# Proof of Useful Work > 有用工作证明（Proof of Useful Work）是一种共识方法，它利用计算来保护网络安全，同时产生有用的结果，例如机器学习推理或应用程序计算。 - Canonical URL: https://iq.wiki/zh/wiki/proof-of-useful-work - Categories: Glossary - Created: 2026-10-16T15:01:22.507Z - Last updated: 2026-10-16T15:01:22.507Z - Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki) --- **有用工作证明**（Proof of Useful Work，简称 PoUW）是一系列旨在使为保护[区块链](https://iq.wiki/wiki/blockchain)安全而进行的计算同时产生有用结果的方法，例如人工智能推理或委托问题的解决方案。与传统的[工作量证明](https://iq.wiki/wiki/proof-of-work-pow)（PoW）不同——在 PoW 中，矿工执行计算（通常是重复哈希）以竞争提议[区块](https://iq.wiki/wiki/block)——PoUW 旨在赋予这些计算除了保护网络安全之外的用途。PoUW 并非单一协议：各种提案在什么算作“有用工作”、如何验证结果以及该工作是替代全部还是仅部分传统[挖矿](https://iq.wiki/wiki/mining)计算方面存在差异。[\[1\]](#cite-id-4m652nyzgs)​[\[2\]](#cite-id-heu9qsbglo)​ ## 概览 PoUW 设计旨在结合三个特性：工作应对某人有价值，执行工作除了完成任务本身外应几乎不产生额外开销，且生成有效证明所需的工作量应与诚实参与者的工作量相当。这些目标可能会发生冲突。例如，为了适应[区块](https://iq.wiki/wiki/block)的上下文或[挖矿](https://iq.wiki/wiki/mining)难度而调整任务，可能会以降低其外部价值的方式改变任务。庞大的任务输入还可能增加存储、带宽和验证成本。[[3]](#cite-id-eopmvg9mll)[[2]](#cite-id-heu9qsbglo) 2026 年的一项关于有用计算替代方案的调查将其需求归纳为[区块链](https://iq.wiki/wiki/blockchain)“骨干”属性、区块提案属性以及任务本身的属性。这些属性包括链的安全性和进展、[区块](https://iq.wiki/wiki/block)提案的公平分配、任务难度、高效验证、可调节难度以及防止跨任务重复使用工作。该调查还区分了**强有用性**（即有人希望解决特定的问题实例）和**弱有用性**（即有人希望获得任务类别中任何实例的解决方案）。强有用任务通常需要外部供应商，而弱有用任务可由系统生成。[[2]](#cite-id-heu9qsbglo) 任务设计带来了额外的问题。简单的实例可能会破坏[挖矿](https://iq.wiki/wiki/mining)竞争；确定性或渐进改进的算法可能会使更有经验的求解者占优；供应商可能会与已经计算出答案的求解者串通。庞大的输入也可能难以存储或分发。某些工作可以在不同实例之间摊销：调查以斐波那契计算为例。相比之下，优化任务如果不在实际上重新解决一遍，可能很难验证。这些问题意味着，证明计算已经执行本身并不足以证明它按预期保障了[区块链](https://iq.wiki/wiki/blockchain)的安全。[[2]](#cite-id-heu9qsbglo) ## 早期结构 工作量证明（Proof of Work）的出现早于[区块链](https://iq.wiki/wiki/blockchain)系统：Dwork 和 Naor 在 1992 年提出了计算定价方案，[Adam Back](https://iq.wiki/wiki/adam-back) 在 1997 年提出了 Hashcash。后来，[比特币](https://iq.wiki/wiki/bitcoin)利用哈希目标[挖矿](https://iq.wiki/wiki/mining)来增加[区块](https://iq.wiki/wiki/block)生成的成本，从而保护其账本。早期将[挖矿](https://iq.wiki/wiki/mining)算力引导至其他任务的想法包括 Primecoin 对质数链的搜索，以及 Permacoin 将挖矿用于存档存储。