彭博终端目前展示了来自 Silicon Data、Ornn 和 Compute Desk 的 GPU 价格指数。三家机构都在跟踪 H100 的租赁价格，但对于一台 H100 究竟值多少钱，并没有形成一致结论。
问题在于，大多数 GPU 算力并不是在公开市场上以统一标准成交，而是通过私人双边合约、并且往往以折扣价流转。公开指数因此很难有效定价。
一套加密网络正在用另一种方式处理这个问题。按照原文说法，一个运行着 32 万张 GPU 的网络，已经在用真实市场交易为 GPU 算力定价。
同样是 H100，价格差距可以超过 3 倍
文章先把问题落在一个具体场景上：当用户为一台 H100 支付每小时 3 美元到 10 美元时，实际租到的并不是同一种产品。
在 Vast.ai 上，3 美元每小时对应的，可能只是某人备用服务器机架里的一张 GPU，通过普通以太网连接，机器正常运行时间也没有保证。另一边，10 美元每小时的 H100 可能位于 Oracle Cloud 的专用设施中，GPU 之间通过每秒 400 吉比特的 InfiniBand 互联，并由工程师团队全天候监控。
报道指出，价格高出三倍多，不只是因为芯片本身，而是因为 Oracle 出售的是一整套计算环境，而不只是对芯片的访问。仅这一差别，就能让同一块硅片在不同提供商之间出现 6.7 倍的价差。
这也是 GPU 难以被统一定价的核心原因之一。GPU 本身不是完整产品，而是更大服务中的一种原料。一个由 512 张 GPU 组成、通过 NVLink 和 InfiniBand 连接的集群，可以执行分布式训练任务；而分散在 5 个低成本数据中心的 512 张独立 GPU，即便芯片数量相同，也无法高效完成同样的工作。两者技术上都可以被称为 GPU 资源，但实际并不是同一种商品。
债务市场定价的不是芯片，而是芯片之上的合同
文章还引用了 CoreWeave 的融资案例，说明市场实际承保的对象并不只是硬件。
CoreWeave 曾多次以同类 H100 硬件作为抵押借款。当债务背后有 Meta 的长期照付不议协议支持时，利率约为 5.9%；而当公司以同样硬件借款、但没有合同包装时，利率升至 9.75%。
两者之间 400 个基点的差距，来自硬件之上的客户合同，而不是 GPU 本身。原文借此说明，债券市场已经把 GPU 看作服务体系中的一部分，而不是一个可以脱离上下文独立定价的标准化商品。
GPU 质量差异过大，期货逻辑很难成立
期货合约要成立，前提是标的物能够被分级。文章给出的对比是，黄金相对伦敦合格交割金条的偏差不到 1%，WTI 原油允许相对基准等级约 5% 的偏差，活牛的质量带大约也控制在 15% 到 20%。
但在 GPU 市场，情况完全不同。根据原文，Silicon Data 对 11 个不同设施中的 3500 张 H100S GPU 做基准测试时，性能差异达到 38%。而这还只是芯片性能，没有把网络、正常运行时间、冷却条件，以及低成本机架和企业级集群之间的其他差别算进去。
一旦把完整服务配置纳入，价差会扩大到 200% 到 700%。原文据此认为，没有任何分级表能够吸收 7 比 1 的质量范围，因此想用期货合约干净地为这类资产定价，并不现实。
如果在无法有效分级的商品上建立交割机制，就会出现逆向选择。卖方如果在期货合约下欠买方 1000 个 H100 小时，可以交付高端集群上的时间，也可以交付每小时 3 美元的零散低成本现货实例。两者在技术上都满足合约，但卖方显然会倾向于交付更便宜的那一种。
文章把这一现象对应到 George Akerlof 在 1970 年关于「柠檬市场」的论文：当买方在交割前无法验证质量时，最差版本的产品会系统性挤出更高质量的版本，直到市场被掏空。
CME 选择现金结算，但参考指数仍有偏差
报道提到，CME 计划于 2026 年 10 月 5 日推出 GPU 期货合约。该合约没有采用实物交割，而是选择现金结算，对照 Silicon Data 的调查指数。
不过，问题并没有因此消失。因为这一指数收集的是云服务商在公开费率卡上公布的价格，而大买家实际谈判出的价格通常低 40% 到 50%。换句话说，结算机制参考的是标价估计，但市场上多数大买家并不按这个价格成交。
文章认为，这个问题无法通过做一份更好的调查来解决。要准确给特定设施中的特定 GPU 小时定价，所需信息只掌握在运营这些硬件的人手里，而他们也有充分理由不公开这些信息。与此同时，算力还是一种流量型商品，没有在某一时刻卖出的 GPU 小时会永久消失，因此任何价格信号都必须实时生成，否则在发布时就已经过时。
Pearl 想把矩阵乘法变成可验证的工作量证明
在这样的背景下，文章把焦点转向 Pearl。Pearl 被描述为一条试图让 GPU 算力具备商业价值的 Layer 1 区块链。
比特币矿工运行的是 SHA-256 哈希，这种计算的作用是证明矿工消耗了电力。一旦证明被写入区块，相关哈希本身就没有其他用途，既不能复用，也不能卖给区块链之外的任何人。
而 Pearl 继承了自 2009 年以来保障比特币的工作量证明共识和难度调整机制，但矿工执行的不是 SHA-256，而是在 GPU 上进行矩阵乘法。
文章给出的理由很直接：矩阵乘法正是 ChatGPT 生成回答、图像模型根据文本提示渲染图像、企业用专有数据微调语言模型，以及自动驾驶汽车实时处理摄像头画面时所依赖的计算核心。过去 3 年里，大语言模型和扩散模型背后的核心计算，也都建立在矩阵乘法之上。Pearl 试图通过额外激励，让矿工把这类运算同时作为工作量证明来执行。
NoisyGEMM 如何防止矿工走捷径
直接用矩阵乘法替代哈希函数，会带来安全性问题。报道指出，SHA-256 没有捷径，不做完整计算就无法得到输出；而矩阵乘法本质上是对数字串做乘法和加法，矿工可能利用模式，用较少工作量推导出答案，从而削弱工作量证明的有效性。
Pearl 为此采用了一种名为 NoisyGEMM 的机制，流程分为 3 步：
- 矿工在开始工作前，先对输入矩阵做出承诺，提交后不能更改。
- 协议随后向已承诺的矩阵加入随机噪声，打破矿工可能预先利用的对称性。由于矿工事先不知道噪声内容，必须在之后真正执行计算。
- 矿工在加噪后的版本上运行完整矩阵乘法，并在 GPU 上逐块完成计算。
每个输出块都会被哈希，并与网络难度目标进行比对。如果某个块的哈希低于目标，矿工就获得区块奖励。
加入噪声可以阻止矿工在不实际工作的情况下拿到奖励，但这也意味着网络无法直接得到原始工作负载的答案。Pearl 的处理方式，是让噪声具备已知结构，从而在矿工完成乘法后将噪声剥离，且清理成本较低。
194 秒一个区块，网络持续测量真实算力
按照原文描述，当一张 GPU 在 Pearl 上挖矿时，网络会测量这台机器在 194 秒的区块间隔内，在当时的电力、冷却和网络条件下，实际完成了多少次矩阵乘法。
这意味着，同样一张 H100，如果位于冷却良好的企业级设施中，每个区块完成的工作量可能高于放在车库里、使用消费级以太网且气流不佳的同型号芯片。Pearl 会自动捕捉这种差异，而按型号取平均的价格指数做不到这一点。
文章进一步把这一逻辑扩展到数十个地理区域的 32 万张 GPU。按其说法，这样形成的总算力，构成了一个持续更新、每 194 秒刷新一次的真实世界 AI 算力基准，不依赖调查，也不依赖公开费率卡。
32 万张 GPU 在挖矿和租赁之间流动，形成机会成本价格
原文强调，算力不仅反映芯片性能，也反映配置和市场选择。这 32 万张 GPU 中的每一张，都可以在 Vast.ai、CoreWeave、Lambda 或其他争夺 AI 客户的云服务商平台上赚取租赁收入，而这些运营商选择把机器指向 Pearl。
当世界某处对 GPU 算力的真实需求上升时，运营商会把机器从 Pearl 撤下，转去服务付费客户，网络算力随之下降。反过来，当需求走软、租赁收入下降时，这些 GPU 会回流到 Pearl，网络算力上升。难度调整机制则会像比特币自 2009 年以来应对挖矿经济变化那样，对这些迁移作出反应。
文章拿比特币矿工的电力选择作类比。2023 年 8 月德克萨斯热浪期间，Riot Platforms 关闭了大部分矿机，收取了 3170 万美元电力信用，是当月挖出的 333 枚比特币价值的三倍多。当足够多矿工做出类似选择时，比特币网络算力下降，难度每 2016 个区块重新调整，以维持大约每 10 分钟一个区块。
在 Pearl 的框架下，GPU 在挖矿与租赁市场之间的流动，会产生一个持续更新的 GPU 算力均衡价格。原文的判断是：如果算力高且继续上升，说明公开市场上的计算资源较便宜，因为运营商发现挖 Pearl 比出租更划算；如果算力下降，则意味着某处出现了更高的真实支付价格，把机器从网络中拉走。
这种价格信号来自显示性偏好，也就是 GPU 运营商用自己的硬件和资金做出的实际选择，而不是云服务商市场团队写在费率卡上的数字。文章认为，后者恰恰是彭博指数和 CME 结算机制目前主要能接触到的信息。
Together AI 已基于 Pearl 推出推理端点
商业化方面，文章提到 Together AI 已经率先基于这一机制推出产品。2026 年 5 月 15 日，Together AI 宣布一个运行在 Pearl 挖矿网络上的推理端点，以比标准云费率低 25% 以上的价格提供 Gemma-4-31B-it-Pearl。
原文给出的解释是，通过 Together 端点提供推理服务的 GPU，同时也在挖 Pearl，因此挖矿收入可以抵消部分运营成本。Together 因而能够低于更广泛市场定价，而不需要由自身利润去补贴差额。
不过，文章也提到，Pearl 网络的大部分算力尚未服务到来自付费推理客户的这一层需求，如何弥合这部分差距，仍是接下来的挑战。但在作者看来，定价机制本身并不依赖这一点，而是依赖真实存在的机会成本——这种机会成本存在于这 32 万台机器中的每一台，以及推理市场中的其他若干机器上。
文章观点：链上算力流动比公开报价更接近真实价格
文章最后给出的结论是，GPU 算力市场年规模达到数千亿美元，但一直缺乏可靠价格。彭博指数试图跟踪这一市场，却无法在任意一周都给出准确方向；CME 计划于 2026 年 10 月 5 日推出的 GPU 期货，则是以大买家明显并不支付的公开标价作为现金结算参考。
与之相比，一个基于比特币代码库、上线仅 5 个月的工作量证明网络，正在通过 32 万张 GPU 持续决定是挖矿还是在公开市场出租产能。原文认为，这些决策的汇总，已经形成了 GPU 算力行业迄今最接近准确价格的信号。