“讓資產從原子世界躍遷至位元世界”，這是比原鏈設計之初的原則。而要達到這個目標，比原鏈系統需要無比安全，所以選用目前最安全可靠的PoW共識機制是比原鏈構想階段就明確要求的。而在保障系統安全性的同時，怎樣保證最大可能減少挖礦過程中的資源浪費，也是比原鏈著重考慮的一個因素。
公有鏈的安全基石是共識機制，而PoW是目前為止容錯能力最好的公有鏈共識機制。攻擊者想要攻擊PoW的公有鏈則必須佔有全網一半以上的算力才能保證攻擊成功率。而其它共識機制，例如PBFT，它的系統容錯率只有三分之一，也就是說攻擊者只要控制超過三分之一的節點，系統就變得極不安全穩定。
採用PoW共識機制的公有鏈很多，但是新發布的公有鏈一般會對挖礦演算法進行替換或者修改以防51%攻擊。如果一個新的數字貨幣採用和比特幣一樣的挖礦演算法，現有的比特幣礦場只要用很少一部分算力對新的數字貨幣進行挖礦，那麼很容易就會擁有新數字貨幣一半以上的算力。換言之，新的數字貨幣在釋出之初就受到某一大礦場的實際控制。顯然，這背離了數字貨幣去中心化的初衷。因此，選擇一個與現有數字貨幣不同的挖礦演算法是很多新發行數字貨幣首要考慮的問題。
一般PoW型別的公有鏈較為常見的挖礦演算法是使用雜湊演算法，例如比特幣選用的是SHA256演算法。雜湊演算法作為挖礦演算法就是因為它是一種單向函式，即從該函式的輸出結果中無法逆推出原來的輸入值。而PoW的初衷就是為了讓礦工完成一定的工作量，這就必須使得礦工必須不斷地改變輸入值，從而找出滿足一定條件的輸出值。這個輸入值其實就是區塊頭的資料。雜湊函式的意義就是確保礦工不會偷懶，從函式的輸出值直接逆推出輸入值。
比特幣網路為了保證安全 ，礦機要不斷的進行雜湊運算，使用的礦機是專為SHA256運算而設計的。而比原鏈為了使礦工可以直接利用人工智慧ASIC晶片進行挖礦，設計一種新的對人工智慧友好的挖礦演算法。比原鏈的挖礦演算法必須要滿足以下條件：
1. 對現有的人工智慧ASIC晶片友好，即挖礦所做的運算要和人工智慧運算過程的基礎運算相同。這樣礦工就能直接採購人工智慧ASIC晶片進行挖礦，拉低人工智慧晶片的成本。而更低的晶片成本也會降低人工智慧實際執行過程中的成本。
2. 採用人工智慧運算過程中應用較為廣泛的演算法。因為人工智慧演算法較多，每種演算法的計算正規化有或多或少的差異，這種差異又影響著ASIC晶片的設計。因此，比原鏈採用的挖礦演算法必須要適應應用範圍較廣的機器學習演算法。
在談到人工智慧的時候，我們很容易想到與其相關的機器學習。機器學習是一種實現人工智慧的方法，目前包括人工神經網路、決策樹、感知器、支援向量機、整合學習AdaBoost、降維與度量學習、聚類、貝葉斯分類器等。其中的人工神經網路是比較經典和成功的機器學習研究方法，而人工神經網路又是一種適用範圍廣泛的機器學習方法。
人工神經網路中，最基本的結構就是神經元，圖1顯示就是典型的M-P神經元模型。
如圖1所示，一個神經元接收多個輸入訊號：a1,a2,a3,…,an。還有一個偏置b。而w1,w2,w3,...,wn分別是對應輸入訊號的權值。透過之後的函式f的計算後輸出一個t，即t=f(a1*w1+a2*w2+...+an*wn+b)。機器學習的實質就是不斷使用資料樣本中的資料進行計算，透過不斷調整輸入訊號的權值達到一個“訓練”目的：使得隨意輸入一個資料，透過神經元函式計算得到的結果與實際的值相差在可接受範圍內。
然而，我們上面所說的是單個神經元，而在實際中應用中，往往需要新增多個層次的神經元。構成一個層次分明的無環圖，圖2顯示的就是一個多層神經網路。
如圖2所示，在整個“訓練”過程中，需要做的其實就是解多元一次方程組的過程，即矩陣運算。在整個神經網路中，矩陣運算是頻率最高的運算過程。
比原鏈的挖礦演算法其實利用的就是大量的矩陣運算。而人工智慧的ASIC晶片專門為矩陣運算進行了最佳化，比原鏈礦工就可以大量採購人工智慧晶片進行挖礦。
比原鏈挖礦演算法所要考慮的因素不僅限於此。一個安全可靠的挖礦演算法是保障公有鏈安全執行的關鍵，也是使用者信任該公有鏈的因素之一。比原鏈的職責是保護鏈上資產交易的安全，而比原鏈的鏈上資產所對應的卻是現實生活中的資產。因此，保障比原鏈的安全穩定執行是一切的關鍵，保證挖礦演算法的可靠是比原鏈開發研究團隊所共同努力的目標。
