Pearl 想做的事很直接：让同一张 GPU 一边做 AI 推理，一边完成工作量证明挖矿。
这个想法并不新。以太坊还是 PoW 的几年里，矿工使用的就是消费级显卡，算法是 Ethash。一张 RTX 3060 在 Ethash 上大约 48 MH/s。当时就有人设想，既然挖矿和 AI 都依赖显卡，能不能让同一张卡同时承担两种任务。
问题在于，两类负载卡住的地方并不一样。Ethash 主要吃显存带宽，计算的是固定难度哈希；AI 更依赖张量核心的浮点吞吐和几十 GB 显存，主力硬件是 H100 这类数据中心卡。游戏本上的显卡可以挖矿，也能勉强跑小模型，但很难把两件事同时做好。
Vitalik Buterin 在 2019 年对这件事下过判断。他当时说：「如果能找到某种既有用又容易验证的计算，加密货币挖矿会成为社会的一笔巨大财富，但这大概是做不到的。」
Pearl 的说法是，它已经把这件事做出来了。Vitalik 几年前的这段判断，也被放在 Pearl 官网的显眼位置。
Pearl 想把出块计算改成矩阵乘法
Pearl 是一条独立的工作量证明公链，代币为 PRL。它不让矿工反复计算哈希，而是改做矩阵乘法，也就是神经网络每一层都在执行的那类乘加运算。按项目设计，同一份 GPU 计算既能出块发币，也能产出可验证的 AI 计算。
官方对这套设计的表述是「能量、数据、货币在一次操作里」。比特币把能量和货币绑在一起，AI 把能量和数据绑在一起，货币化把数据和钱绑在一起。Pearl 想做的是，在一次矩阵乘法里让三者同时发生。
在 PoW 这条线上，近几年已经很少出现能引发持续讨论的新公链。市场注意力更多集中在 L2、模块化和再质押。正因如此，一条新的 PoW 链本身就不常见。PRL 当前流通市值为 4.3 亿美元，项目试图讲述的核心，就是「有用工作量证明」能否真正落地。
Pearl 试图解决的不是“有用”，而是“无许可地有用”
比特币工作量证明的一个特点是，矿工所做的计算与现实世界没有直接关系。同样一度电，如果拿去跑模型，可以生成 token、出图，或者完成其他任务，因此很多人会觉得单纯挖矿存在浪费。
但真正的难点不在于让计算“有用”，而在于无许可。无许可意味着任何人都可以参与挖矿，不需要报名，也没有资格审核。比特币的安全模型建立在这一点上：不管矿工算的是什么，成本结构都一致。一旦工作量被替换成现实中有价值的任务，矿工就会有动机偷工减料，或者挑选更便宜的输入。
所以问题并不是能不能让挖矿变得有用，而是能不能在保持无许可的前提下，让它有用，同时又让矿工无法偷工。
Pearl 的回答是，把比特币的随机哈希换成矩阵乘法，让 GPU 把工作量证明当成 AI 负载的副产品来完成。其白皮书直接使用了「2-for-1」这个词。换句话说，过去一批 GPU 只有两个用途：要么挖矿，一边耗电一边出币；要么跑模型，一边耗电一边产出 AI token。Pearl 想把这两个用途合成一个。
这个设想并非只停留在口号层面。密码学研究者 Rafael Pass 在论文《The Economics of Proof-of-Useful-Work》中，把机器工作分成三类：纯挖矿、纯推理，以及同时产出两者的双工工作。论文指出，双工并不是免费的：同一份算力同时做两件事，得到的不是两份产出，而是大约一份半。如果额外开销足够小、代币被市场接受的规模足够大，那么区块奖励就相当于给推理价格打了返点，原本不会进入市场的推理算力也可能被吸引进来。
这套推演在数学上成立，但其中有三个关键变量——开销、币价、推理需求——都不是 Pearl 自己能够决定的。论文脚注还披露，作者是在为 Pearl Research Labs 提供咨询期间完成这项研究。
矩阵乘法为什么能被拿来做 PoW
要理解 Pearl 的机制，先要拆开「矩阵乘法」这个词。它不是 Pearl 发明的，而是一种很老的运算，神经网络几乎每一层都在使用。
矩阵可以理解为按行列排列的数字表格。两张表可以相乘，前提是前一张的列数等于后一张的行数。结果矩阵中的每个格子，都来自前一张矩阵的一行与后一张矩阵的一列，逐项相乘后再加总。
文中的最小例子是：A 的第一行是 1 和 2，B 的第一列是 5 和 7，那么结果矩阵左上角就是 1 乘 5 加 2 乘 7，结果为 19。其他格子也按同样规则计算。
