펄, GPU 채굴에 AI 결합…유용한 연산 검증 쟁점

펄이 GPU 채굴에 AI 연산을 결합한 'Proof-of-Useful-Work(PoUW)' 구조를 제시했다. 채굴 과정에서 수행되는 계산과 고객용 AI 학습·추론의 연결 방식이 주요 검토 대상이다.

펄 리서치 랩스는 백서에서 펄을 행렬 곱셈을 채굴에 활용하는 레이어1 블록체인으로 설명했다. 행렬 곱셈은 신경망 학습과 추론에 반복적으로 쓰이는 핵심 연산이다.

기존 작업증명(PoW)이 블록체인 보안을 위해 해시 계산을 수행하는 방식이라면, PoUW는 GPU가 행렬 곱셈을 수행하면서 네트워크 보안과 AI 관련 계산을 함께 처리하도록 설계됐다. 펄은 이를 '2-for-1' 구조로 설명하며 추가 연산 오버헤드가 '1+o(1)' 수준에 머문다고 주장한다.

펄의 공개 소스코드에는 전체 노드와 지갑, 영지식 증명 시스템, GPU 채굴 인프라가 포함됐다. 네트워크는 비트코인과 유사한 UTXO 기반 구조를 사용하며, 채굴 과정에 행렬 곱셈과 검증 가능한 증명을 활용한다.

Together AI는 5월 15일 펄 리서치 랩스와의 협력을 발표했다. Together AI는 펄 네트워크와 연동한 'Gemma-4-31B-it-pearl' 추론 엔드포인트를 공개하고 서비스 가격이 일반 가격보다 25% 이상 낮다고 밝혔다.

할인 비용은 AI 추론 과정에서 함께 생성되는 PRL 발행분의 가치로 상쇄하는 구조다. Together AI는 해당 서비스를 펄 네트워크를 적용한 첫 제품으로 소개했다.

펄 리서치 랩스는 Llama 70B와 DeepSeek V3.2를 대상으로 PoUW 커널의 종단 간 오버헤드를 각각 5.08%, 3.9%로 측정했다고 밝혔다. 해당 수치는 펄 리서치 랩스의 자체 측정 결과다.

핵심 쟁점은 '유용한 연산'을 어떻게 정의하고 검증하느냐다. 독립 연구자 아비나바 바수(Abhinaba Basu)는 6월 3일 공개한 연구에서 펄의 검증 방식을 분석했다.

바수의 연구는 펄 채굴 네트워크의 연산 능력과 AI 추론 연결 구조를 분석했다. 연구자는 펄 채굴 소프트웨어와 검증 절차를 대상으로 분석을 진행했다.

이 연구는 독립 연구자의 프리프린트다.

따라서 AI 연산을 수행할 수 있는 채굴 구조와 채굴자가 실제 유료 AI 작업을 수행하도록 강제하는 구조는 구분할 필요가 있다. Together AI의 할인형 추론 서비스는 양쪽 생태계가 연결될 수 있음을 보여주지만, 네트워크 전체가 고객용 추론을 수행한다는 증거와는 별개다.

이 같은 논쟁은 AI 인프라에서 연산량 자체보다 작업의 출처와 검증 방식이 중요하다는 점과 맞닿아 있다. AI 추론형 레이어1 시험망도 채굴 보상과 추론 검증을 연결하려는 사례로 소개된 바 있다.

통상 PoUW의 유용성은 채굴에 쓰인 계산이 실제 서비스 수요와 연결되는지에 달려 있다. 고객이 제출한 행렬을 의무적으로 사용하게 하는지, 작업 출처를 검증할 수 있는지, 유료 추론 수요가 지속되는지가 주요 확인 지점이다.

펄은 백서와 공개 소스코드를 통해 기술 구조와 구현 요소를 공개했지만, 실제 네트워크에서 고객 작업이 어느 정도 비중을 차지하는지는 별도 검증 대상이다. 자체 성능 측정과 외부 연구의 분석이 엇갈리는 만큼 검증 절차의 재현성이 쟁점으로 남았다.

펄의 PoUW가 GPU 채굴과 AI 서비스의 연결을 실제로 구현했는지는 고객 작업의 강제 사용 여부와 검증 방식이 추가로 공개돼야 판단할 수 있다.