Pearl, GPU madenciliğine yapay zekâyı ekledi: Faydalı hesaplamanın doğrulanması tartışılıyor

Pearl, GPU madenciliğini yapay zekâ hesaplamalarıyla birleştiren 'Proof-of-Useful-Work (PoUW)' yapısını sundu. Madencilik sırasında yapılan hesaplamaların müşterilere yönelik yapay zekâ eğitimi ve çıkarımıyla nasıl bağlantı kuracağı temel inceleme konusu oldu.

Pearl Research Labs, teknik dokümanında Pearl'ü matris çarpımını madencilikte kullanan bir katman-1 blockchain olarak tanımladı. Matris çarpımı, sinir ağı eğitimi ve çıkarımında tekrarlı olarak kullanılan temel bir hesaplama türü.

Geleneksel İş Kanıtı (PoW), blockchain güvenliği için hash hesaplamaları gerçekleştirirken PoUW, GPU'ların matris çarpımı yaparak ağ güvenliğiyle yapay zekâya yönelik hesaplamaları birlikte işlemesini amaçlıyor. Pearl, bu yapıyı '2-for-1' olarak nitelendiriyor ve ek hesaplama yükünün '1+o(1)' seviyesinde kaldığını savunuyor.

Pearl'ün kamuya açık kaynak kodunda tüm düğüm ve cüzdan yazılımları, sıfır bilgi kanıtı sistemi ile GPU madencilik altyapısı yer alıyor. Ağ, Bitcoin'e benzer UTXO tabanlı bir yapı kullanıyor ve madencilik sürecinde matris çarpımıyla doğrulanabilir kanıtlardan yararlanıyor.

Together AI, 15 Mayıs'ta Pearl Research Labs ile iş birliğini duyurdu. Together AI, Pearl ağıyla bağlantılı 'Gemma-4-31B-it-pearl' çıkarım uç noktasını kullanıma sundu ve hizmet fiyatının standart fiyatın en az %25 altında olduğunu açıkladı.

İndirim maliyeti, yapay zekâ çıkarımı sırasında eş zamanlı olarak üretilen PRL ihracının değeriyle dengeleniyor. Together AI, bu hizmeti Pearl ağının kullanıldığı ilk ürün olarak tanıttı.

Pearl Research Labs, Llama 70B ve DeepSeek V3.2 üzerinde PoUW çekirdeğinin uçtan uca ek yükünü sırasıyla %5,08 ve %3,9 olarak ölçtüğünü açıkladı. Bu veriler Pearl Research Labs'ın kendi ölçümlerine dayanıyor.

Temel tartışma, 'faydalı hesaplamanın' nasıl tanımlanacağı ve doğrulanacağı etrafında şekilleniyor. Bağımsız araştırmacı Abhinaba Basu, 3 Haziran'da yayımladığı araştırmada Pearl'ün doğrulama yöntemini inceledi.

Basu'nun araştırması, Pearl madencilik ağındaki hesaplama kapasitesiyle yapay zekâ çıkarımı arasındaki bağlantıyı analiz etti. Araştırmacı, Pearl madencilik yazılımı ve doğrulama süreçleri üzerinde çalıştı.

Bu çalışma, bağımsız bir araştırmacının yayımladığı ön baskı niteliğinde.

Bu nedenle yapay zekâ hesaplamaları gerçekleştirebilen bir madencilik yapısıyla madencilerin gerçekten ücretli yapay zekâ görevleri yürütmesini zorunlu kılan yapıyı birbirinden ayırmak gerekiyor. Together AI'ın indirimli çıkarım hizmeti, iki ekosistemin birbirine bağlanabileceğini gösteriyor; ancak bu durum tüm ağın müşterilere yönelik çıkarım işlemleri gerçekleştirdiğini kanıtlamıyor.

Bu tartışma, yapay zekâ altyapısında yalnızca hesaplama miktarının değil, işin kaynağı ve doğrulama yönteminin de önemli olduğuna işaret ediyor. Yapay zekâ çıkarımını hedefleyen bir katman-1 test ağı da madencilik ödülleriyle çıkarım doğrulamasını ilişkilendirmeye çalışan örneklerden biri olarak daha önce tanıtılmıştı.

PoUW'un faydalılığı, madencilikte kullanılan hesaplamanın gerçek hizmet talebiyle bağlantılı olup olmadığına bağlı. Müşterilerin gönderdiği matrislerin zorunlu olarak kullanılıp kullanılmadığı, iş kaynağının doğrulanıp doğrulanamadığı ve ücretli çıkarım talebinin sürdürülebilir olup olmadığı temel inceleme noktaları arasında yer alıyor.

Pearl, teknik yapısını ve uygulama unsurlarını teknik dokümanı ile kamuya açık kaynak kodu üzerinden ortaya koydu. Ancak gerçek ağda müşteri işlerinin ne kadar paya sahip olduğu ayrıca doğrulanmalı. Şirketin kendi performans ölçümleriyle dış araştırmanın analizi farklılaştığı için doğrulama sürecinin tekrarlanabilirliği tartışma konusu olmaya devam ediyor.

Pearl'ün PoUW yapısının GPU madenciliğiyle yapay zekâ hizmetleri arasındaki bağlantıyı gerçekten kurup kurmadığı, müşteri işlerinin zorunlu kullanılıp kullanılmadığı ve doğrulama yönteminin nasıl işlediği konusunda daha fazla bilgi paylaşılmasının ardından değerlendirilebilecek.