論文の概要: The Usefulness Gap in Proof-of-Useful-Work: An Empirical Study of Pearl's cuPOW Protocol
- arxiv url: http://arxiv.org/abs/2606.04819v1
- Date: Wed, 03 Jun 2026 12:42:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.757973
- Title: The Usefulness Gap in Proof-of-Useful-Work: An Empirical Study of Pearl's cuPOW Protocol
- Title（参考訳）: Proofof-Useful Workにおける実用性ギャップ:PearlのcuPOWプロトコルに関する実証的研究
- Authors: Abhinaba Basu,
- Abstract要約: Layer-1ブロックチェーンのPearlは、Proof-of-Useful-Work(PoUW)プロトコルを、ネットワークを同時に保護し、AI推論を実行するために販売している。
そこで本研究では,Pearlの24EH/sネットワークが有用なAI計算をゼロにすることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pearl, a Layer-1 blockchain with high-profile AI industry endorsements, markets its Proof-of-Useful-Work (PoUW) protocol as simultaneously securing the network and performing AI inference. We present the first systematic empirical measurement of a deployed PoUW system, finding that Pearl's 24 EH/s network -- representing approximately 320,000 GPU-equivalents consuming an estimated 112 MW -- produces zero useful AI computation. Budget GPU rental prices rose 38% and utilization surged from 57% to 94% following the mining software's public release, displacing legitimate research workloads. Our measurements span five dimensions: (1) network composition analysis of 8,012 workers shows all have inference-capable hardware, yet the dominant mining software contains no inference code; (2) the verification protocol accepts random matrices by design, confirmed by 44 pool-accepted shares from our open-source miner across NVIDIA, AMD, CPU, and Apple Silicon hardware; (3) statistical distribution checks are trivially defeated by adversarial Gaussian sampling; (4) mining is unprofitable at current PRL prices ($0.21) across all GPU tiers (-54% to -72% ROI); and (5) the mining computation is commodity integer arithmetic portable to any hardware platform, offering no vendor lock-in. These findings quantify the verifiability-usefulness tension identified theoretically by Leinweber et al., providing concrete measurements of its magnitude and economic consequences in a deployed system.
- Abstract（参考訳）: 著名なAI業界が支持するLayer-1ブロックチェーンであるPearlは、Proof-of-Useful-Work(PoUW)プロトコルを、ネットワークを同時に保護し、AI推論を実行するために販売している。
我々は、デプロイされたPoUWシステムの最初の系統的な実験的な測定を行い、パールの24のEH/sネットワーク(推定112 MWを消費する約320,000のGPU等価量)が有用なAI計算をゼロにすることを示した。
予算のGPUレンタル価格は38%上昇し、マイニングソフトウェアの公開リリース後、使用量は57%から94%に増加した。
この検証プロトコルは設計によるランダム行列を受理し、NVIDIA、AMD、CPU、Appleのハードウェアにまたがる44のプールアクセシブルなシェアで確認する。 (3) 統計的分布チェックは、敵対的なガウシアンサンプリングによって簡単に破られる。(4) マイニングは、すべてのGPU層(54%から72% ROI)で現在のPRL価格(0.21)で、また、(5) マイニング計算は、ベンダーロックインのない、任意のハードウェアプラットフォームに移植可能な算術演算である。
これらの結果は、Leinweberらによって理論的に同定された妥当性・使いやすさの緊張を定量化し、展開システムにおけるその大きさと経済的な影響を具体的に測定した。
