Eine Matrixmultiplikation ist noch keine KI-Arbeit. Das klingt banal, ist aber der technische Punkt, an dem Pearls Versprechen zu kippen beginnt.
Das Netzwerk wird als Versuch beschrieben, Kryptowährungs-Mining in nützliche KI-Berechnung umzuwandeln. Statt Hashes zu rechnen, sollen GPUs Aufgaben ausführen, die der Mathematik moderner KI-Systeme ähneln. Matrixmultiplikationen gehören tatsächlich zum Maschinenraum von Training und Inferenz. Ohne sie läuft kein großes Sprachmodell effizient. Genau deshalb wirkt die Konstruktion zunächst plausibel.
Eine aktuelle Studie behauptet jedoch, dass Pearl zwar KI-förmige Mathematik ausführt, aber keine nützliche KI-Berechnung erzeugt. Das Netzwerk soll mit rund 24 Exahashes pro Sekunde laufen, was etwa 320.000 GPUs der RTX-3090-Klasse entspricht. Der geschätzte Strombedarf: 112 Megawatt. Der Vorwurf lautet nicht, dass die Karten nichts rechnen. Sie rechnen sehr viel. Nur offenbar nichts, was ein Modell trainiert, eine Inferenz bedient oder einem zahlenden Kunden ein brauchbares Ergebnis liefert.
Der Unterschied liegt nicht in der Rechnung, sondern im Ursprung
Pearls Proof-of-Useful-Work basiert auf Matrixmultiplikationen. Technisch ist das naheliegend, weil GPUs genau für solche Operationen gebaut und optimiert wurden. Der Fehler liegt nach Darstellung der Forscher nicht in der Arithmetik. Der Fehler liegt in der Verknüpfung zwischen Rechenaufgabe und realer Nachfrage.
Das Protokoll prüft demnach, ob eine Multiplikation korrekt durchgeführt wurde. Es prüft aber nicht, ob die Eingangsmatrizen aus einem echten Modell stammen. Es prüft nicht, ob ein KI-Dienst diese Berechnung angefordert hat. Es prüft auch nicht, ob das Ergebnis irgendwo weiterverwendet wird. Damit wird nur die formale Korrektheit einer Operation bestätigt, nicht ihre Nützlichkeit.
Das ist mehr als ein Detail. Proof-of-Useful-Work steht und fällt mit einer Verifikationsfrage: Kann ein Netzwerk unabhängig prüfen, dass Arbeit nicht nur schwer, sondern verwertbar war? Bei Bitcoin reicht es, dass die Arbeit teuer und einfach zu verifizieren ist. Bei nützlicher Arbeit reicht das nicht. Hier muss zusätzlich nachgewiesen werden, dass jemand das Ergebnis wirklich benötigt.
KI-Mathematik als Tarnung für klassische Knappheit
Matrixmultiplikation kann Teil echter KI-Arbeit sein. Sie kann aber auch komplett synthetisch erzeugt werden. Zufällige Matrizen lassen sich beliebig produzieren. Wenn ein Miner solche Matrizen multipliziert, entsteht ein Arbeitsnachweis, der äußerlich nach KI aussieht. Operativ bleibt er ein Kostenblock zur Netzwerksicherung.
Genau hier wird Pearl interessant. Nicht wegen eines einzelnen Projekts, sondern wegen der technischen Grenze, die sichtbar wird. Viele Krypto-Entwürfe versuchen seit Jahren, den Energieverbrauch von Proof-of-Work zu rechtfertigen, indem sie eine Nebenverwertung versprechen. Speicher, wissenschaftliche Berechnung, Rendering, KI. Das Muster ist ähnlich: Die Arbeit soll nicht nur Konsens erzeugen, sondern zusätzlich einen externen Nutzen haben.
Bei Pearl ist diese Behauptung besonders wirksam, weil sie in einen angespannten Markt fällt. KI-Rechenleistung ist knapp, teuer und gut vermarktbar. Wer behauptet, ungenutzte oder dezentrale GPUs in KI-Compute zu verwandeln, trifft einen realen Bedarf. Aber Bedarf allein macht ein Konsensprotokoll noch nicht nützlich. Entscheidend ist, ob die Arbeit in die Produktionskette von KI-Systemen eingebunden ist.
Der GPU-Markt reagiert schneller als die Prüfung
Die Folgen blieben nicht theoretisch. Nach Veröffentlichung der Pearl-Mining-Software im Mai stiegen die Mietkosten für Budget-GPUs auf vast.ai laut den vorliegenden Angaben um etwa 38 Prozent. Die Auslastung erhöhte sich von 57 auf 94 Prozent. Das ist ein harter operativer Effekt: Ein Krypto-Anreiz zieht Rechenleistung aus einem Markt, auf dem Entwickler, kleinere KI-Firmen und Forschungsgruppen ohnehin um bezahlbare Kapazität konkurrieren.
In solchen Märkten gewinnt nicht automatisch der sinnvollste Nutzer der Hardware. Es gewinnt derjenige, der kurzfristig den höchsten Preis zahlen kann oder dessen Erlösmodell die Mietkosten absorbiert. Mining kann das, solange Token-Erwartungen, frühe Renditen oder Netzwerkeffekte hoch genug sind. Für Unternehmen, die GPUs für Tests, Feinabstimmung oder Inferenz benötigen, ist das eine andere Rechnung. Dort muss Rechenzeit in ein Produkt, einen Auftrag oder ein Forschungsziel übersetzt werden.
Die Gewinner dieser Phase sind daher nicht zwingend KI-Nutzer. Früh eingestiegene Miner konnten profitieren, solange die Rentabilität hoch war. Marktplätze für GPU-Mieten profitierten von höherer Nachfrage und stärkerer Auslastung. Pearl Research Labs erhielt Aufmerksamkeit und Aktivität im Netzwerk. Die Verlierer sitzen näher an der realen Nutzung: spätere Miner mit schlechterer Marge, Entwickler mit höheren Mietpreisen, kleinere Teams mit begrenztem Budget.
Together AI löst das Verifikationsproblem nicht
Ein weiterer Punkt macht die Konstruktion komplizierter. Together AI bietet einen vergünstigten Inferenz-Endpunkt für das Modell Gemma-4-31B-it-pearl an, mehr als 25 Prozent günstiger als der übliche Satz. Diese Vergünstigung wird durch zukünftige PRL-Emissionen subventioniert. Das kann als Versuch gelesen werden, Pearl mit realem KI-Service zu verbinden.
Für die technische Bewertung des Minings ist das aber nicht dasselbe. Wenn Together AI Inferenz auf eigenen GPUs hostet und diese Inferenz durch PRL-Ökonomie subventioniert wird, heißt das noch nicht, dass die Miner im Pearl-Netzwerk selbst diese Inferenz ausführen. Genau an dieser Trennlinie hängt der Vorwurf der Studie. Ein Token kann reale KI-Nutzung querfinanzieren, während das Mining weiterhin zufällige Rechenaufgaben erledigt.
Das ist kein semantischer Unterschied. Es entscheidet darüber, ob Proof-of-Useful-Work tatsächlich Arbeit in nutzbare Berechnung verwandelt oder ob ein klassischer Mining-Prozess nachträglich mit einem KI-Dienst gekoppelt wird. Im ersten Fall wäre der Konsensmechanismus Teil der Compute-Lieferkette. Im zweiten Fall bleibt er ein Energie- und Hardwareverbraucher, dessen Nutzen außerhalb des eigentlichen Arbeitsnachweises konstruiert wird.
Was Pearl für Proof-of-Useful-Work bedeutet
Der Fall legt eine nüchterne Messlatte frei. Ein Proof-of-Useful-Work-System muss nicht nur beweisen, dass GPUs beschäftigt waren. Es muss beweisen, dass die Arbeit aus einer echten Nachfrage stammt, dass das Ergebnis verwendbar ist und dass die Verifikation nicht den gesamten Nutzen wieder auffrisst. Diese drei Bedingungen sind schwer gleichzeitig zu erfüllen.
KI-Workloads sind zudem nicht beliebig austauschbar. Training und Inferenz hängen an Datenformaten, Modellarchitekturen, Latenzanforderungen, Speicherlayout, Datenschutz, Verfügbarkeit und Fehlertoleranz. Ein Blockchain-Netzwerk kann nicht einfach jede Matrixmultiplikation in denselben Topf werfen und daraus nützlichen KI-Compute machen. Die Mathematik ist nur die unterste Schicht. Darüber beginnt die operative Realität.
Wenn die Studie zu Pearl zutrifft, ist das Netzwerk kein Beweis dafür, dass KI-Mining funktioniert. Es ist ein Beweis dafür, wie leicht sich KI-Nähe herstellen lässt, ohne KI-Arbeit zu liefern. 112 Megawatt für zufällige Matrixrechnung wären dann nicht nur ein Energieproblem. Es wäre ein Prüfproblem: Der Markt reagiert auf das Versprechen von Compute schneller, als die technische Nützlichkeit sauber nachgewiesen wird.
Pearl muss daran gemessen werden, ob sein Konsensmechanismus selbst verwertbare Berechnung erzeugt. Nicht daran, ob irgendwo im Umfeld ein rabattierter KI-Endpunkt existiert. Nicht daran, ob die Operationen denen in neuronalen Netzen ähneln. Und nicht daran, ob GPUs ausgelastet sind. Auslastung ist im Rechenzentrum kein Wert an sich. Wert entsteht erst, wenn die Arbeit in ein Ergebnis mündet, das jemand gebraucht hat.
