一个运行着 32 万张 GPU 的加密网络，正在用真实市场交易为 GPU 算力定价。
TechFlowPost 刊发、Decentralisedco 撰写的分析文章称，彭博终端目前显示来自 Silicon Data、Ornn 和 Compute Desk 的 GPU 价格指数。三家机构都在跟踪 H100 租赁价格，但对一台 H100 究竟值多少钱，并没有形成一致结论。原因在于，大多数 GPU 算力通过私人双边合约以折扣价流转，公开指数很难有效反映真实价格。
同样是 H100，价格差异可能超过 3 倍
文章提出一个问题：当用户为一台 H100 支付每小时 3 到 10 美元时，实际租到的到底是什么。
在 Vast.ai 上，每小时 3 美元买到的，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，且没有正常运行时间保证。另一边，同样的 H100 在 Oracle Cloud 上每小时可达 10 美元，背后是专门建设的设施、GPU 之间每秒 400 吉比特的 InfiniBand 互联，以及全天候监控的工程团队。
这意味着，价格高出三倍多，并不只是芯片本身更贵，而是整套计算环境不同。文中称，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 倍价差。
文章认为，价差存在的根本原因是 GPU 本身不是最终产品，而是更大服务中的一种原料。比如，一座建筑里通过 NVLink 和 InfiniBand 连接的 512 张 GPU 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，也无法高效完成同类任务。两者本质上是不同产品，只是共用了同一个名字。
债务市场已经把合同价值计入 GPU 定价
文章以 CoreWeave 的融资为例说明，市场实际承保的并不只是硬件。
CoreWeave 曾多次以同类 H100 硬件为抵押借款。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%；而在没有合同包装、仅以相同硬件借款时，利率升至 9.75%。两者相差 400 个基点，拉开差距的并不是 GPU 本身，而是硬件之上的客户合同。
在作者看来，这说明债券市场已经看清，真正被定价的是整套收入结构，而不是单独一张 GPU 卡。
GPU 质量差异太大，期货交割难以成立
文章指出，期货合约成立的前提，是标的物可以被分级，且最优等级与最差等级之间的差距足够窄，定价机制才能吸收波动。
文中给出的对比是，黄金相对伦敦合格交割金条的偏差不到 1%，这也是黄金期货自 1970 年代以来能够稳定运行的原因。WTI 原油允许相对基准等级约 5% 的偏差，其余由升贴水表吸收。即便是活牛，这种生物学上天然存在个体差异的标的，质量带通常也控制在 15% 到 20%。
但在 GPU 市场，情况完全不同。Silicon Data 对 11 个不同设施中的 3500 张 H100S GPU 做基准测试后发现，性能差异达到 38%。而这还只是芯片性能本身，尚未计入网络、正常运行时间、冷却条件，以及低成本机架与企业级集群之间的其他差别。
如果把完整服务配置也算进去，文中称价差会扩大到 200% 到 700%。在这种情况下，任何分级表都无法吸收 7 比 1 的质量范围，作者据此认为，试图用期货合约为这类资产进行干净定价并不现实。
进一步说，一旦在无法有效分级的标的上建立交割机制，就会出现典型的逆向选择。假设卖方在期货合约下欠买方 1000 个 H100 小时，理论上既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。两者都可能满足合约文字要求，但卖方显然会优先交付更便宜的那一种。
文章援引 George Akerlof 在 1970 年关于柠檬市场的论文，指出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产品，最终掏空整个市场。
CME 的 GPU 期货选择现金结算
文章称，CME 显然意识到了这一问题，因此其计划于 2026 年 10 月 5 日推出的 GPU 期货合约，完全避开实物交割，改为现金结算，并参考 Silicon Data 的调查指数。
但问题并未消失。该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%。也就是说，结算机制基于公开标价的估计，而市场上大多数大买家并不是按这个价格成交。
文章认为，这一缺陷无法通过做更好的调查来修复。因为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硬件的人手里，而他们有充分理由不公开这些信息。与此同时，算力还是一种流量商品，没有在当下被买走的 GPU 小时会永久消失，因此任何定价信号都必须实时运作，否则在发布时就已经过时。
Pearl 试图把矩阵乘法变成工作量证明
在作者看来，获取这类价格信息的唯一方式，是在真实规模下，让对手方用真金白银参与真实交易。由此，文章引出 Pearl。
Pearl 是一条试图让 GPU 算力具备商业价值的 Layer 1 区块链。它继承了自 2009 年以来保障比特币的工作量证明共识和难度调整机制，但矿工运行的不是 SHA-256 哈希，而是在 GPU 上执行矩阵乘法。