[[4]](#cite-id-gipwlk2375)[[5]](#cite-id-i2oemy9k18) 由 Marshall Ball、Alon Rosen、Manuel Sabin 和 Prashant Nalini Vasudevan 提出的一种理论结构，开发了基于细粒度计算问题的证明，主要是正交向量（OV）及其泛化形式 \(k\)-OV。在他们的框架中，挑战是从委派的问题中生成的；证明者提供简洁的证明，验证者对其进行检查并重构答案。在推测的硬度假设下，作者寻求具有接近二次方或可调节的高阶求解成本，但具有接近线性验证和重构成本的结构。该论文还考虑将 3SUM 和全源最短路径作为类似方案的可能基础。[[5]](#cite-id-i2oemy9k18) 该结构解决了矿工可能在多个挑战中重复使用同一次计算的风险：其作者分析了解决多个独立生成的实例是否可以被摊销。他们还提出了一种[区块链](https://iq.wiki/wiki/blockchain)安排，其中委托人将问题发布到公共看板上，而工作者将证明附加到[区块](https://iq.wiki/wiki/block)中。该论文的区块链设计是一项提案，而非已部署网络的报告。[[5]](#cite-id-i2oemy9k18) ## 矩阵乘法挖矿 (Matrix-Multiplication Mining) ### cuPOW 与 Pearl Network 一种较新的方法利用了矩阵乘法，这是机器学习推理中的核心操作。Ilan Komargodski 和 [Omri Weinstein](https://iq.wiki/wiki/omri-weinstein) 开发的 cuPOW 协议旨在让矿工能够将他们本就打算执行的矩阵乘法作为[区块链](https://iq.wiki/wiki/blockchain)工作。其核心技术是向输入矩阵添加依赖于种子的低秩随机噪声，让矿工分[块](https://iq.wiki/wiki/block)计算扰动后的乘积，并将中间部分乘积作为计算过程的转录（transcript）。矿工通过去除噪声来恢复所需的乘积；验证者则重新计算转录，并根据难度目标检查其哈希值。[\[3\]](#cite-id-eopmvg9mll)​ 该结构将噪声编码为较小矩阵的乘积。对于一个 (n \times n) 的计算，论文描述了一个包含 ((n/r)^3) 个中间 (r \times r) 矩阵的转录，其中 (r) 小于 (n)。据称，编码和解码的成本为 (O(n^2r))，而朴素平方矩阵乘法的成本为 (O(n^3))。作者声称，相对于该基准，其渐近开销为 (1+o(1))。他们的安全性论证依赖于一个关于计算随机低秩矩阵的批量中间值难度的猜想；这是一个陈述性假设，而非已证明的“不存在捷径”的必然性。[\[3\]](#cite-id-eopmvg9mll)​[\[4\]](#cite-id-gipwlk2375)​ 作者将这种基于转录的方法与单纯检查乘积是否正确区分开来。Freivalds 算法可以以比执行乘法更少的计算量来概率性地验证矩阵乘积，但 Pearl Research 博客认为，仅靠正确性验证无法证明矿工执行了多少工作，也无法提供可调节的[挖矿](https://iq.wiki/wiki/mining)难度。该博客还将 cuPOW 与用于机器学习推理的零知识证明进行了对比，引用了 GPT-2 和 130 亿参数模型的证明时间，认为这些时间对于生产规模的推理来说太慢了。[\[6\]](#cite-id-i50e7s22ny)​ Pearl 将其 [Layer 1](https://iq.wiki/wiki/layer-1) 网络描述为使用通用矩阵乘法 (GEMM) 进行 AI 推理，矿工运行的是 GPU 而非专门的哈希 ASIC。在其设计中，同一次计算既为 AI 客户提供服务，又为[区块链](https://iq.wiki/wiki/blockchain)安全性做出贡献；矿工可以获得[区块奖励](https://iq.wiki/wiki/block-reward)和推理费用。Pearl 报告称，其有用工作量证明内核在四张 H200 GPU 上为 Llama 70B 增加了 5.08% 的端到端开销，在八张 H200 GPU 上为 DeepSeek V3.2 增加了 3.9% 的开销。博客称，该系统使用带有 W7A7 量化、GPTQ 和 SmoothQuant 的整数硬件，原生浮点支持正在开发中。