[Long thread] Rapport de recherche de Cysic : La voie de ComputeFi accélérée par le matériel ZK

Guide de Chainfeeds :

La preuve à connaissance nulle (ZK), en tant que nouvelle génération d'infrastructure de cryptographie et de scalabilité, a déjà démontré un vaste potentiel dans l'expansion de la blockchain, le calcul confidentiel, ainsi que dans de nouvelles applications émergentes telles que zkML et la validation cross-chain. Cependant, le processus de génération de preuves implique d'énormes calculs et une latence élevée, ce qui constitue le principal goulot d'étranglement pour une adoption industrielle à grande échelle.

Source :

Jacob Zhao

Opinion :

Jacob Zhao : Le GPU est devenu la ressource de calcul centrale pour l’IA et le ZK. Dans le domaine de l’intelligence artificielle (IA), le GPU, grâce à son architecture de calcul parallèle puissante et à son écosystème mature, est pratiquement devenu le matériel principal irremplaçable. En particulier pour l’entraînement et l’inférence des réseaux neuronaux et de l’apprentissage profond, le GPU démontre des avantages inégalés. Lors de l’entraînement, les réseaux neuronaux nécessitent de nombreux calculs matriciels et un haut degré de parallélisme, ce qui correspond précisément aux points forts du GPU. Grâce au modèle de programmation CUDA (Compute Unified Device Architecture) et à des frameworks de deep learning tels que PyTorch et TensorFlow, le GPU peut atteindre une efficacité de calcul extrêmement élevée. Cela fait du GPU le choix idéal pour les grands modèles d’IA (tels que GPT, BERT, etc.), que ce soit lors de l’entraînement ou lors de l’inférence en production. Dans le domaine du ZK, le GPU joue également un rôle important. La preuve à connaissance nulle (Zero-Knowledge Proof, ZK) est un algorithme cryptographique qui permet à une partie de prouver la véracité d’une information sans révéler l’information elle-même. Dans les tâches de calcul ZK, le GPU, grâce à son haut degré de parallélisme et à son important débit, est actuellement la ressource de calcul dominante, notamment à ses débuts, où son faible coût et sa disponibilité en font un choix idéal. Cependant, les limites du GPU sont également évidentes. Bien que le GPU présente des avantages pour de nombreux algorithmes de preuve ZK, pour certaines tâches spécifiques telles que les opérations modulaires sur de grands entiers, MSM (multiplication de polynômes) et FFT/NTT (Fast Fourier Transform / Number Theoretic Transform), la bande passante mémoire et la bande passante de stockage du GPU deviennent des goulots d’étranglement. Ces tâches de calcul exigent une bande passante et une capacité de stockage très élevées, et l’architecture du GPU n’est pas entièrement optimisée pour ces besoins. Par conséquent, bien que le GPU domine actuellement le domaine du ZK, à long terme, des solutions matérielles plus spécialisées restent inévitables. Le FPGA (Field Programmable Gate Array), en tant que matériel programmable, est depuis longtemps considéré comme une solution intermédiaire entre le GPU et l’ASIC. Comparé au GPU, le FPGA offre une plus grande flexibilité, permettant aux développeurs de programmer et de personnaliser le matériel selon leurs besoins. Cette flexibilité permet au FPGA d’offrir d’excellentes performances dans de nombreux scénarios d’application, en particulier lors du développement et de l’optimisation d’algorithmes. La programmabilité matérielle du FPGA en fait un choix idéal pour la vérification et l’itération des algorithmes de preuve ZK, la validation de prototypes, ainsi que pour certains scénarios nécessitant une faible latence (comme le trading haute fréquence, les stations de base 5G). Dans le domaine du ZK, l’application du FPGA présente un grand potentiel. Étant donné que les algorithmes de preuve ZK évoluent constamment, de nombreuses équipes de recherche ajustent et optimisent les algorithmes selon les besoins spécifiques, et la flexibilité du FPGA répond parfaitement à cette exigence. Les développeurs peuvent personnaliser l’architecture matérielle en fonction de différents algorithmes ZK afin de maximiser les performances. De plus, le FPGA présente également certains avantages en termes de consommation d’énergie et de latence, notamment dans les scénarios de calcul en périphérie à faible consommation où les ressources de calcul sont très sollicitées. Cysic Network est un réseau décentralisé basé sur le concept de ComputeFi, visant à financiariser les ressources de calcul (telles que GPU, ASIC et machines de minage), à briser les limites traditionnelles des ressources de calcul, et à réaliser la programmabilité, la vérifiabilité et la négociabilité de ces ressources. Ce réseau, basé sur Cosmos SDK (Software Development Kit) et le mécanisme Proof-of-Compute (PoC), construit un marché décentralisé de mise en relation de tâches et de validation multiple, prenant en charge de manière unifiée les besoins en calcul pour les preuves ZK, l’inférence IA, le minage et le calcul haute performance (HPC). L’objectif de Cysic est de fournir une nouvelle infrastructure pour l’écosystème Web3, en particulier dans le domaine de la puissance de calcul, afin de promouvoir la liquidité et la décentralisation des ressources de calcul. Un des avantages clés de Cysic Network réside dans sa capacité unique d’intégration verticale : s’appuyant sur ses propres ZK ASIC, clusters GPU et machines de minage portables, Cysic peut fournir des ressources de calcul efficaces. L’équipe Cysic, en combinant les avantages du GPU et de l’ASIC, est capable de proposer un support de puissance de calcul personnalisé pour différents scénarios d’application, améliorant ainsi la flexibilité et l’évolutivité du réseau. De plus, Cysic adopte un mécanisme à double jeton, à savoir CYS et CGT ; CYS est principalement utilisé pour la gouvernance du réseau et les mécanismes de récompense, tandis que CGT sert aux transactions de puissance de calcul et au support de liquidité.