什么是Pearl Network？将AI计算转化为挖矿的有用工作量证明链
介绍
Pearl Network 是一个处于早期阶段的 AI x 加密实验，它试图让 GPU 挖矿变得有用而非纯粹重复，因此引起了人们的关注。Pearl 没有像 Render 或 Akash 那样简单地租用 GPU，而是尝试将 AI 计算本身作为区块链安全的一部分。其核心思想是“有用工作证明”（Proof-of-Useful-Work）：用矩阵乘法取代比特币式的 SHA-256 哈希计算，而矩阵乘法正是 AI 训练和推理的基础操作。
这使得 Pearl 成为一个值得关注的设计实验，但尚未成为经过验证的基础设施网络。该项目仍需证明真实的 AI 工作负载能够吸收足够的计算量，挖矿奖励不会成为持续的抛售压力，以及 PRL 的每日排放量能够被持久需求而非短期投机所匹配。
Pearl Network 到底是什么？
Pearl Network 是由 Pearl Research Labs 开发的 Layer 1 区块链。其原生代币是 PRL。该协议基于类似比特币的工作量证明模型，但挖矿难题是围绕 MatMul 而非任意哈希构建的。
简单来说：当 GPU 执行某些 AI 计算时，Pearl 旨在从该工作中提取有效的证明。如果该证明符合网络难度目标，矿工就可以获得 PRL。当前的实现侧重于精确整数 MatMul，而白皮书讨论了未来向 BF16、FP8 和 FP4 等低精度浮点格式发展的路径。目前尚未公布该升级的固定时间表。
为什么它现在很重要
Pearl 于 2026 年 5 月从理论走向市场关注。Together AI 于 2026 年 5 月 15 日宣布与 Pearl Research Labs 建立独家合作伙伴关系，推出了 Gemma-4-31B-it-Pearl 推理端点，Together AI 表示该端点折扣超过 25%，因为 PRL 排放可以抵消部分推理成本。
该链在 2026 年 4 月下旬主网启动后也引发了明显的 GPU 挖矿热潮。挖矿追踪器和硬件媒体报道称，RTX 5090 早期盈利能力强劲，随后随着更多矿工的进入和难度上升而迅速下降。这显示了该模型的两面性：叙事需求可以迅速吸引计算，但矿工回报也可以同样迅速地压缩。
对于一个早期的 AI-加密项目来说，Pearl 还拥有异常具体的技艺。其公共 GitHub monorepo 包括一个完整的节点、钱包、SPV 客户端、ZK 工作量证明组件、BLAKE3 实用程序和一个基于 vLLM 的矿工。这并不能消除执行风险，但它使得该项目比许多仅有叙事的 AI 代币更容易检查。
代币供应和排放设计
PRL 的代币设计是投资争论的核心。Pearl 的最大供应量固定为 21 亿 PRL。区块目标时间为每 194 秒，或大约 3 分 14 秒，这意味着在正常网络条件下每天大约有 445 个区块。
与比特币不同，Pearl 不使用突然的四年减半。其白皮书定义了一个平滑的多项式排放曲线，其中累积分配遵循 A(t) = t / (t + H)，其中 H 等于 650,226 个区块，或大约四年。实际上，大约 50% 的 PRL 总供应量计划在大约四年后排放，而每个区块的奖励逐渐衰减。
这避免了矿工激励的突然断崖，但也造成了早期大量的供应过剩。截至 2026 年 6 月 1 日的快照，区块奖励约为每个区块 2,700 PRL，这意味着在交易费用之前，每日发行量约为 120 万 PRL。以 PRL 价格接近 0.76 美元计算，这代表着每天约 90 万美元的新代币供应。
有何不同
1. 挖矿与 AI 原生计算挂钩
Pearl 用矩阵乘法取代了传统的基于哈希的工作量证明，矩阵乘法是 AI 推理和训练背后的核心操作。这使其与 Render 和 Akash 不同，后者是协调 GPU 或云资源买家和卖家的去中心化市场；Pearl 而是试图让 AI 计算本身生成工作量证明。如果更多的挖矿活动与真实的 AI 工作负载相关联，PRL 可能会更像一种与计算相关的资产，而不是纯粹的挖矿代币；如果不是，那么“有用工作”的溢价就会弱得多。权衡是执行路径更窄：Pearl 需要 AI 工作负载、挖矿经济学、加密证明、硬件支持和代币激励同时到位，而市场可以仅凭供需增长。
2. 第一个产品是成本降低
Together AI 合作伙伴关系为 Pearl 提供了一个具体的首个用例：折扣推理。如果 Pearl 驱动的计算降低了模型服务成本，用户无需直接关心 PRL，但一个端点不足以证明广泛采用。关键里程碑是 Pearl 是否能超越一个模型和一个合作伙伴。
3. 协议使用加密验证
Pearl 结合了 MatMul 承诺、BLAKE3 哈希和零知识证明，以验证有用工作，而无需暴露私有模型权重或用户数据。这对于企业 AI 工作负载很重要，但它也增加了执行风险，因为 ZK 证明、GPU 特定实现和 AI 框架集成都需要可靠地工作。
4. 团队可见但披露仍不充分
Omri Weinstein 被公开任命为 Pearl Research Labs 的联合创始人兼首席执行官，并与底层的 PoUW 研究相关联，而更广泛的团队、法律实体、总部、融资历史和投资者名单在主要材料中仍未披露。这使得 Pearl 可以在代码层面进行检查，但在公司层面仍披露不充分。
值得关注的关键风险
第一个风险是有用工作质量。协议可以验证 MatMul 工作，但并非每个矿工的计算都必然服务于付费 AI 需求。如果大多数挖矿是投机性的虚拟工作，Pearl 就会变成 AI 形态的工作量证明，而不是真正的有用工作。
第二个风险是代币排放压力。Pearl 的平滑排放曲线避免了比特币式的减半冲击，但如上述发行数学所示，它在最初四年内预先加载了大量供应。如果矿工出售奖励以支付 GPU 租赁或电力成本的速度快于 AI 用户、交易所或长期持有者吸收它们的速度，PRL 通胀可能会持续成为价格逆风。
第三个风险是矿工经济学。随着网络哈希率和难度上升，每个 GPU 的奖励可能会迅速下降。这可能会增强网络安全性，但会给在早期高利润窗口进入的矿工带来压力，并可能使哈希率更加波动。
第四个风险是流动性、代币符号混淆和集中度。PRL 目前似乎集中在较小的交易场所，PRL 代币符号已被不相关的项目使用，社区浏览器有时显示出明显的矿池集中度。对于一个新的工作量证明链，市场深度和矿工分布与代币价格同样重要。
结论
Pearl 是一种独特的 AI-加密设计，因为它将代币直接与 GPU 计算连接起来，而不是将 AI 叙事附加到通用资产上。Together AI 的集成使其论点有了第一个真实世界的锚点，但它尚未证明 PRL 能够抵御早期排放和矿工抛售压力，从而维持需求。
下一个判断应该来自可衡量的采用：更多由 Pearl 驱动的端点、更广泛的精度格式支持、稳定的矿工经济学、更健康的交易所流动性、更清晰的团队披露，以及付费 AI 工作负载增长速度快于投机性算力的证据。
免责声明
本文仅供参考，不构成投资建议。加密货币市场波动性大，读者在做出财务决策前应自行研究。