La minería Pearl —la red que promete convertir la minería de criptomonedas en cálculo útil de IA— estaría consumiendo enormes cantidades de energía para realizar operaciones que, según un estudio reciente, no aportan trabajo de inteligencia artificial real.
El trabajo, titulado The Usefulness Gap in Proof-of-Useful-Work, sostiene que la red funciona como una fábrica de multiplicaciones de matrices con entradas aleatorias y que carece de mecanismos para comprobar que esas matrices proceden de modelos o clientes que paguen por inferencia o entrenamiento.
Cómo funciona la minería Pearl y dónde falla la verificación
Pearl sustituye el hashing tradicional por un protocolo llamado cuPOW. En lugar de SHA-256, cuPOW pide a los mineros que calculen multiplicaciones de matrices enteras ruidosas y luego prueben que la multiplicación se ha hecho correctamente.
En teoría eso tiene sentido: la aritmética detrás de la multiplicación de matrices es la misma que usan las redes neuronales en entrenamiento e inferencia. En la práctica, lo que Pearl no aclara todavía es que su verificación solo comprueba la corrección matemática de la operación, no el origen ni la utilidad de las entradas.
El investigador Abhinaba Basu demostró la brecha construyendo un minero que alimenta la red con matrices generadas de forma completamente aleatoria. El minero obtuvo participaciones aceptadas por pools y llegó a recibir pagos on-chain ejecutando incluso el software de minería estándar sin modificaciones.
La conclusión central del estudio es simple: si una red no distingue entre multiplicaciones útiles y multiplicaciones aleatorias, los incentivos empujan a los mineros a omitir la parte “útil” y a limitarse a producir resultados matemáticamente válidos que generen recompensa.
Impacto en GPUs, mercado de alquiler y rentabilidad
El estudio estima que la red de Pearl opera a aproximadamente 24 exahashes por segundo, lo que equivaldría a cerca de 320.000 GPUs de clase RTX 3090. Esa flota consumirá, según la estimación del autor, alrededor de 112 megavatios en funcionamiento continuado.
Ese nivel de demanda se dejó notar en el mercado secundario. Basu atribuye a la actividad de Pearl un aumento cercano al 38% en los precios de alquiler de GPUs económicas en la plataforma vast.ai y una subida de la utilización del 57% al 94% tras la publicación del software de minería en mayo.
Usando una comparación difference-in-differences con tarjetas de datacenter más caras, el autor calcula un coste indirecto para investigadores independientes de aproximadamente 600.000 dólares al año por competir por el mismo hardware barato. El propio estudio advierte que esta cifra depende de supuestos sobre la estabilidad previa de los precios.
En cuanto a rentabilidad, con PRL cotizando cerca de 0,76 en el momento del análisis, la minería sería marginalmente rentable en tarjetas como la RTX 3060 Ti y más o menos equilibrada en una RTX 3090, lo que ayuda a explicar el interés en hardware consumidor barato.
Un dato relevante es que el trabajo realizado por Pearl no exige silicio específico. Basu muestra las primeras participaciones aceptadas desde hardware no Nvidia: una AMD Instinct MI300X rindió más que un RTX 3090 en la tarea concreta, y también se probó en CPU y Apple Silicon mediante shaders Metal. El mensaje técnico es claro: al tratarse de aritmética entera corriente, no hay bloqueo de proveedor.
Además, el autor analizó 8.012 trabajadores en un pool, lo que representaba alrededor del 21% del hashrate observado. Todos esos nodos ejecutaban hardware capaz de inferencia, pero el binario dominante de minería no contenía cadenas de texto que apuntasen a frameworks de machine learning. La inspección de cadenas puede ser burlada mediante ofuscación, así que el estudio lo presenta como evidencia fuerte pero no irrefutable.
El perfilado en tiempo de ejecución aportó otra pista: uso intensivo de cómputo con bajo uso de ancho de banda de memoria, patrón coherente con multiplicaciones de matrices puras y discrepante con la inferencia de transformadores, que es mucho más dependiente de memoria.
En respuesta a la creciente atención, Together AI —socio anunciado de Pearl— ofrece ahora un endpoint de inferencia con descuento financiado por ingresos de minería. Basu rebate que eso es arbirtraje financiero: la inferencia que Together ejecuta está separada de la red de minería y el descuento se cubre con ingresos, no porque la propia red esté realizando inferencia útil para clientes.
No es que el concepto de Proof-of-Useful-Work sea inviable. El estudio no sostiene eso. Más bien muestra que el diseño actual de Pearl deja una brecha de cumplimiento: el protocolo permite trabajo útil en teoría, pero no lo exige ni lo verifica de forma que impida que mineros obtengan recompensa por cálculos inútiles.
En la práctica, esto significa que Pearl ocupa una zona intermedia: hace cómputo real y medible, pero hoy por hoy no hay una prueba fiable en cadena que demuestre que ese cómputo responde a cargas de IA pagadas por terceros.
No es un detalle menor: cambia cómo se evalúa la promesa comercial de proyectos que venden minería “útil”. Si la verificación no comprueba el origen de los datos, los incentivos económicos tenderán a optimizar la rentabilidad, no la utilidad científica o comercial.
Habrá que ver si Pearl ajusta su diseño de cuPOW para cerrar esa brecha, o si el ecosistema presiona por estándares de verificación que combinen correctitud y procedencia. Mientras tanto, el caso sirve como recordatorio de que la criptografía y la economía de incentivos deben caminar juntas para convertir una idea técnica en una práctica confiable.
