Pearl：AI推論をしながらマイニングするって、本当に実現できるの？｜プロジェクト紹介

イーサリアムがまだPoWだった数年間、マイナーが使っていたのはコンシューマー向けGPUで、アルゴリズムはEthashと呼ばれていた。RTX 3060一枚でEthashは約48 MH/s。当時、マイニングもAIもGPU頼みなら、同じカードで掘りながらモデルを回せないかと考えた人は確かにいた。

このアイデアは実現しなかった。ボトルネックが違うからだ。EthashはVRAM帯域を食い、固定難易度のハッシュを計算する。AIが求めるのはテンソルコアの浮動小数点スループットと数十GBのVRAMで、主力はH100のようなデータセンターカード。ゲーミングノートのGPUでもマイニングはできるし、小さなモデルならぎりぎり動く。だが二つを同時にこなすのは無理だった。

Vitalik Buterinは2019年、この件について一つの判断を下している。原文はこうだ——有用でありかつ検証が容易な計算が見つかれば、暗号通貨マイニングは社会にとって巨大な富となるだろう。しかしそれはおそらく不可能だ。

Pearlはそれをやったと主張している。Vitalikの数年前の判断は、Pearlの公式サイトの目立つ位置に掲げられている。

Pearlは独立したプルーフ・オブ・ワーク公鏈で、トークンはPRL。マイナーはハッシュを繰り返し計算するのではなく、行列乗算——ニューラルネットワークの各層がやっているあの積和演算——を行う。設計上、同じGPU計算がブロック生成と発行を担い、同時に検証可能なAI計算を生み出す。

公式はこれを「エネルギー、データ、貨幣が一回の操作で」と表現している。ビットコインはエネルギーと貨幣を結びつけ、AIはエネルギーとデータを結びつけ、貨幣化はデータと金を結びつける。三つはこれまで二つずつしか出会わなかった。Pearlは一回の行列乗算の中で三者を同時に発生させようとしている。

PoWの系譜は長く静かだった。腰を据えて真剣に議論できる新公鏈の前のバッチはほぼ数年前に出揃い、その後の賑わいはL2、モジュール化、リステーキングの方に移った。新しいPoWチェーン自体が珍しい。今流通時価総額4.3億ドルのPRLは、何を語ろうとしているのか。

何を解決しようとしているのか

ビットコインのプルーフ・オブ・ワークには一つの特徴がある。マイナーが計算しているものは現実世界と何の関係もない。同じ一度の電気をモデル実行に使えばトークンを生み、画像を生み、仕事をこなせる。マイニングに使うのは少し無駄だと多くの人が感じている。

本当の難所は「有用」ではなく「無許可」にある。無許可とは、誰でも参加でき、登録も資格審査も不要ということ。ビットコインのセキュリティモデルはまさにこの点に立脚しており、何を計算していようとコストは同じだ。ひとたび作業量が現実的価値を持つものに置き換われば、マイナーには手抜きをするか、安上がりな入力を選ぶ動機が生まれる。だから問題は、マイニングを有用にできるかどうかではなく、有用にしつつ誰も手抜きできないようにできるかどうかだ。

Pearl自身の説明によれば、ビットコインのランダムハッシュを行列乗算に置き換え、GPUにプルーフ・オブ・ワークをAI負荷の副産物として処理させるという。ホワイトペーパーでは「2-for-1」という言葉が直接使われている。噛み砕いて言えば、これまでGPUの用途は二つしかなかった。マイニングで電力を燃やしながらコインを出すか、モデルを走らせて電力を燃やしながらトークンを出すか。Pearlはこの二つの用途を一つに統合しようとしている。