在 AI 模型中，一层运算可以写成「输入乘权重」。用户的一句话会被切成向量，与这一层的权重矩阵相乘，得到结果后再经过非线性函数，交给下一层。模型越大，矩阵越大，一次乘加的次数动辄上万亿。GPU 正是为这种规则整齐的乘加运算设计的，这也是为什么挖矿卡和 AI 卡本质上属于同类芯片。
按 Pearl 的理想场景，用户在网上向聊天机器人提问，服务器上的显卡开始逐层执行矩阵乘法。如果这台机器安装了 Pearl 插件，并运行的是其认证过的开源模型，那么这些乘法在生成回答的同时，也会被拿去参与出块。每算完一小块，就会生成一次指纹；如果指纹足够小，就像中了彩票一样获得区块奖励。对用户来说，回答照常返回，价格甚至可能更低。同一批乘加运算，一边变成 AI token，一边变成链上代币。
协议如何防止矿工“偷工”
这套设计要成立，首先要解决矿工绕过大计算量的问题。
在 Pearl 的流程里，矿工手上有两张表格。他需要先把表格压成一个指纹提交上去。所谓压指纹，就是把表格中的所有数字一起做一次哈希，得到一段很短的结果。链上看到这个指纹后，才会告诉矿工要往表格里加入哪些随机数。顺序被锁死后，矿工就来不及再改表格。
官方把这个过程称为加噪声。更直白地说，就是往两张表格里掺入一批随机数字，掺多少、掺在哪些位置，都由前面的指纹决定，矿工自己不能挑。
如果不加这一步，就会出现捷径。干净的 A 乘 B，与加入随机数后的乘积之间，只差三个修正项。这三个修正项规模不小，但计算成本很低。矿工本来就持有干净的 A 和 B，完全可以先算出干净答案，再补上几个便宜的修正项，拼出加噪后的结果，从而绕过真正昂贵的大矩阵乘法。
因此，协议并不要求矿工直接提交完整结果，而是要求他提交所用到的若干行输入，再附上一份证明。验证者只需要把这一小部分取出来，加入同样的随机数，重算这一小块，再检查指纹是否一致。重算一小块的成本很低，但足以确认矿工没有偷工。
如果这些表格涉及公司权重或用户数据，还可以再叠加一层零知识证明，用来证明计算确实发生过，但不暴露具体使用的是哪两张表。
项目已经推出认证模型和商业接口
从当前公开进展看，Pearl 已经把一部分基础设施搭出来了。
在 Hugging Face 上，pearl-ai 组织名下有 4 个认证模型：Llama 3.3 70B、Llama 3.1 8B、Qwen3 30B 和 Gemma 4 31B。官方称它们为「认证变体」。做法不是重新训练，而是把同一批权重按 Pearl 的量化格式重新压缩，使其能够在插件中实现一边推理、一边挖矿。
按项目给出的数据，精度损失较小。Gemma 4 31B 的 MMLU 从 90.93 降到 90.56。
截至 2026 年 10 月 9 日，这 4 个模型近 30 天下载量在 195 到 6424 之间，点赞数分别为 0、3、5、6。
商业化出口也已有一条。2026 年 5 月，Pearl 与 Together AI 合作上线了一个运行 Gemma 模型的接口。根据 Together 的公告，该接口调用价格比普通接口便宜 25%，差价由代币未来价值抵扣。
模型已经挂出，代码也已开源，但接下来的问题是：网络里实际跑的到底是不是这些真实推理任务。
研究报告：网络算力存在，但有用 AI 产出为零
2026 年 6 月，研究者 Abhinaba Basu 在《The Usefulness Gap in Proof-of-Useful-Work》中测试了 Pearl 的实际运行情况。
报告称，当时全网算力约为 24 EH/s，约等于 32 万张 RTX 3090 级别显卡，估计耗电 112 兆瓦，但有用的 AI 计算产出为零。
作者抽查了 8012 个矿工工作单元。结果显示，这些硬件全部具备推理能力，但主流矿机软件中，与矩阵乘法相关的字符串有 4803 条，与机器学习框架相关的字符串则为 0 条。
他还自己编写了一个矿工程序，用随机数字填充表格，在英伟达、AMD、CPU 和苹果芯片上都跑通，并拿到了矿池认可的 44 个份额。也就是说，在设计上，「提供真实数据让模型算出结果」与「用同一张卡挖币」可以合并；但在实际运行中，两者仍然是分开的。