[\[6\]](#cite-id-i50e7s22ny)​ 另一篇关于 cuPOW 的论文报告了整数矩阵乘法的 GPU 基准测试，将其实现与 cuBLAS 和 vLLM 在选定的模型工作负载下进行了比较。在这些测试中，cuPOW 的性能保持在与对比系统相似的范围内，但在列出的案例中未能达到 cuBLAS 的延迟水平；在某些案例中，它比 vLLM 更快。论文指出，这些是实现层面的基准测试，与协议的渐近开销分析有所区别。[\[4\]](#cite-id-gipwlk2375)​ [Pearl](https://iq.wiki/wiki/pearl) 博客还将该网络的原生代币 PRL 描述为通过用于推理的经过验证的 GPU 计算发行的。它认为 GPU 产能和推理需求限制了发行量，并将代币经济学与 AI 计算市场联系起来。这些是该项目自身的经济主张。由验证计算联盟（Consortium for Verified Computing）描述的一项 2026 年浮点方案规范将矩阵乘法方法应用于 FP8 GPU 计算，同时指出该结构并未确定所处理矩阵的来源。[\[6\]](#cite-id-i50e7s22ny)​[\[1\]](#cite-id-4m652nyzgs)​ 同一验证计算联盟账号报告称，一项衡量 Pearl 的 cuPOW 协议在其[主网](https://iq.wiki/wiki/mainnet)上的独立 2026 年研究发现，随机矩阵通过了验证。这一发现提出了一个区别，即验证计算已执行与确定其输入是否服务于外部客户或有用任务之间的区别。[\[1\]](#cite-id-4m652nyzgs)​ ### Qubic 的有用工作量证明 Qubic 将“有用工作量证明”（UPoW）这一名称用于一种不同的安排。其文档将“Computors”——由矿工（也称为 AI 矿工）支持的[验证者](https://iq.wiki/wiki/validator)——描述为执行人工神经网络训练任务。示例包括处理大型数据集和针对特定问题训练模型。Computor 在每个为期一周的纪元（epoch）中的排名取决于其矿工解决分配问题的效率；更强的性能可能导致更高的排名和潜在的更高收益。[\[7\]](#cite-id-achij5axih)​ Qubic 的文档称，矿工生成具有随机结构连接的神经网络并改变其参数，而 Aigarth 则分析网络的属性。所述的研究阶段收集样本并寻找可能为进一步开发提供信息的模式。该文档将这项工作呈现为对神经网络结构（特别是连接性）的探索，并讨论了在性能下降之前移除连接的可能“甜点区”。它还声称训练可以针对普通硬件进行优化，并且每计算单位消耗的能量可能比传统 PoW 更少；这些是 Qubic 方法所述的潜在优势，而非所有 PoUW 系统共有的属性。[\[7\]](#cite-id-achij5axih)​ ### Internet Computer [Internet Computer](https://iq.wiki/wiki/internet-computer-icp) 将“有用工作量证明”用于其成员与共识模型。标准化[节点](https://iq.wiki/wiki/node)机器执行应用程序计算，包括交易[区块](https://iq.wiki/wiki/block)中表示的容器（canister）计算，而不是依赖哈希计算。该模型将购买、托管和运营[节点](https://iq.wiki/wiki/node)硬件视为质押，并期望节点执行大致相等的工作量；[区块](https://iq.wiki/wiki/block)生成的统计偏差可能会导致惩罚。[\[8\]](#cite-id-qf6knrimzw)​ Internet Computer 的链上网络神经系统（NNS）负责配置网络、升级节点软件、将节点组合成子网，并管理节点的准入和移除。它根据提供商、数据中心、地理位置和司法管辖区选择节点，并可以将统计偏差的节点从子网中移除。该模型还依赖链钥密码学（chain-key cryptography）和先进的共识协议将子网连接成一个网络。这是一种网络治理和节点选择设计，而不是 cuPOW 所使用的矩阵乘法[挖矿](https://iq.wiki/wiki/mining)方法。[\[8\]](#cite-id-qf6knrimzw)​ ## 其他提议的系统 ScaloWork 是一种提议的 PoUW 框架，它将哈希[挖掘](https://iq.wiki/wiki/mining)替换为图中最小支配集的计算。公用事业公司提供图并为解决方案提供报酬；[矿池](https://iq.wiki/wiki/mining-pool)协作寻找较小的支配集，获胜的矿池则提议一个[区块](https://iq.wiki/wiki/block)。