このアイデアを詳細に試算した人がいる。暗号学研究者Rafael Passの論文「The Economics of Proof-of-Useful-Work」は、マシンの仕事を三種類に分類している。純粋なマイニング、純粋な推論、そして両方を同時に産出する双工の仕事だ。双工は無料ではない。論文の例では、一份の計算力を同時に二つのことに使うと、得られるのは二份の産出ではなく、およそ一份半だという。オーバーヘッドが十分小さく、トークンが市場に受け入れられる規模が十分大きければ、ブロック報酬は推論価格へのリベートに相当し、本来なら誰もやらない推論計算力を引き込むことができる。この推論は数学的には欠点が見つからない。問題はその三つの変数——オーバーヘッド、コイン価格、推論需要——のいずれもPearl自身が決められないことにある。論文の脚注では、著者がPearl Research Labsにコンサルティングを提供する期間にこの作業を完成させたことが開示されている。

Pearlの動作ロジック

この仕組みがどう回るかを説明するには、まず「行列乗算」という言葉を分解する必要がある。これはPearlが作ったものではなく、非常に古い演算であり、ニューラルネットワークのほぼすべての層で使われている。

行列とは、行と列に並べられた数字の表のことだ。二つの表が乗算できる条件は、前の表の列数が後の表の行数と等しいこと。結果表の各マスは、前の表のある行と後の表のある列を、一対一で掛け合わせてすべて合計したものだ。最小の例を挙げると、Aの第一行が1と2、Bの第一列が5と7なら、結果表の左上は1×5＋2×7で19になる。残りのマスもこの規則に従って一つずつ埋めていく。

AIモデルでは、一層の演算は「入力×重み」と書ける。ユーザーの一文はベクトルに分割され、この層の重み表と乗算されて結果を得て、非線形関数を通って次の層に渡される。モデルが大きければ表も大きくなり、一回の乗加算の回数は軽く数兆に達する。GPUはまさにこの整然とした乗加算のために作られており、だからこそマイニングカードとAIカードは同じ種類のチップなのだ。

理想的には、こうなる。誰かがネット上でチャットボットに質問をすると、サーバー上のグラフィックカードがモデルを走らせ、層ごとに行列乗算を行う。このマシンにPearlのプラグインが入っており、認定されたオープンソースモデルを走らせていれば、これらの乗算は回答を出すと同時に、運試しにも使われる。小さなブロックを計算し終えるたびに指紋を揉み、指紋が十分小さければ宝くじに当たり、ブロック報酬を得る。ユーザー側からは違いが見えず、回答はそのまま得られ、価格はむしろ安くなる可能性もある。同じ乗加算の束が、一方でトークンになり、一方でコインになる。

この仕組みが成立するには、まず手抜きを解決しなければならない。マイナーが手にしているのは2枚の表だけで、まずその表を揉んで1つの指紋にして提出する必要がある。いわゆる指紋を揉むとは、この表にあるすべての数字をまとめて一度ハッシュ計算し、ごく短い断片に圧縮することだ。チェーン上でこの指紋を確認して初めて、表にどんな乱数を混ぜるべきかを教えてくれる。順序は固定され、表を後から変えようとしても間に合わない。公式はこの動作をノイズ付加と呼んでいるが、要は2枚の表に大量の乱数を混ぜ込むことで、どれだけ混ぜるか、どこに混ぜるかはその指紋によって決まり、マイナー自身は選べない。

混ぜなければ近道が存在する。きれいなA×Bと、乱数を混ぜた積との間には、3つの補正項しか差がない。この3項は桁が小さくなく、計算は非常に安い。マイナーはもともときれいなAとBを持っているので、先にきれいな答えを計算しておき、この安い補正項を加えて乱数を混ぜた答えをでっち上げることができる。あの大きな掛け算は一切やらなくてよい。たとえるなら、試験問題が3987×2913で、学生が答えをすでに暗記していて、小さないくつかの数字を組み合わせて、真面目に計算したように見せるようなものだ。

だからプロトコルは、マイナーに計算結果を提出することを求めず、使用した入力の数行と証明を提出することだけを求める。検証者はその部分を取り出し、同じ乱数を混ぜて、この小さな部分だけを再計算し、指紋が合っているか確認する。小さな部分の再計算は安く、手抜きしていないことを確認するには十分だ。もしこれらの表が企業の重みやユーザーデータに関わるなら、さらにゼロ知識証明の層を加えて、確かに計算したことを証明しつつ、どの2枚の表を使ったかは明かさないようにできる。

