【长推】Cysic 研报：ZK 硬件加速的 ComputeFi 之路

Chainfeeds 导读：

零知识证明（ZK）作为新一代加密与扩容基础设施，已在区块链扩容、隐私计算以及 zkML、跨链验证等新兴应用中展现出广阔潜力。然而，其证明生成过程计算量巨大、延迟高昂，成为产业化落地的最大瓶颈。

文章来源：

Jacob Zhao

观点：

Jacob Zhao：GPU 已成为 AI 与 ZK 的核心算力资源。在人工智能（AI）领域，GPU 依托其强大的并行计算架构与成熟的生态系统，几乎成为了不可替代的主流硬件。特别是深度学习和神经网络的训练与推理，GPU 展现了其无与伦比的优势。在训练过程中，神经网络需要大量的矩阵运算和高并行度计算，这正是 GPU 擅长的任务。通过 CUDA（Compute Unified Device Architecture）编程模型以及 PyTorch、TensorFlow 等深度学习框架的配合，GPU 能够实现极高的计算效率。这使得 GPU 成为了大型 AI 模型（如 GPT、BERT 等）的理想选择，无论是在训练时，还是在部署时进行推理。在 ZK 领域，GPU 也发挥着重要作用。零知识证明（Zero-Knowledge Proof，简称 ZK）是一种加密算法，它允许一方证明某个信息的真实性，而无需透露信息本身。在 ZK 的计算任务中，GPU 以其高并行度和大吞吐量，成为了目前主流的计算资源，尤其是在其最初的阶段，GPU 凭借其较低的成本和易得性，成为了理想的选择。然而，GPU 的局限性也显而易见。尽管 GPU 在许多 ZK 证明算法中具有优势，但在一些特定任务上，如大整数模运算、MSM（多项式乘法）和 FFT/NTT（快速傅里叶变换 / 数论变换）等，GPU 的存储带宽和内存带宽成为了瓶颈。这些计算任务对存储和带宽的要求非常高，而 GPU 的架构并没有完全优化这些瓶颈。因此，尽管 GPU 在 ZK 领域占据主导地位，但长期来看，更专用的硬件方案仍然是不可避免的。 FPGA（现场可编程门阵列）作为一种可编程硬件，长期以来被认为是介于 GPU 和 ASIC 之间的解决方案。相比 GPU，FPGA 具有更高的灵活性，开发者可以根据需求对硬件进行编程和定制化。这种灵活性使得 FPGA 在许多应用场景中都能发挥出色的性能，尤其是在算法开发和优化阶段。FPGA 的硬件可编程性，使其成为了诸如 ZK 证明算法验证与迭代、原型验证、以及一些低延迟需求场景（如高频交易、5G 基站）的理想选择。在 ZK 领域，FPGA 的应用具有很大的潜力。由于 ZK 证明算法在不断发展，许多研究团队会根据具体需求进行算法的调整和优化，FPGA 的灵活性恰好满足这一需求。开发者可以根据不同的 ZK 算法定制硬件架构，从而实现性能的最大化。此外，FPGA 在功耗和延迟方面也具有一定的优势，特别是在对计算资源有较高要求的低功耗边缘计算场景中，FPGA 具有一定的优势。 Cysic Network 是一种基于计算金融（ComputeFi）概念的去中心化网络，旨在将计算资源（如 GPU、ASIC 和矿机）金融化，打破传统计算资源的局限，实现计算资源的可编程、可验证和可交易。这一网络基于 Cosmos SDK（软件开发工具包）和 Proof-of-Compute（PoC）机制，构建了一个去中心化的任务撮合与多重验证市场，统一支持 ZK 证明、AI 推理、挖矿以及高性能计算（HPC）等计算需求。Cysic 的目标是为 Web3 生态系统提供一种新的基础设施，特别是在算力领域，推动算力资源的流动性和去中心化。Cysic Network 的一个关键优势在于其独特的垂直整合能力，依托自研的 ZK ASIC、GPU 集群和便携矿机，Cysic 能够提供高效的计算资源。Cysic 团队通过结合 GPU 和 ASIC 的优势，能够针对不同的应用场景提供定制化的算力支持，进一步提升网络的灵活性和可扩展性。此外，Cysic 采用双代币机制，分别为 CYS 和 CGT，CYS 主要用于网络治理和奖励机制，而 CGT 则用于算力交易和流动性支持。