文章解释称，矩阵乘法之所以有价值，是因为它正是 ChatGPT 生成回答、Nano Banana 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核心计算。过去三年里，大语言模型和扩散模型的计算核心都运行在矩阵乘法上，而 Pearl 给矿工额外激励，让他们把同样的运算当作工作量证明来做。
不过，安全性问题随之出现。SHA-256 没有捷径，不做完整计算就无法产生输出，因此输出本身就能证明工作已经完成。矩阵乘法不同，它本质上是对数字串做乘法和加法，模式可能让矿工用较少努力算出答案，从而削弱工作量证明的有效性。
NoisyGEMM 如何约束矿工
Pearl 使用一种名为 NoisyGEMM 的机制来保证矿工诚实执行计算，流程分为三步：
- 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，打破矿工可能利用的对称性或捷径。由于矿工事先不知道噪声内容，他们必须在之后真正执行计算。
- 矿工在加噪版本上运行完整矩阵乘法，并在 GPU 上逐块处理输出。
每个输出块都会被哈希，并与网络难度目标比较。如果某个块的哈希低于目标，矿工就获得区块奖励。
文章指出，噪声的引入阻止了矿工在不实际工作的情况下拿到奖励，但也意味着网络无法直接得到原始工作负载的答案。Pearl 的做法，是让噪声具备已知结构，这样在矿工完成乘法后，可以用较低成本将噪声剥离并清理结果。
194 秒一个区块，网络持续测量真实算力
文章称，当一张 GPU 在 Pearl 上挖矿时，网络会测量这台机器在协议目标的 194 秒区块间隔内，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。
这使得同样一张 H100，在冷却良好的企业设施中，可能比放在车库里、使用消费级以太网且气流不佳时，每个区块完成更多工作。Pearl 会自动捕捉这种差异，而任何按型号取平均的价格指数都做不到这一点。
当这一机制扩展到数十个地理区域的 32 万张 GPU 时，文章认为，总算力就变成了一个持续更新的真实世界 AI 算力基准，每 194 秒更新一次，不依赖调查，也不依赖公开费率卡。
矿工在 Pearl 与租赁市场之间切换，形成机会成本价格
文章进一步指出，算力还会跟踪配置变化。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。
当某地对 GPU 算力的真实需求飙升时，运营商会把机器从 Pearl 上撤下，转去服务付费客户，网络算力下降。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。网络难度会像比特币自 2009 年以来那样，对这些迁移作出调整。
文中将这一逻辑与比特币矿工的经济选择作比较。比特币矿工权衡的是电力成本与出售所挖比特币的收益。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。当足够多矿工做出同样选择时，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 上，GPU 在挖矿与租赁市场之间的流动，会持续产生 GPU 算力的均衡价格。算力高且继续上升，意味着公开市场上的计算资源更便宜，因为运营商发现挖 Pearl 比出租更划算；算力下降，则意味着某处出现了足够高的支付价格，把机器从网络中拉走。
文章强调，这种价格信号来自显示性偏好，来自成千上万 GPU 运营商用自己的硬件和资金做出的选择，而不是来自云服务商市场团队印在费率卡上的数字。作者认为，这正是彭博指数和 CME 结算机制长期只能接触到的那部分信息之外的内容。
Together AI 已基于 Pearl 推出商业化推理端点
文章称，Together AI 是第一个在这一基础上做商业化的公司。2026 年 5 月 15 日，Together AI 宣布推出一个运行在 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。
其经济性来自这样一种安排：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。文章称，这使 Together 能以低于更广泛市场的价格提供服务，而不需要从自身利润中补贴差额。
不过，作者也提到，Pearl 网络中尚未服务付费推理客户的算力规模，目前还没有达到这一需求水平，如何弥合这一差距仍是后续挑战。但在作者看来，定价机制本身并不依赖这一点，而是依赖于机会成本真实存在，并且对这 32 万台机器中的每一台，以及推理市场中的其他若干机器都成立。
文章观点：真实迁移行为比公开报价更接近市场价格
文章最后总结称，GPU 算力市场年规模达到数千亿美元，却一直没有可靠价格。彭博指数试图跟踪这一市场，但在任何给定一周都难以给出准确方向；CME 计划于 2026 年 10 月 5 日推出的 GPU 期货，则以现金结算对照大买家明显并不支付的公开标价。
与之相比，一个基于比特币代码库、仅运行 5 个月的工作量证明网络，已经有 32 万张 GPU 持续在「挖矿」与「公开市场出租产能」之间做选择。文章认为，这些决策的汇总，正在产生 GPU 算力行业迄今最接近准确价格的信号。