現在どこまで進んでいるか

Hugging Faceを見ると、pearl-aiという組織の下に4つの認証モデルがある。Llama 3.3 70B、Llama 3.1 8B、Qwen3 30B、Gemma 4 31Bだ。公式はこれらを「認証バリアント」と呼んでおり、やり方は再トレーニングではなく、同じ重みのセットをPearlの量子化フォーマットで再圧縮し、プラグイン内で推論しながらマイニングできるようにするものだ。精度の損失はごく小さく、Gemma 4 31BのMMLUは90.93から90.56に下がった。2026年10月9日時点で、これら4モデルの直近30日間のダウンロード数は195から6424まで幅があり、いいね数はそれぞれ0、3、5、6だ。

商業的な出口も1つある。2026年5月、PearlはTogether AIと提携し、Gemmaモデルを動かすインターフェースを公開した。Togetherの発表によると、呼び出し価格は通常のインターフェースより25%安く、差額はトークンの将来価値で相殺される。

モデルは公開され、コードもオープンソース化された。そして、それきり何も起こらなかった。2026年6月、研究者Abhinaba Basuの論文「The Usefulness Gap in Proof-of-Useful-Work」がこの問題を検証した。当時のネットワーク全体のハッシュレートは約24 EH/sで、これは約32万枚のRTX 3090クラスのカードに相当し、推定消費電力は112メガワットだったが、有用なAI計算の産出はゼロだった。

著者は8012個のマイナーワークユニットを抽出調査した。ハードウェアはすべて推論能力を備えていたが、主要なマイニングソフトウェア内では、行列乗算に関連する文字列が4803件あったのに対し、機械学習フレームワークに関連するものは0件だった。著者はさらに自らマイニングプログラムを書き、ランダムな数字で表を埋める方式で、NVIDIA、AMD、CPU、Appleチップ上で動作させ、マイニングプールに承認されたシェアを合計44個獲得した。一人がデータを提供しモデルに結果を計算させることと、同じカードでコインをマイニングすることは、設計上は統合できるが、実際の運用では分離している。

では、ネットワーク上で実際に動いているものは何か。マイニングプールKryptexのページによると、ネットワーク全体のハッシュレートはすでに46.37 EH/sに上昇し、難易度は2.26 TH、ブロック生成間隔は約203秒、ブロック報酬は2271.03 PRL、1日あたりの産出量は約96.6万枚、コイン価格は約1.30ドルである。6ヶ月でハッシュレートはほぼ倍増したが、増加した分の大部分は依然としてランダムな数字を埋めることに使われている。現在市場で行われているのは、主にこの一つのことだ。カードを買い、挿し込み、ランダムな数字を埋め、決済を待つ。

何が問題なのか

想像してみよう。食堂が掲示を出す。「100斤分の野菜を切った者には給料を支払う」。野菜を切るという行為自体は本物で、包丁さばき、力、時間のすべてを費やす必要がある。しかし掲示は、100斤分切ったかどうかだけを検査し、何の野菜を切ったかは検査しない。そこで誰かが腐った野菜くずを山車で運んできて、100斤分切り、給料を受け取る。彼は確かに野菜を切り、力も確かに費やした。ただ、その葉っぱの山は厨房では使えないだけだ。

Pearlは今まさにここで行き詰まっている。プロトコルが検査するのは、表のフィンガープリントが正しいか、結果が本当に2つの表の積に等しいか、作業量が難易度に足るかであり、正式な設計にはさらに統計的なゲートがあり、一目で不正とわかる入力を遮断する。これらはすべて検査する。検査していないのは、その2つの表がどこから来たのかということだ。だからマイナーは完全に自分でランダムな数字の表を2つ作り出せる。乗算は同じように難しく、フィンガープリントも同じように基準を満たし、同じように当選できる。ただ、計算された結果を誰も使わないだけだ。プロトコルは乗算関係のみを認め、意味論は認めない。「有用」とはここでは商業的な問題であり、暗号学的な保証ではない。

