Pearl 算力阳谋：不封杀无用矿工，靠经济规律自然淘汰

据 Woofun AI 消息，由普林斯顿大学数学博士、哥伦比亚大学计算复杂性理论教授 创立的 项目，正试图重构工作量证明的经济基础。该项目于 2026 年 4 月上线主网，代币 最大供应量设定为 21 亿枚，采用渐进递减发行曲线取代传统减半机制。截至 2026 年 10 月，PRL 流通比例约为 16%，完全稀释估值（FDV）区间在 28 至 40 亿美元之间。Pearl 已与 达成合作，提供折扣超过 25% 的 Gemma 推理接口，并入选英伟达 Inception 加速器计划。其核心争议在于协议层无法区分真实 AI 推理与随机矩阵计算，这一技术特性引发了关于算力有效性的广泛讨论。

Proof-of-Useful-Work（PoUW）机制的核心逻辑在于，将大语言模型推理底层的矩阵乘法直接作为工作量证明的基础。Pearl 的设计初衷并非通过协议强制验证每一笔计算是否服务于真实的 AI 请求，而是通过降低验证开销，使得同一张 GPU 能够同时服务于客户推理需求和区块链网络安全。

Woofun AI 整理数据显示，Pearl 致力于将构造和验证计算证明所需的额外资源消耗控制在 5% 以下。这意味着，将推理计算转化为可挖矿工作量的边际成本极低，但并不意味着只有 5% 的计算是有用的。关键在于，底层的矩阵乘法运算本身具有双重属性：它既是客户推理任务的核心组成部分，也是保护货币网络所需的工作量。

然而，低开销并不等同于推理 GPU 能产出与专用矿工同等规模的挖矿算力。推理负载的计算特征与持续满载的挖矿负载存在本质差异，这导致了两者在算力产出效率上的结构性分歧。

在推理场景中，GPU 的计算模式分为预填充阶段和解码阶段。在预填充阶段，模型处理输入提示，GPU 能够执行大规模矩阵乘法，此时算力利用率较高；而在解码阶段，模型逐个生成 token，性能瓶颈往往转移至内存带宽而非纯算力，导致 GPU 无法持续以最大吞吐运行。相比之下，专用矿工可以让 GPU 不间断地执行矩阵乘法，从而最大化挖矿产出。因此，降低证明开销仅解决了'推理变慢多少'的问题，而提升 GPU 利用率、优化批处理和工作负载调度，才是解决'推理 GPU 能完成多少可挖矿计算'的关键。从经济结构上看，专用矿工仅依靠 PRL 奖励覆盖硬件、电力和运营成本，其生存完全依赖于挖矿利润率的维持。相反，推理服务商拥有来自客户使用 GPU 的核心业务收入，挖矿奖励仅作为第二收入流存在。

这种双重收入结构赋予了推理服务商显著的抗风险能力：即使挖矿利润率因竞争加剧而被压缩，服务商仍可通过核心业务覆盖大部分甚至全部成本，使挖矿成为纯粹的增量收入。随着市场参与者增多，仅靠单一挖矿奖励的运营方将面临更大的生存压力，而拥有双重收入流的主体则能在经济博弈中占据优势。

Pearl 的长期愿景并非依赖协议层禁令来排斥纯矿工，而是通过生产性算力的结构性优势实现自然淘汰。全球算力需求正在爆发式增长，AI 推理行业规模巨大且持续扩张。关键变量不在于接入 Pearl 的 GPU 绝对数量，而在于这些 GPU 能贡献多少有效的可挖矿矩阵乘法吞吐。

尽管单张服务中的 GPU 因工作负载波动、批处理效率和利用率限制，其贡献的挖矿算力可能低于专用矿机，但庞大的基数足以形成可观的总算力。更重要的是，这些运营方并不依赖挖矿奖励生存，这使得它们能够在更低利润率下持续参与竞争。随着更多推理服务商加入，网络安全性将随之提升，挖矿竞争将进一步加剧，纯矿工的经济账将变得越来越难算。最终，保护 Pearl 网络的机器，绝大多数将原本就不是为了挖矿而建造，而是世界正在建设的智能基础设施的一部分。