Pearl: آیا واقعاً می‌توان همزمان AI را اجرا کرد و استخراج کرد؟｜معرفی پروژه

در سال‌های اولیه اتریوم که POW (اثبات کار) بود، معدن‌کاران از کارت‌های گرافیک مصرفی استفاده می‌کردند و الگوریتم آن Ethash نام داشت. یک کارت RTX 3060 در Ethash حدود 48 MH/s عملکرد داشت. در آن زمان، برخی به این فکر افتادند که از آنجا که استخراج و AI هر دو به کارت گرافیک نیاز دارند، آیا می‌توان یک کارت را همزمان برای استخراج و محاسبه مدل استفاده کرد.

این ایده به نتیجه نرسید زیرا نیازهای این دو کار با هم متفاوت بود. Ethash به پهنای باند حافظه ویدئویی نیاز دارد و محاسبات آن بر اساس سختی ثابت است. AI به توان عملیاتی شناور هسته‌های تنسور و چندین گیگابایت حافظه ویدئویی نیاز دارد و کارت‌های اصلی در این زمینه، کارت‌های مرکز داده مانند H100 هستند. یک کارت گرافیک در یک لپ‌تاپ بازی می‌تواند استخراج کند و به سختی یک مدل کوچک را اجرا کند، اما نمی‌تواند به طور همزمان هر دو کار را به خوبی انجام دهد.

ویتالیک بوترین در سال 2019 در مورد این موضوع نظری داد و گفت اگر بتوان نوعی محاسبه مفید و آسان برای تأیید پیدا کرد، استخراج ارزهای دیجیتال می‌تواند ثروت عظیمی برای جامعه باشد، اما به احتمال زیاد این امکان‌پذیر نیست.

Pearl ادعا می‌کند که این کار را انجام داده است. قضاوت ویتالیک چند سال پیش در وب‌سایت Pearl به وضوح نمایش داده شده است.

Pearl یک زنجیره مستقل اثبات کار است و توکن آن PRL نام دارد. معدن‌کاران به جای محاسبه مکرر هش، به انجام ضرب ماتریس می‌پردازند، که همان نوع ضرب و جمعی است که هر لایه از شبکه‌های عصبی انجام می‌دهد. در طراحی، یک محاسبه GPU همزمان هم توکن تولید می‌کند و هم محاسبات AI قابل تأیید تولید می‌کند.

بیانیه رسمی در مورد این موضوع به این صورت است: «انرژی، داده‌ها و پول در یک عملیات». بیت‌کوین انرژی و پول را به هم متصل می‌کند، AI انرژی و داده‌ها را به هم متصل می‌کند و پول‌سازی داده‌ها و پول را به هم متصل می‌کند. این سه عنصر قبلاً به صورت دو به دو با هم برخورد می‌کردند، Pearl می‌خواهد در یک ضرب ماتریس این سه مورد را همزمان انجام دهد.

خط POW برای مدت طولانی ساکت بوده است. آخرین زنجیره‌های جدیدی که توانسته‌اند بحث جدی را به راه بیندازند، چند سال پیش به پایان رسیدند و پس از آن، هیاهوها در L2، ماژولار و دوباره استیکینگ متمرکز شده است. یک زنجیره جدید POW خود به ندرت دیده می‌شود و اکنون PRL با ارزش بازار 4.3 میلیون دلار، چه موضوعی را می‌خواهد مطرح کند؟

این پروژه چه مشکلی را می‌خواهد حل کند

ویژگی اثبات کار بیت‌کوین این است که آنچه معدن‌کاران محاسبه می‌کنند هیچ ارتباطی با دنیای واقعی ندارد. به عنوان مثال، یک کیلووات ساعت برق که برای اجرای یک مدل استفاده می‌شود می‌تواند توکن، تصویر یا کار تولید کند و بسیاری از افراد معتقدند که استفاده از آن برای استخراج کمی هدررفت است.