これは推測ではない。前述の報告書によれば、抽出されたマシン群はすべてモデルを動かす能力があったが、マイニングソフトウェアには一行の推論コードもなかった。著者自身がランダムな数字で埋めた表も、マイニングプールに承認されたシェアを獲得した。現在、ネットワーク全体のハッシュレートは45 EH/s前後で、その绝大多数は依然としてランダムな数字を埋めている。

規模の隔たりもこう見ることができる。論文は一つの反事実を提示している。もしこの設計が宣伝通りに機能していたなら、当時の24 EH/sのネットワークは毎日約770万GPU時間分の有用なAI計算力を生み出すはずだった。論文はまた「価値破壊比」という指標を提唱しており、Pearlの実測値は1.0でビットコインと同等、Filecoinは約0.64だった。

マイナーが推論注文を受けないのは、理解していないからではなく、採算を計算したからだ。論文は、推論エンジンとマイニングを結合すると、有効計算力の約10%から30%を失うと推定している。つまり、実際の推論を受けるには、ソフトウェアを変更し、リクエストのリズムに合わせるだけでなく、まずこの部分の計算力を失う必要がある。幣価が低い年には、この採算は簡単に赤字になる。

では、これはどう解決し得るか。論文はいくつかの道筋を挙げている。一つはテーブルの出所を管理し、マイナーが外部顧客から提出されたテーブルを必ず使うようにするものだ。Pearl公式が現在行っているプラグインと認証モデルはこの方向に向かっており、モデルとプラグインをマイナーの手に届け、本物のモデルで推論を走らせれば、その乗算がついでにマイニングを行う。難しいのはこれが任意であり、受けるかどうかはマイナー自身が経済計算する点だ。

もう一つは、テーブルが本物らしく見えるかどうかを検査するものだ。本物のモデルの重みとでたらめに埋めた乱数には統計的特徴の違いがある。しかし論文自身がこの道を否定している。マイナーが分布を調整するだけで検査を騙せ、コストはほぼゼロだ。さらにいくつかの遠い道はまだ実現していない。モデルの出所を検証可能な署名にするには、まずモデル側の公開鍵体系が必要だ。信頼できるハードウェアでデータの出所を証明するには、チップメーカーへの追加信頼が必要で、速度も遅くなる。報酬に差を設け、本物のデータを使う者により多く与えるには、まず本当に金を払う顧客が一批必要だ。

Pearlの開発元はPearl Research Labs。Omri Weinsteinは共同創業者兼CEOで、この肩書きはTogether AIの提携発表によるものだ。彼は計算複雑性理論の研究者で、ヘブライ大学に教職を持ち、あの基礎論文の著者の一人でもある。

もう一人の著者Ilan KomargodskiもHugging Faceの組織メンバー名簿にあり、具体的な身分が従業員か顧問かは公開情報では確認できない。照合できるのはErez Badashで、GPUのビット単位再現に関するHawkeye論文の筆頭著者だ。

Bittensorはバリデータにマイナーが提出したモデル出力を採点させ、その点数はYumaと呼ばれるコンセンサスによって決まる。ioはオンデマンドでGPUを機械学習タスクに貸し出す。Pearlが賭けているのはより狭い仮説で、ブロック生成に使うあの乗算自体に需要があり得るというものだ。

それは、推論需要が出塊計算能力を食い尽くすほど大きくなることに賭けている。そこまで達すれば、マイナー自身が計算して、ランダムな数字を埋めるよりも実際の注文を受ける方が得だと判断するだろう。達しなければ、それは数学を変えたGPUマイニングチェーンに過ぎず、計算結果はAIと同源であり、特定のユーザーの期待とは無関係だ。

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia