Studija tvrdi da Pearlova mreža rudari bez korisnog AI računa i troši oko 112 MW

Novi istraživački preprint tvrdi da Pearl, Layer-1 blockchain koji se predstavlja kao mreža koja kriptovalutno rudarenje pretvara u korisno AI računanje, zapravo ne isporučuje takvu vrstu posla. Prema toj studiji, mreža radi na približno 24 EH/s, što autori uspoređuju s oko 320.000 RTX 3090-klase GPU-ova i procjenjuju da pri tome troši oko 112 megavata energije, dok istodobno proizvodi “zero useful AI computation”.

U istom radu navodi se i da je došlo do otprilike 38-postotnog rasta cijena najma jeftinijih GPU-ova na tržištu vast.ai nakon što je rudarski softver postao javno dostupan u svibnju, a iskorištenost je porasla sa 57 na 94 posto. Studija pod naslovom The Usefulness Gap in Proof-of-Useful-Work opisuje se kao “prvo empirijsko mjerenje” jedne implementirane Proof-of-Useful-Work mreže, a autori tvrde da Pearlov protokol potvrđuje da su rudari ispravno izveli množenje matrica, ali ne provjerava potječu li ti zadaci iz stvarnog AI treninga ili inferencije.

Pearl umjesto Bitcoinova SHA-256 koristi shemu koju naziva cuPOW, pri čemu rudari računaju “noised integer matrix multiplications” i zatim dokazuju da su ih ispravno izveli. Upravo tu studija vidi ključni problem: provjera potvrđuje računsku operaciju, ali ne i je li ulaz došao iz pravog modela, plaćenog korisničkog posla ili bilo kojeg AI opterećenja. Autori tvrde da se tako može završiti u situaciji u kojoj se dobiva nagrada i za slučajno umetnute random matrice, bez stvarnog AI rada.

Istraživač Abhinaba Basu za demonstraciju je napravio rudara koji mreži šalje potpuno nasumične matrice bez ikakve veze s inferencijom, a zatim je izlaz slao u mining pool. U radu se navodi 44 odobrena sharea na Nvidia i AMD hardveru, uz testove na CPU-u i Apple Siliconu te jedan on-chain isplativ rezultat ostvaren korištenjem standardnog rudarskog softvera bez izmjena. Basu je, prema studiji, analizirao i 8.012 radnika u jednom poolu, što predstavlja oko 21 posto Pearlova hashratea, te zaključio da su svi koristili hardver sposoban za AI inferenciju.

Autori ipak navode i ogradu: dominantni rudarski binary nije sadržavao prepoznatljiv kod za bilo koji strojno-učeni okvir, no analiza se oslanja na provjeru stringova, pa se može zaobići uklanjanjem ili zamagljivanjem koda. Profiliranje rada pokazalo je snažno računsko opterećenje i malu uporabu propusnosti memorije, što je prema radu obrazac dosljedan čistom računanju matrica, a ne ponašanju tipičnom za transformer inferenciju. Za tržište GPU-ova i rudarsku industriju studija time otvara pitanje koliko su takvi sustavi doista vezani uz korisno AI računanje, a koliko samo koriste njegovu terminologiju.