چالش واقعی در «مفید بودن» نیست، بلکه در عدم مجوز است. عدم مجوز به این معنی است که هر کسی می‌تواند استخراج کند، بدون نیاز به ثبت‌نام و هیچ‌کس صلاحیت را بررسی نمی‌کند. مدل امنیتی بیت‌کوین بر این اساس بنا شده است که هزینه‌ها برای هر کسی یکسان است. به محض اینکه کار به چیزهای با ارزش واقعی تبدیل شود، معدن‌کاران انگیزه دارند که تقلب کنند یا ورودی ارزان‌تری را انتخاب کنند. بنابراین مشکل این نیست که آیا می‌توان استخراج را مفید کرد، بلکه آیا می‌توان آن را مفید کرد و در عین حال کسی نتواند تقلب کند.

Pearl خود را به عنوان جایگزینی برای هش تصادفی بیت‌کوین معرفی می‌کند و می‌خواهد ضرب ماتریس را به عنوان محصول جانبی بار AI انجام دهد. در وایت‌پیپر به طور مستقیم از عبارت «2-for-1» استفاده شده است. به زبان ساده، قبلاً یک دسته GPU فقط دو مقصد داشت: یا برای استخراج که در آن برق مصرف می‌شود و توکن تولید می‌شود، یا برای اجرای مدل که در آن برق مصرف می‌شود و توکن تولید می‌شود. Pearl می‌خواهد این دو مقصد را به یک مقصد ترکیب کند.

این ایده توسط برخی محاسبه شده است. مقاله‌ای به نام «اقتصاد اثبات کار مفید» توسط محقق رمزنگاری رافائل پاس، کارها را به سه نوع تقسیم می‌کند: استخراج خالص، استدلال خالص و کار دوگانه که همزمان هر دو را تولید می‌کند. کار دوگانه رایگان نیست و مقاله مثالی می‌زند که یک واحد محاسباتی همزمان دو کار را انجام می‌دهد و آنچه به دست می‌آید نه دو خروجی، بلکه حدود یک و نیم خروجی است. اگر هزینه‌ها به اندازه کافی کم باشد و مقیاس توکن در بازار پذیرفته شود، پاداش بلوک معادل تخفیف قیمت استدلال خواهد بود و قدرت محاسباتی استدلالی که در غیر این صورت کسی انجام نمی‌دهد را جذب می‌کند. این استدلال از نظر ریاضی ایرادی ندارد، اما مشکل در سه متغیر آن، هزینه، قیمت توکن و تقاضای استدلال است که هیچ‌کدام از آن‌ها را Pearl نمی‌تواند به تنهایی تعیین کند. در پاورقی مقاله ذکر شده است که نویسنده این کار را در حین مشاوره به Pearl Research Labs انجام داده است.

منطق عملکرد Pearl

برای توضیح اینکه این سیستم چگونه کار می‌کند، ابتدا باید عبارت ضرب ماتریس را تجزیه کرد. این عبارت از Pearl ساخته نشده است، بلکه یک محاسبه قدیمی است که تقریباً در هر لایه از شبکه‌های عصبی استفاده می‌شود.

یک ماتریس یک جدول عددی است که به صورت ردیف و ستون مرتب شده است. دو جدول می‌توانند با هم ضرب شوند، به شرطی که تعداد ستون‌های جدول اول برابر با تعداد ردیف‌های جدول دوم باشد. هر خانه در جدول نتیجه، حاصل‌ضرب یک ردیف از جدول اول و یک ستون از جدول دوم است که با هم ضرب می‌شوند و سپس جمع می‌شوند. به عنوان مثال، اگر A اولین ردیفش 1 و 2 باشد و B اولین ستونش 5 و 7 باشد، خانه بالا سمت چپ جدول نتیجه برابر با 1 ضرب 5 به علاوه 2 ضرب 7 است که برابر با 19 می‌شود. بقیه خانه‌ها نیز به همین ترتیب پر می‌شوند.