审计委员会负责选择和评估图实例，同时将同构实例分配给不同的矿池，以增加复制其他矿池解决方案的难度。该设计包括矿池层面的工作分配，旨在识别那些只索取奖励而不做出贡献的参与者。[[9]](#cite-id-3c48rbyh3s) ScaloWork 的作者描述了一个在多达 500 万个顶点的合成图上测试的原型。在他们的实验中，该系统在 15 分钟的截止时间内处理了平均度高达 75 的图，而测试的平均度为 100 的案例则超过了该限制。作者将该设计与早期的支配集提案 Chrisimos 进行了比较，并将 ScaloWork 呈现为一个原型，而非已部署的[区块链](https://iq.wiki/wiki/blockchain)系统。[[9]](#cite-id-3c48rbyh3s) ## 经济与安全辩论 PoUW 的有用输出并不会自动转化为更强的经济安全性。在 2025 年一项对 50 多种架构进行考察的知识系统化研究中，Pratyush Dikshit、Ashkan Emami、Johannes Sedlmeir 和 Gilbert Fridgen 得出结论：有用计算的外部经济或社会价值并不一定会对 [blockchain](https://iq.wiki/wiki/blockchain) 的安全预算做出贡献。他们建议采用涉及可验证计算、激励的部分分配以及考虑任务效用的难度调整的设计方案。[[10]](#cite-id-5d1zavmy28) Rafael Pass 在 2026 年的一项经济模型研究中探讨了一个矩阵乘法 PoUW 系统，在该系统中，GPU 可以执行 [mining](https://iq.wiki/wiki/mining)、推理或两者兼而有之。该模型假设了竞争性准入、每个 [block](https://iq.wiki/wiki/block) 固定的代币奖励、推理的市场价格以及混合挖矿与推理工作的效率参数。它区分了 [block rewards](https://iq.wiki/wiki/block-reward) 的价值与推理市场的价值，并确定了混合工作取代独立 [mining](https://iq.wiki/wiki/mining) 和推理的条件。论文将产生的状态命名为 “Bitconia”、“Fortessia” 和 “Duplexia”。这些是论文模型的结果，而非已部署网络模式的标签。[[11]](#cite-id-1i3s4sjp0y) 在该模型中，高效的混合工作可以取代部分原本仅用于挖矿的计算。在 Duplexia 状态下，[block rewards](https://iq.wiki/wiki/block-reward) 补贴了推理，降低了其模型价格，并在需求具有弹性时可能扩大推理供应。Pass 认为，根据他设定的衡量标准，在模型的各种状态下，多数攻击（majority attack）的成本仍等于区块奖励价值的一半；如果攻击者只能兑现部分奖励，则模型成本会按可兑现份额的比例下降。因此，该论文挑战了“有用输出必然使多数攻击变得更廉价”的观点，同时指出其结论取决于其假设和攻击成本的定义。[[11]](#cite-id-1i3s4sjp0y) 该模型的社会价值结果也是有条件的。在相同的区块奖励价值下，Pass 得出结论，Duplexia 产生的净社会价值高于比特币式的挖矿，因为它还产生了消费者看重的推理。然而，在代币奖励与推理市场支出比例固定的情况下，论文指出，PoUW 若要占据主导地位，避免的挖矿浪费必须超过双重开销以及补贴推理带来的死区损失。[[11]](#cite-id-1i3s4sjp0y) 更广泛的审查确定了实用性与共识需求之间持久的权衡。2026 年《ACM 计算调查》（ACM Computing Surveys）的一项调查报告称，在撰写本文时，尚未部署任何完全用有用工作取代加密谜题的调查系统，且没有一个系统满足其评估的所有属性。2025 年的一项系统性文献综述选择了 53 项主要研究，并对 PoUW 共识提案中报告的优缺点进行了分类。[[2]](#cite-id-heu9qsbglo)[[12]](#cite-id-z5dfljuqmr) 总之，这些评估将协议验证计算的能力与更难的问题区分开来，即该计算是否具有外部实用性、是否难以走捷径、是否分配公平，以及是否足以维护 [blockchain](https://iq.wiki/wiki/blockchain) 的安全和运行。[[2]](#cite-id-heu9qsbglo)[[10]](#cite-id-5d1zavmy28)