Pearl e il fallimento del Proof-of-Useful-Work: 112 MW consumati senza produrre alcuna AI

La promessa che accompagna da anni il concetto di Proof-of-Useful-Work (PoUW) è tanto semplice quanto seducente: trasformare l’enorme energia consumata dal mining in una risorsa produttiva per la società. Invece di dedicare miliardi di operazioni matematiche alla sola protezione di una blockchain, le GPU potrebbero svolgere attività realmente utili come l’addestramento di modelli di intelligenza artificiale, simulazioni scientifiche o elaborazioni distribuite. Su questa narrativa si è costruita gran parte della reputazione di Pearl, blockchain che utilizza il protocollo cuPOW e che ha attirato attenzione proprio grazie alla promessa di convertire la sicurezza della rete in lavoro AI verificabile. Un nuovo studio empirico indipendente mette però in discussione l’intero modello. L’analisi conclude che la rete Pearl, pur raggiungendo un hashrate di 24 EH/s, equivalente a circa 320.000 GPU e a un consumo energetico stimato di 112 MW, non produce alcun output utile per l’intelligenza artificiale. Secondo i ricercatori, il sistema esegue esclusivamente moltiplicazioni di matrici casuali che soddisfano i requisiti di validazione della blockchain ma non contribuiscono a inferenza, addestramento o elaborazione di modelli neurali. Il risultato è particolarmente significativo perché rappresenta uno dei primi studi completi su una blockchain PoUW già operativa e fornisce dati concreti sul divario tra le promesse teoriche del mining utile e la realtà tecnica osservata sul campo.

La promessa del Proof-of-Useful-Work aveva conquistato il settore AI

Il concetto di Proof-of-Useful-Work nasce come risposta alle critiche rivolte al tradizionale Proof-of-Work utilizzato da blockchain come Bitcoin. Da anni il mining viene accusato di consumare enormi quantità di energia senza produrre alcun valore computazionale al di fuori della sicurezza della rete stessa. Diversi progetti hanno quindi tentato di proporre alternative nelle quali la potenza di calcolo fosse destinata a compiti esterni considerati utili. Pearl ha costruito la propria identità proprio attorno a questa idea. Il protocollo cuPOW viene presentato come una piattaforma nella quale le GPU utilizzate per attività AI possono contemporaneamente generare token PRL, trasformando il mining in una sorta di sottoprodotto dell’elaborazione neurale. Questa narrativa ha trovato terreno fertile in un mercato caratterizzato da crescente domanda di capacità computazionale per modelli linguistici, inferenza distribuita e applicazioni di machine learning. Tuttavia il nuovo studio suggerisce che il legame tra attività AI e mining esisterebbe soltanto sul piano teorico e non in quello operativo.

Una rete da 24 EH/s che non genera alcun output neurale

I numeri della rete Pearl sono tutt’altro che trascurabili. L’analisi stima un hashrate complessivo di circa 24 exahash al secondo, una potenza che corrisponde a circa 320.000 GPU equivalenti distribuite tra migliaia di miner. Il consumo energetico associato raggiunge circa 112 megawatt, valore comparabile a quello di importanti infrastrutture industriali. In teoria una capacità computazionale di questa portata potrebbe contribuire in maniera significativa all’esecuzione di modelli AI, simulazioni scientifiche o altre elaborazioni distribuite. Lo studio conclude invece che l’output utile generato dalla rete è pari a zero. Nessuna inferenza verificabile, nessun modello neurale addestrato, nessuna elaborazione destinata a utenti finali. Tutta la capacità di calcolo osservata viene utilizzata esclusivamente per operazioni matematiche progettate per soddisfare i requisiti di validazione del protocollo. Dal punto di vista pratico, la rete consuma energia e risorse GPU con modalità molto simili a quelle osservate nei sistemi di mining tradizionali.

I ricercatori hanno analizzato oltre ottomila miner attivi

Per verificare il comportamento reale della rete, gli autori dello studio hanno utilizzato una metodologia empirica particolarmente approfondita. L’analisi si è concentrata sui dati pubblici della pool AlphaPool, responsabile di circa il 21% dell’hashrate totale di Pearl. Sono stati monitorati 8.012 worker attivi nell’arco di due giorni, classificandoli in base alle prestazioni e alle caratteristiche operative. Parallelamente i ricercatori hanno sviluppato un miner open source denominato turbo4, progettato per replicare il funzionamento del protocollo utilizzando matrici completamente casuali. Il software è stato testato su piattaforme NVIDIA, AMD, CPU tradizionali e sistemi Apple Silicon, verificando la piena accettazione delle quote generate dalla mainnet. Questo approccio ha permesso di osservare direttamente il comportamento del sistema senza fare affidamento esclusivamente sulle dichiarazioni dei gestori della blockchain o sulle specifiche ufficiali del protocollo.

Il software dominante non contiene alcun codice AI

Uno degli aspetti più rilevanti emersi dall’indagine riguarda il software utilizzato dalla maggior parte dei miner. Secondo l’analisi, il client dominante alpha-miner v1.6 non contiene riferimenti significativi a framework di apprendimento automatico, modelli neurali o librerie specifiche per l’intelligenza artificiale. I ricercatori non hanno individuato componenti software compatibili con l’esecuzione di inferenze AI reali. Ancora più significativo è il comportamento osservato durante l’esecuzione. I profili hardware mostrano un utilizzo delle unità di calcolo compreso tra il 95% e il 100%, accompagnato però da una larghezza di banda della memoria inferiore al 30%. Questo schema è incompatibile con la maggior parte dei moderni transformer, che tendono invece a essere limitati principalmente dalla memoria piuttosto che dalla pura capacità computazionale. In altre parole, il comportamento delle GPU impegnate nel mining Pearl assomiglia molto più a quello di un benchmark sintetico che a quello di un carico AI reale.

Il protocollo accetta matrici casuali prive di significato

Il cuore della critica riguarda il meccanismo di verifica del protocollo cuPOW. I miner possono scegliere liberamente le matrici utilizzate come input, purché rispettino determinati limiti numerici. Il sistema verifica la correttezza matematica delle operazioni eseguite ma non controlla l’origine o il significato delle matrici stesse. Questo dettaglio si rivela fondamentale. I ricercatori hanno dimostrato che è possibile utilizzare matrici generate casualmente e ottenere comunque quote valide accettate dalla blockchain. Attraverso il miner sperimentale turbo4 sono state ottenute 44 quote valide sulla mainnet utilizzando esclusivamente dati casuali privi di qualsiasi relazione con modelli neurali. Dal punto di vista della blockchain, queste operazioni risultano indistinguibili da un ipotetico lavoro AI reale. Il problema non riguarda quindi l’implementazione del software ma la struttura stessa del protocollo, che verifica la correttezza del calcolo senza poter garantire la sua utilità.

I controlli statistici non riescono a distinguere il lavoro utile

Pearl sostiene che determinati controlli statistici possano contribuire a identificare input compatibili con pesi neurali reali. Lo studio mette però in discussione anche questa ipotesi. Gli autori hanno confrontato distribuzioni di matrici casuali, pesi estratti da reti neurali autentiche e campioni costruiti in maniera avversariale. I risultati mostrano che un miner può generare dati artificiali in grado di superare i controlli statistici senza eseguire alcun lavoro utile. Attraverso semplici trasformazioni matematiche è possibile ottenere distribuzioni che imitano le caratteristiche statistiche dei pesi neurali e che vengono accettate dal protocollo. Questo significa che il sistema non dispone di alcun meccanismo crittografico capace di dimostrare che le operazioni eseguite derivino realmente da attività AI. La verifica si limita alla forma dei dati e non alla loro origine o finalità.

L’economia della rete appare sorprendentemente fragile

Oltre agli aspetti tecnici, lo studio analizza anche la sostenibilità economica dell’ecosistema Pearl. Con un valore del token PRL intorno a 0,70 euro, la rete genera ricavi giornalieri stimati in circa 1,5 milioni di euro. Tuttavia i costi operativi raggiungono circa 1,41 milioni di euro, lasciando margini estremamente ridotti. I rendimenti variano significativamente in base al tipo di hardware utilizzato. Alcune GPU economiche mantengono ancora una redditività positiva, mentre acceleratori avanzati come AMD MI300X o altre schede di fascia alta mostrano ritorni marginali o addirittura negativi. Questo quadro suggerisce che il sistema sia sostenuto più dalla speculazione sul token e dalle aspettative future che da un’effettiva efficienza economica del modello di mining.

Il mining Pearl ha già influenzato il mercato delle GPU

Una delle conseguenze più concrete osservate dai ricercatori riguarda l’impatto sull’infrastruttura utilizzata dalla comunità AI. Dopo il rilascio pubblico del software di mining, i prezzi di noleggio delle GPU economiche sono aumentati del 38%, mentre i tassi di utilizzo sono passati dal 57% al 94%. Attraverso un’analisi difference-in-differences, lo studio attribuisce circa il 23% di questo incremento direttamente all’attività di mining Pearl. In termini pratici, la rete sta sottraendo capacità computazionale a ricercatori, startup e laboratori che utilizzano gli stessi provider cloud per attività legittime di machine learning. Gli autori stimano un costo aggiuntivo annuale superiore a 550.000 euro per i soggetti che competono per queste risorse. Si crea così un paradosso particolarmente evidente: una blockchain che promette di supportare l’ecosistema AI finisce invece per aumentare il costo delle risorse necessarie alla ricerca.

Il Value Destruction Ratio è identico a quello del mining tradizionale

La conclusione più importante dello studio riguarda il cosiddetto Value Destruction Ratio, indicatore utilizzato per confrontare energia consumata e utilità prodotta. Pearl aveva promosso il proprio modello suggerendo che il mining potesse avvicinarsi a un rapporto ideale, nel quale tutta la capacità computazionale fosse destinata a compiti utili. L’analisi empirica arriva alla conclusione opposta. Poiché la rete non produce alcun output AI verificabile, il rapporto risulta sostanzialmente identico a quello osservato nei sistemi Proof-of-Work tradizionali. In altre parole, dal punto di vista pratico Pearl consuma energia e risorse GPU senza generare benefici esterni misurabili, nonostante l’infrastruttura hardware impiegata sia perfettamente in grado di eseguire carichi di lavoro AI autentici.

Il caso Pearl mette in discussione l’intero modello PoUW

Lo studio su Pearl va oltre la singola blockchain e solleva interrogativi più ampi sull’intera famiglia dei protocolli Proof-of-Useful-Work. Il problema individuato appare infatti strutturale. In un sistema decentralizzato, consentire ai miner di scegliere liberamente gli input rende estremamente difficile garantire che il lavoro eseguito sia realmente utile. Se la verifica si limita alla correttezza matematica delle operazioni, i partecipanti hanno sempre un incentivo economico a scegliere i dati più semplici da elaborare piuttosto che quelli più utili. Pearl rappresenta il primo caso documentato su larga scala nel quale questa tensione tra verificabilità e utilità è stata misurata empiricamente. Il risultato è netto: una rete da 24 EH/s, alimentata da circa 320.000 GPU e capace di consumare 112 MW, non produce alcun output AI concreto. Per i sostenitori del mining utile si tratta di un segnale d’allarme importante, perché dimostra quanto sia difficile trasformare una promessa teorica in un meccanismo verificabile e realmente produttivo.