證明生成的過程中，約有60%的時間花在MSM上，其余時間由NTT/FTT主導。MSM和NTT都存在性能挑戰(zhàn)，通常的解決辦法：

●MSM可以在多線程上執(zhí)行，從而支持并行處理。然而，當處理大型數(shù)據(jù)向量時，例如6700萬個參數(shù)，乘法運算可能仍然很慢，并且需要大量的內存資源。此外，MSM存在可擴展性方面的挑戰(zhàn)，即使在廣泛并行化的情況下也可能保持緩慢。

如果熟悉以太坊PoW算法的應該知道，它的算法并不像大餅的算法，算力大小是與內存和帶寬正相關，這點上和Aleo的算法很像，所以我們看到在以太坊PoW算法上能做出有競爭力的ASIC芯片機廠商屈指可數(shù)！

對比ASIC來說，由于是專用的機器，利用某些技術可以把內存和帶寬做的很大，甚至是4090的幾十倍，但是成本和功耗卻非常低，這就是ASIC的優(yōu)勢。

按照官方的設想和規(guī)劃未來在Aleo上每天的交易量都是上億美金的規(guī)模，在這樣大數(shù)據(jù)量的要求下，每時每刻都有證明需要被委托出去在極短的時間內完成證明的生產，不可能指望顯卡能解決這個問題。就像AI大模型訓練一樣，早期數(shù)據(jù)量和參數(shù)少的情況下可以用消費級顯卡，但是現(xiàn)在更多的都是為AI訓練設計的專用芯片和機器。

再者對于隱私委托計算方案不僅可用于Aleo，也可用于其他需要生產證明的ZK項目，所以對于硬件的儲備和迭代是尤為重要的。