در مدل AI، یک لایه محاسبات می‌تواند به صورت «ورودی ضرب وزن» نوشته شود. جمله‌ای از کاربر به وکتور تبدیل می‌شود و با جدول وزن این لایه ضرب می‌شود تا نتیجه به دست آید، سپس از یک تابع غیرخطی عبور می‌کند و به لایه بعدی می‌رود. هر چه مدل بزرگتر باشد، جدول بزرگتر است و تعداد دفعات ضرب و جمع به هزاران تریلیون می‌رسد. GPU برای این نوع ضرب و جمع منظم طراحی شده است و به همین دلیل است که کارت‌های استخراج و کارت‌های AI از یک نوع چیپ هستند.

در شرایط ایده‌آل، اینگونه است. یک نفر در اینترنت از یک ربات چت سوالی می‌پرسد و کارت گرافیک در سرور شروع به اجرای مدل می‌کند و لایه به لایه ضرب ماتریس را انجام می‌دهد. اگر این دستگاه پلاگین Pearl را نصب کرده باشد و مدل متن باز تأیید شده آن را اجرا کند، این ضرب‌ها در حین تولید پاسخ، همچنین برای شانس زدن بلیط استفاده می‌شوند. هر بار که یک بخش کوچک محاسبه می‌شود، یک اثر انگشت ایجاد می‌شود و اگر اثر انگشت کوچک باشد، یک بلیط برنده می‌شود و پاداش بلوک را دریافت می‌کند. کاربر هیچ تفاوتی نمی‌بیند و پاسخ را به همان شکل دریافت می‌کند و ممکن است قیمت حتی کمی ارزان‌تر باشد. همان دسته ضرب و جمع، همزمان به توکن و هم به ارز تبدیل می‌شود.

برای اینکه این سیستم کار کند، ابتدا باید مشکل تقلب حل شود. معدن‌کار در دست خود دو جدول دارد و باید ابتدا آن‌ها را به یک اثر انگشت تبدیل کند. به عبارت دیگر، او باید همه اعداد موجود در این جدول را یک بار با هم محاسبه کند و یک هش کوتاه تولید کند. فقط پس از اینکه این اثر انگشت در زنجیره مشاهده شد، به او گفته می‌شود که چه عدد تصادفی را باید به جدول اضافه کند. ترتیب ثابت است و اگر بخواهد جدول را تغییر دهد، زمان کافی ندارد. این عمل به طور رسمی «افزودن نویز» نامیده می‌شود و به زبان ساده، یعنی اضافه کردن تعدادی عدد تصادفی به دو جدول، مقدار و محل آن‌ها توسط آن اثر انگشت تعیین می‌شود و معدن‌کار نمی‌تواند خود انتخاب کند.

اگر چیزی اضافه نشود، راهی برای تقلب وجود دارد. ضرب A تمیز با ضربی که عدد تصادفی به آن اضافه شده، تنها سه اصلاح دارد که از نظر مقدار بزرگ هستند اما محاسبه آن‌ها بسیار ارزان است. معدن‌کار در دست خود A و B تمیز دارد و می‌تواند ابتدا پاسخ تمیز را محاسبه کند و سپس این چند اصلاح ارزان را اضافه کند تا پاسخ با عدد تصادفی را به دست آورد و نیازی به انجام آن ضرب بزرگ نیست. مانند این است که سوال امتحانی 3987 ضرب 2913 باشد و دانش‌آموز قبلاً جواب را حفظ کرده باشد و با چند عدد کوچک ترکیب کند تا به نظر برسد که واقعاً محاسبه کرده است.

