【長推】Cysic 研報：ZK 硬體加速的 ComputeFi 之路

Chainfeeds 導讀：

零知識證明（ZK）作為新一代加密與擴容基礎設施，已在區塊鏈擴容、隱私計算以及 zkML、跨鏈驗證等新興應用中展現出廣闊潛力。然而，其證明生成過程計算量巨大、延遲高昂，成為產業化落地的最大瓶頸。

文章來源：

Jacob Zhao

觀點：

Jacob Zhao：GPU 已成為 AI 與 ZK 的核心算力資源。在人工智慧（AI）領域，GPU 依託其強大的並行計算架構與成熟的生態系統，幾乎成為了不可替代的主流硬體。特別是深度學習和神經網絡的訓練與推理，GPU 展現了其無與倫比的優勢。在訓練過程中，神經網絡需要大量的矩陣運算和高並行度計算，這正是 GPU 擅長的任務。透過 CUDA（Compute Unified Device Architecture）程式設計模型以及 PyTorch、TensorFlow 等深度學習框架的配合，GPU 能夠實現極高的計算效率。這使得 GPU 成為了大型 AI 模型（如 GPT、BERT 等）的理想選擇，無論是在訓練時，還是在部署時進行推理。在 ZK 領域，GPU 也發揮著重要作用。零知識證明（Zero-Knowledge Proof，簡稱 ZK）是一種加密演算法，它允許一方證明某個資訊的真實性，而無需透露資訊本身。在 ZK 的計算任務中，GPU 以其高並行度和大吞吐量，成為了目前主流的計算資源，尤其是在其最初的階段，GPU 憑藉其較低的成本和易得性，成為了理想的選擇。然而，GPU 的侷限性也顯而易見。儘管 GPU 在許多 ZK 證明演算法中具有優勢，但在一些特定任務上，如大整數模運算、MSM（多項式乘法）和 FFT/NTT（快速傅立葉轉換 / 數論轉換）等，GPU 的儲存頻寬和記憶體頻寬成為了瓶頸。這些計算任務對儲存和頻寬的要求非常高，而 GPU 的架構並沒有完全優化這些瓶頸。因此，儘管 GPU 在 ZK 領域佔據主導地位，但長期來看，更專用的硬體方案仍然是不可避免的。FPGA（現場可程式化閘陣列）作為一種可程式化硬體，長期以來被認為是介於 GPU 和 ASIC 之間的解決方案。相比 GPU，FPGA 具有更高的靈活性，開發者可以根據需求對硬體進行程式設計和客製化。這種靈活性使得 FPGA 在許多應用場景中都能發揮出色的效能，尤其是在演算法開發和優化階段。FPGA 的硬體可程式化性，使其成為了諸如 ZK 證明演算法驗證與迭代、原型驗證、以及一些低延遲需求場景（如高頻交易、5G 基站）的理想選擇。在 ZK 領域，FPGA 的應用具有很大的潛力。由於 ZK 證明演算法在不斷發展，許多研究團隊會根據具體需求進行演算法的調整和優化，FPGA 的靈活性恰好滿足這一需求。開發者可以根據不同的 ZK 演算法客製化硬體架構，從而實現效能的最大化。此外，FPGA 在功耗和延遲方面也具有一定的優勢，特別是在對計算資源有較高要求的低功耗邊緣計算場景中，FPGA 具有一定的優勢。Cysic Network 是一種基於計算金融（ComputeFi）概念的去中心化網路，旨在將計算資源（如 GPU、ASIC 和礦機）金融化，打破傳統計算資源的侷限，實現計算資源的可程式化、可驗證和可交易。這一網路基於 Cosmos SDK（軟體開發工具包）和 Proof-of-Compute（PoC）機制，構建了一個去中心化的任務撮合與多重驗證市場，統一支援 ZK 證明、AI 推理、挖礦以及高效能計算（HPC）等計算需求。Cysic 的目標是為 Web3 生態系統提供一種新的基礎設施，特別是在算力領域，推動算力資源的流動性和去中心化。Cysic Network 的一個關鍵優勢在於其獨特的垂直整合能力，依託自研的 ZK ASIC、GPU 叢集和便攜礦機，Cysic 能夠提供高效的計算資源。Cysic 團隊透過結合 GPU 和 ASIC 的優勢，能夠針對不同的應用場景提供客製化的算力支援，進一步提升網路的靈活性和可擴展性。此外，Cysic 採用雙代幣機制，分別為 CYS 和 CGT，CYS 主要用於網路治理和獎勵機制，而 CGT 則用於算力交易和流動性支援。