那网络上实际在跑什么？根据矿池 Kryptex 页面，全网算力已经升至 46.37 EH/s，难度为 2.26 TH，平均出块时间约 203 秒，每块奖励 2271.03 PRL，每日产出约 96.6 万枚，币价约 1.30 美元。过去 6 个月里，算力几乎翻倍，而新增上来的绝大多数算力，仍然是在填随机数字。当前市场上的主要行为，仍是买卡、插卡、填随机数、等待结算。
问题不在乘法真假，而在输入是否真的“有用”
这篇文章用一个比喻解释了 Pearl 当前的症结：如果食堂贴出告示，谁切够 100 斤菜，谁就能领工资，而检查只看有没有切够 100 斤，不看切的是什么菜，那么就会有人拉来一车烂菜叶，切够重量后照样领钱。切菜这件事是真的，力气也确实花了，但厨房并不需要这些叶子。
Pearl 现在卡住的地方就在这里。协议会检查表格指纹是否匹配、结果是否等于两张表相乘、工作量是否达到难度要求，正式设计里还有一层统计闸门，用来拦截明显做过手脚的输入。这些都能查。
但协议并不检查这两张表格究竟来自哪里。矿工完全可以自己构造两张随机数字表格。这样的乘法同样困难，指纹同样合格，也同样可能中块，只是结果没有任何人需要。协议只验证乘法关系，不验证语义。「有用」在这里仍然是商业问题，而不是密码学保证。
这一点并非推测。前述报告中，被抽查的机器都具备模型推理能力，但矿机软件里没有任何推理框架代码；作者自己用随机数字填表格，也拿到了矿池认可的份额。当前全网算力在 45 EH/s 上下，绝大多数仍然是在填随机数字。
从规模差距看，论文还给出一个反事实：如果这套设计真按宣传那样运转，那么当时 24 EH/s 的网络每天本应产出约 770 万 GPU 小时的有用 AI 算力。论文还提出一个「价值毁灭比」指标，Pearl 实测为 1.0，与比特币持平，而 Filecoin 约为 0.64。
矿工为什么不愿意接真实推理订单
矿工不接推理订单，并不只是因为不熟悉，而是因为账算不过来。
论文估计，把推理引擎和挖矿耦合在一起，会损失约 10% 到 30% 的有效算力。这意味着，接入真实推理任务不仅要改软件、适应请求节奏，还要先承担这部分算力损失。币价不高的年份，这笔账很容易变成负收益。
论文也列出了一些可能的解决路径。
第一条路是把表格来源管起来，要求矿工必须使用外部客户提交的表格。Pearl 当前的插件和认证模型，就是朝这个方向推进：把模型和插件交给矿工，如果矿工用真实模型跑推理，那份矩阵乘法就顺手完成了挖矿。问题在于，这仍然是自愿的，接不接单最终还是矿工自己算经济账。
第二条路是检查表格在统计特征上是否像真实模型权重，而不是随手生成的随机数。但论文自己否定了这条路，因为矿工只要调整分布，就几乎可以零成本骗过检查。
还有几条更远的路径尚未落地。比如把模型来源做成可验证签名，这需要模型方先建立公钥体系；使用可信硬件证明数据出处，则需要额外信任芯片厂商，而且会拖慢速度；在奖励机制上做区分，让真实数据获得更高回报，则需要先有一批愿意付费的真实客户。
开发团队与同类项目的不同押注
Pearl 的开发方是 Pearl Research Labs。Omri Weinstein 是联合创始人兼 CEO，这一头衔来自 Together AI 的合作公告。他的研究方向是复杂性理论，在希伯来大学任教，也是前述奠基论文的作者之一。
另一位作者 Ilan Komargodski 也出现在 Hugging Face 的组织成员名单中，但其具体身份是员工还是顾问，目前没有公开来源可以证实。能够对应上的还有 Erez Badash，他是讨论 GPU 逐位复现的 Hawkeye 论文第一作者。
与其他项目相比，Pearl 的押注更窄。Bittensor 的做法是让验证者给矿工提交的模型输出打分，分数由名为 Yuma 的共识决定；io 的模式则是按需把 GPU 租给机器学习任务。Pearl 押注的是另一件事：出块所需的那道矩阵乘法本身，就应该有人愿意购买。
它真正赌的是，推理需求最终会大到足以吃掉出块算力。到了那个阶段，矿工会自己算明白，接真实订单比填随机数字更划算。如果这一步始终到不了，那么 Pearl 仍然只是一条换了数学形式的显卡矿链，算出来的东西与 AI 同源，但与任何具体用户的真实需求没有直接关系。