引发的尾部风险。尽管集中度可能随时间分散，早期阶段仍可能导致放款量、违约率及保险结果的实际波动超出模型均值。

此外，USD.AI 还面临宏观与加密市场周期的影响。风险偏好收缩、稳定币规模下降或链上流动性趋紧，均可能在借款需求依然旺盛的情况下压缩可用资金。由于 USD.AI 的收益来源是信贷流量与敞口规模，而非单纯的余额增长，资本市场的持续动荡将直接拖累放款吞吐量与收入。

结语

USD.AI 致力于为真实世界 AI 算力部署构建链上信贷基础设施——这是资本需求极为密集的市场。其核心押注并非 GPU 需求是否存在，而是这一需求能否转化为可扩展、具备法律可执行性的抵押品与资金渠道，并由链上资本市场承接。若能实现，USD.AI 将在连接 DeFi 流动性与实体非加密抵押品方面迈出重要一步。

协议的差异化优势在于架构层面。CALIBER 旨在使实体 GPU 抵押品具备可执行性与可验证性；QEV 则通过队列定价机制管理赎回压力，避免对长期限非流动性资产实施强制变现。这一架构与基础设施融资的现实逻辑相符，但也将执行风险高度集中于协议自身。

CHIP 同时承担两项经济职能。一是治理驱动的回购：治理层将可分配盈余持续用于回购，CHIP 从中积累价值。二是保险后备资本：CHIP 作为认可后备资本时，覆盖比率与质押资本认定效率共同决定所需的最低资本规模，即保险资本隐含偿付门槛。各情景下，回购支持 FDV 区间为4,640万美元（悲观）至3.296亿美元（基准）和17.4亿美元（乐观）；保险资本隐含偿付门槛区间为2.701亿美元（悲观）至2.756亿美元（基准）和5.032亿美元（乐观）。

归根结底，投资逻辑的核心有两点：其一，USD.AI 能否在规模化的同时持续将储备项目转化为实际放款，并维持资本效率与系统稳健性；其二，治理层能否建立可重复、获市场认可的 CHIP 价值积累机制。若资金实现率持续改善、流动性设计运行符合预期，且治理层展现出纪律性的资本政策，USD.AI 有望成为经济模型可持续的信贷基础设施。若时效延误持续、利润空间在规模化前已受挤压，或治理层的价值积累承诺停留于愿景而非实际执行，无论 AI 基础设施需求多旺盛，市场都难以为 CHIP 的乐观情景定价。

—————————————————————

免责声明

本报告由USD.AI委托制作。所有内容均由作者独立撰写，不代表Messari, Inc.或委托方的立场与观点。委托方可就报告内容提供意见，但Messari保留对最终报告的编辑控制权，以确保数据准确性与客观性。作者可能持有本报告中提及的加密货币。本报告仅供参考，不构成投资建议。在做出任何投资决策前，请自行开展研究，并咨询独立的财务、税务或法律顾问。任何资产的历史表现不代表未来收益。详情请参阅我们的服务条款。未经Messari®事先书面同意，本报告任何部分均不得以任何形式（a）复制、影印或复刻，或（b）进行转载。