研究称AI挖矿网络32万块3090级GPU空转耗电112兆瓦

编辑：欧阳逸尘

图片：郑格致

排版：宋清妍

-新闻发布入口: https://news.zhenrobot.com-

一项题为《有用工作量证明中的有用性鸿沟》的研究提出，对已部署的“有用工作量证明”（Proof-of-Useful-Work，PoUW）系统进行实证测量后发现，这类机制与真实人工智能计算任务之间仍存在明显差距。

研究指出，相关网络在运行过程中，并未真正执行模型推理或训练，而是持续处理随机矩阵乘法。这些计算在数学形式上接近人工智能常见负载，但并不直接对应实际的 AI 训练或推理任务。

从计算特征看，矩阵乘法确实是深度学习中的基础操作之一，也是现代 AI 加速硬件重点优化的核心负载。然而，研究认为，仅具备“类似 AI 数学运算”的外形，并不足以证明这些计算对实际应用具有直接价值。

该论文将自身描述为“首个针对已部署 PoUW 系统的实证测量研究”。研究结论认为，Pearl 的挖矿协议能够验证矿工是否正确完成了矩阵乘法计算，但无法进一步验证这些工作是否来源于真实的 AI 训练或推理流程。

这意味着，系统可以确认“算过了什么”，却不能确认“这些计算是否服务于真实业务目标”。在工程视角下，这一区别直接关系到 PoUW 机制是否能够将算力消耗转化为可复用的实际产出。

研究所反映的核心问题，不在于矩阵乘法本身是否重要，而在于验证机制的边界。对于面向 AI 计算叙事的 PoUW 系统而言，如果只能证明计算结果正确，却无法证明计算任务具有真实业务意义，那么其“有用性”主张仍需更严格的技术论证。

对于关注芯片、加速器和数据中心算力利用率的行业从业者而言，这一结论也具有现实参考价值：当系统宣称其计算过程可同时服务区块链安全与 AI 工作负载时，判断依据不应仅停留在运算类型层面，还应关注任务来源、验证链路以及结果是否能够被真实应用复用。

总体来看，这项研究强调了一个关键区分：可验证的计算，不必然等同于可利用的计算。PoUW 机制若要证明自身能够有效承载 AI 类负载，除了展示与 AI 运算相似的数学结构外，还需要建立更完善的任务真实性与实际用途验证框架。

在当前阶段，研究认为，Pearl 所代表的方案更准确地说，是验证了矿工执行了特定矩阵乘法，而非验证这些算力被用于真实的人工智能训练或推理。

📚 【精品资源】添加关注『硅基科学网微信公众号』，即可免费获取完整版《刘智勇频道第五卷》

[硅基科学网出品] [PoUW机制] [矩阵乘法] [AI训练与推理] [可验证计算] [真机智能(zhenrobot.com)] [真机科学(zhensci.com)] [真机资本(zhencap.com)] [真机skill(zhenskill.com)] [真机team(zhenteam.com)] [真机宇宙(zhenmeta.com)] [真机租赁(zhenrent.com)] [真机合约(zhencontract.com)] [真机记忆(zhenmem.com)] [真机保险(zhenins.com)] [真机学院(zhencollege.com)] [真机商机(zhenmate.com)] [真机招聘(zhenhire.com)] [真机法律(zhenlegal.com)] [真机视频(zhenvideo.com)] [真机量化(zhenquant.hk)] [真机内参] [真机尽调(zhendue.com)] [真机文学] [真机影评] [真机短剧] [刘智勇频道] [机器姬永生人] [机器洞察网] [AI之星网] [风投高科网] [猛虎财经网] [硅基科学网] [人形纪元网] [Cognition OS] [Embodied OS] [黄金广告位]

-End-

-感谢您的耐心阅读-