بنابراین پروتکل از معدن‌کار نمی‌خواهد که نتیجه محاسبه شده را ارائه دهد، بلکه از او می‌خواهد که چند ردیف ورودی که استفاده کرده را ارائه دهد و یک مدرک نیز ضمیمه کند. فرد بررسی‌کننده این بخش را بیرون می‌آورد و با همان عدد تصادفی ترکیب می‌کند و فقط این بخش کوچک را دوباره محاسبه می‌کند تا ببیند آیا اثر انگشت درست است یا نه. دوباره محاسبه کردن یک بخش کوچک بسیار ارزان است و کافی است تا تأیید کند که او تقلب نکرده است. اگر این جداول شامل وزن‌های شرکتی یا داده‌های کاربر باشد، می‌توان یک لایه اثبات صفر دانش اضافه کرد تا ثابت کند که واقعاً محاسبه شده است، اما بدون افشای اینکه از کدام دو جدول استفاده شده است.

اکنون در چه مرحله‌ای هستیم

به Hugging Face مراجعه کنید، سازمان pearl-ai چهار مدل تأیید شده دارد: Llama 3.3 70B، Llama 3.1 8B، Qwen3 30B و Gemma 4 31B. آن‌ها به عنوان «متغیرهای تأیید شده» نامیده می‌شوند و روش کار این است که به جای آموزش مجدد، همان دسته وزن‌ها را طبق فرمت کمی Pearl دوباره فشرده می‌کنند تا بتوانند در پلاگین همزمان استدلال و استخراج کنند. از دست رفتن دقت بسیار کم است و MMLU Gemma 4 31B از 90.93 به 90.56 کاهش یافته است. تا تاریخ 9 اکتبر 2026، تعداد دانلود این چهار مدل در نزدیک به سی روز از 195 تا 6424 متغیر بوده است و تعداد لایک‌ها به ترتیب 0، 3، 5 و 6 است.

یک خروجی تجاری نیز وجود دارد. در ماه مه 2026، Pearl و Together AI همکاری کردند و یک رابط برای اجرای مدل Gemma راه‌اندازی کردند. طبق اعلام Together، هزینه استفاده از این رابط 25% ارزان‌تر از رابط‌های معمولی است و تفاوت قیمت با ارزش آینده توکن جبران می‌شود.

مدل‌ها منتشر شده و کدها نیز متن باز شده‌اند، اما پس از آن هیچ خبری نیست. در ماه ژوئن 2026، محقق Abhinaba Basu مقاله‌ای به نام «فاصله مفید بودن در اثبات کار مفید» منتشر کرد. در آن زمان، کل قدرت محاسباتی شبکه حدود 24 EH/s بود که معادل حدود 320000 کارت RTX 3090 است و تخمین زده می‌شود که 112 مگاوات برق مصرف کند، در حالی که خروجی محاسبات AI مفید صفر بود.

نویسنده 8012 واحد کاری معدن‌کار را بررسی کرد و تمام سخت‌افزارها توانایی استدلال داشتند، اما در نرم‌افزار اصلی معدن‌کار، 4803 رشته مربوط به ضرب ماتریس وجود داشت و رشته‌های مربوط به چارچوب‌های یادگیری ماشین صفر بود. او همچنین یک برنامه معدن‌کار نوشت و با استفاده از اعداد تصادفی جداول را پر کرد و در تمام کارت‌های NVIDIA، AMD، CPU و چیپ‌های اپل موفق به اجرا شد و 44 سهم تأیید شده از استخر معدن به دست آورد. یک نفر داده‌ها را ارائه می‌دهد و مدل نتیجه را محاسبه می‌کند و استفاده از همان کارت برای استخراج ارز، در طراحی می‌تواند یکی باشد، اما در اجرا جداگانه است.

پس در حال حاضر چه چیزی در حال اجرا است؟ طبق صفحه استخر معدن Kryptex، کل قدرت محاسباتی شبکه به 46.37 EH/s رسیده است، سختی 2.26 TH است و هر 203 ثانیه یک بلوک تولید می‌شود و پاداش هر بلوک 2271.03 PRL است که به طور روزانه حدود 966000 توکن تولید می‌شود و قیمت توکن حدود 1.30 دلار است. در شش ماه گذشته، قدرت محاسباتی تقریباً دو برابر شده است و بخش عمده‌ای از این افزایش هنوز در حال پر کردن اعداد تصادفی است. آنچه در حال حاضر در بازار انجام می‌شود، عمدتاً همین است: خرید کارت، نصب آن، پر کردن اعداد تصادفی و انتظار برای تسویه حساب.

چه مشکلاتی وجود دارد

بیایید تصور کنیم که در یک غذاخوری اعلامیه‌ای نصب شده است که هر کسی که 100 کیلو سبزی خرد کند، می‌تواند یک دستمزد بگیرد. خود عمل خرد کردن سبزی واقعی است و مهارت، قدرت و زمان باید صرف شود. اما اعلامیه فقط بررسی می‌کند که آیا شما 100 کیلو سبزی خرد کرده‌اید یا نه و به نوع سبزی اهمیتی نمی‌دهد. بنابراین کسی می‌تواند یک کامیون سبزی خراب بیاورد و آن را خرد کند و 100 کیلو سبزی را تحویل دهد و دستمزد را بگیرد. او واقعاً سبزی خرد کرده است و واقعاً هم تلاش کرده است، اما آشپزخانه به این توده برگ‌ها نیاز ندارد.

Pearl اکنون در اینجا گیر کرده است. پروتکل بررسی می‌کند که آیا اثر انگشت جدول درست است، آیا نتیجه واقعاً برابر با ضرب دو جدول است و آیا کار کافی برای سختی وجود دارد. در طراحی رسمی، یک لایه آستانه آماری نیز وجود دارد که به طور خاص ورودی‌هایی را که می‌توان از آن‌ها تقلب کرد، مسدود می‌کند. این‌ها همه بررسی می‌شوند. آنچه بررسی نمی‌شود این است که این دو جدول از کجا آمده‌اند. بنابراین معدن‌کاران به راحتی می‌توانند دو جدول با اعداد تصادفی بسازند، ضرب همان‌قدر دشوار است، اثر انگشت نیز همان‌قدر معتبر است و می‌توانند برنده شوند، فقط نتیجه‌ای که به دست می‌آید هیچ‌کس به آن نیاز ندارد. پروتکل فقط رابطه ضرب را می‌شناسد و به معنای آن اهمیتی نمی‌دهد، «مفید بودن» در اینجا یک مسئله تجاری است، نه یک تضمین رمزنگاری.

این حدس نیست. طبق گزارش قبلی، تمام ماشین‌های انتخاب شده قادر به اجرای مدل بودند، اما در نرم‌افزار معدن‌کار حتی یک خط کد استدلال وجود نداشت و نویسنده با استفاده از اعداد تصادفی جداول را پر کرده و سهم تأیید شده از استخر معدن را به دست آورده است. در حال حاضر، قدرت محاسباتی کل شبکه در حدود 45 EH/s است و بخش عمده‌ای از آن هنوز در حال پر کردن اعداد تصادفی است.

فاصله مقیاس نیز می‌تواند به این صورت دیده شود. مقاله‌ای یک حالت فرضی ارائه داده است که اگر این طراحی واقعاً مانند تبلیغات عمل کند، آن زمان آن شبکه 24 EH/s باید روزانه حدود 7700000 ساعت GPU محاسبات AI مفید تولید کند. مقاله همچنین یک معیار به نام نسبت تخریب ارزش را معرفی کرده است که در Pearl به طور تجربی 1.0 است و با بیت‌کوین برابر است، در حالی که Filecoin حدود 0.64 است.

معدن‌کاران به سفارش‌های استدلال پاسخ نمی‌دهند، نه اینکه نمی‌دانند، بلکه به دلیل محاسبات اقتصادی. مقاله تخمین می‌زند که ترکیب موتور استدلال و استخراج با هم، حدود 10% تا 30% از قدرت محاسباتی مؤثر را از دست خواهد داد. به عبارت دیگر، پذیرش استدلال واقعی نه تنها نیاز به تغییر نرم‌افزار و سازگاری با درخواست‌ها دارد، بلکه باید ابتدا این بخش از قدرت محاسباتی را نیز از دست بدهد. در سال‌های با قیمت پایین توکن، این محاسبه به راحتی می‌تواند منفی شود.

این موضوع چگونه ممکن است حل شود؟ مقاله چندین راه را ذکر کرده است. یکی این است که منبع جداول را کنترل کنند و معدن‌کاران باید از جداول ارائه شده توسط مشتریان خارجی استفاده کنند. آنچه Pearl به طور رسمی انجام می‌دهد، پلاگین‌ها و مدل‌های تأیید شده است که به این سمت حرکت می‌کند، به این معنا که شما از مدل واقعی برای اجرای استدلال استفاده می‌کنید و آن ضرب به راحتی استخراج می‌شود. چالش این است که این کار داوطلبانه است و اینکه آیا معدن‌کاران این کار را انجام دهند یا نه هنوز هم به محاسبات اقتصادی خودشان بستگی دارد.

راه دیگر این است که بررسی کنند که آیا جداول شبیه به جداول واقعی هستند یا نه. وزن‌های مدل واقعی و اعداد تصادفی که به راحتی پر شده‌اند از نظر ویژگی‌های آماری تفاوت دارند. اما مقاله خود این راه را رد کرده است، زیرا معدن‌کاران فقط باید توزیع را کمی تنظیم کنند تا بتوانند از بررسی عبور کنند و هزینه آن تقریباً صفر است. چندین راه دیگر نیز وجود دارد که هنوز به مرحله اجرا نرسیده‌اند. ایجاد امضای قابل تأیید برای منبع مدل نیاز به یک سیستم کلید عمومی از طرف مدل‌ساز دارد. استفاده از سخت‌افزار قابل اعتماد برای اثبات منبع داده‌ها نیاز به اعتماد اضافی به تولیدکنندگان چیپ دارد و همچنین سرعت را کاهش می‌دهد. در مورد پاداش‌ها، تمایز بین داده‌های واقعی و غیر واقعی نیاز به وجود یک دسته مشتری واقعی دارد که مایل به پرداخت باشد.

توسعه‌دهنده Pearl، Pearl Research Labs است. Omri Weinstein یکی از بنیان‌گذاران و مدیر عامل است و این عنوان از اعلام همکاری Together AI به دست آمده است. او یک محقق در زمینه نظریه پیچیدگی است و در دانشگاه عبری تدریس می‌کند و همچنین یکی از نویسندگان آن مقاله پایه‌گذار است.

نویسنده دیگر Ilan Komargodski نیز در لیست اعضای سازمان Hugging Face قرار دارد، اما هویت دقیق او به عنوان کارمند یا مشاور در منابع عمومی تأیید نشده است. شخص دیگری که می‌توان به او اشاره کرد Erez Badash است که نویسنده مقاله Hawkeye است که GPU را به صورت مرحله‌ای بازتولید می‌کند.

Bittensor به تأییدکنندگان اجازه می‌دهد تا به خروجی مدل‌های معدن‌کار امتیاز دهند و امتیازها توسط یک توافق به نام Yuma تعیین می‌شود. io به صورت درخواستی GPU را به وظایف یادگیری ماشین اجاره می‌دهد. Pearl بر یک فرض باریک‌تر شرط می‌بندد که خود ضربی که برای تولید بلوک استفاده می‌شود، می‌تواند مورد نیاز باشد.

آن‌ها شرط می‌بندند که تقاضای استدلال به قدری بزرگ خواهد بود که قدرت محاسباتی بلوک را مصرف کند. به آن سطح برسد، معدن‌کاران خودشان محاسبه خواهند کرد که پذیرش سفارش‌های واقعی به صرفه‌تر از پر کردن اعداد تصادفی است. اگر نتوانند به آن برسند، این فقط یک زنجیره استخراج کارت گرافیک با ریاضیات تغییر یافته است که آنچه تولید می‌کند با AI هم‌منشأ است و هیچ ارتباطی با انتظارات خاص یک کاربر ندارد.