関連論文リスト
- Inductive Deductive Synthesis: Enabling AI to Generate Formally Verified Systems [100.24694338574402]
本稿では,インダクティブ・デダクティブ・シンセシス(IDS)について述べる。
IDSは約6.8時間で7/7を達成し、1仕様あたり106ドル、専門家の努力の約200倍、SOTAエージェントの約17%を達成している。
IDSはパフォーマンスフィードバックを同じループに組み込んでおり、検証されたシステムよりも最大3倍高速な実装を実現している。
論文 参考訳（メタデータ） (2026-05-22T00:05:36Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - MAGNET: Autonomous Expert Model Generation via Decentralized Autoresearch and BitNet Training [0.0]
本稿では,コモディティハードウェアにおけるドメインエキスパート言語モデルの自律生成,トレーニング,提供のための分散システムを提案する。
自動検索,BitNet b1.583次トレーニング,DiLoCo分散マージ,およびHOOTi EVMチェーン上でのオンチェーンコントリビューショントラッキングを統合した。
論文 参考訳（メタデータ） (2026-03-26T18:21:57Z) - SiliconHealth: A Complete Low-Cost Blockchain Healthcare Infrastructure for Resource-Constrained Regions Using Repurposed Bitcoin Mining ASICs [0.0]
我々は、古いBitcoinマイニングアプリケーション専用集積回路(ASIC)を、安全で低コストでエネルギー効率の良い医療記録システムを構築するために再利用できることを実証した。
提案アーキテクチャでは、4階層の階層型ネットワークが採用されており、Antminer S19 Pro (90+ TH/s) の地域病院、Antminer S9 (14 TH/s) の都市保健センター、Lucky Miner LV06 GH/s, 13W の農村クリニックがある。
本稿では,SHA-256マイニングASICを暗号証明ジェネレータとして利用する決定論的ハードウェアフィンガープリント(DHF)パラダイムを紹介する。
論文 参考訳（メタデータ） (2026-01-14T15:21:37Z) - TraPO: A Semi-Supervised Reinforcement Learning Framework for Boosting LLM Reasoning [33.47825979936341]
検証可能な報酬(RLVR)を用いた強化学習は、大きな推論モデル(LRM)の訓練に有効であることが証明された。
提案アルゴリズムは,学習軌跡とラベル付き標本との類似性を一致させることで,信頼できない標本を同定する。
1Kのラベル付きサンプルと3Kのラベルなしサンプルだけで、TraPOの平均精度は42.6%に達し、45Kのラベルなしサンプル(38.3%)で訓練された最高の教師なしメソッドを上回った。
論文 参考訳（メタデータ） (2025-12-15T09:03:45Z) - On-Chain Decentralized Learning and Cost-Effective Inference for DeFi Attack Mitigation [4.37137147573556]
DeFiプラットフォームでは、ビジネスロジックや会計上の脆弱性を利用したトランザクションによって、毎年数十億ドルが失われている。
i) コスト削減のためにLayer-2上でガス禁止計算を行い、(ii) 検証済みのモデル更新をLayer-1に伝達し、(iii) スマートコントラクト内でガス境界付き低遅延推論を可能にする。
論文 参考訳（メタデータ） (2025-10-15T18:58:34Z) - Fact or Facsimile? Evaluating the Factual Robustness of Modern Retrievers [34.31192184496381]
デンスレトリバーとリランカーは、検索強化世代(RAG)パイプラインの中心である。
我々は,これらのコンポーネントがベースとする大規模言語モデル(LLM)をどの程度の事実的能力で継承するか,あるいは失うかを評価する。
全ての埋め込みモデルにおいて、クエリと正しい完了の間のコサイン類似度スコアは、間違ったものよりも著しく高い。
論文 参考訳（メタデータ） (2025-08-28T04:13:51Z) - Incentivised Orchestrated Training Architecture (IOTA): A Technical Primer for Release [0.0]
IOTAはSN9のかつて孤立していたライバルを単一の協力ユニットに変換する。
検証者は各採掘者の貢献を測り、トークンの排出量を比例的に割り当てる。
モデルブートネックを用いて、アクティベーションの通信帯域幅を最大128倍に削減する。
論文 参考訳（メタデータ） (2025-07-16T15:16:21Z) - Vulnerability Scanners for Ethereum Smart Contracts: A Large-Scale Study [44.25093111430751]
2023年だけでも、そのような脆弱性は数十億ドルを超える巨額の損失をもたらした。
スマートコントラクトの脆弱性を検出し、軽減するために、さまざまなツールが開発されている。
本研究では,既存のセキュリティスキャナの有効性と,現在も継続している脆弱性とのギャップについて検討する。
論文 参考訳（メタデータ） (2023-12-27T11:26:26Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。