硬件層面，也就是所謂的硬件加速， CPU、GPU、FPGA、ASIC。CPU與GPU相比在大數(shù)據(jù)多任務(wù)處理上，肯定GPU更占優(yōu)勢。FPGA與GPU相比，在兼顧了靈活性的基礎(chǔ)上，無論是計(jì)算能力和功耗性能上都要更強(qiáng)，缺點(diǎn)是性價比太低。ASIC是的，其他的硬件形態(tài)都是無法比擬的。

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(dǎo)。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(dāng)處理大型數(shù)據(jù)向量時，例如6700萬個參數(shù)，乘法運(yùn)算可能仍然很慢，并且需要大量的內(nèi)存資源。此外，MSM存在可擴(kuò)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。

綜上來看，內(nèi)存和帶寬是限制證明生成的主要瓶頸。對于顯卡來說，這里的內(nèi)存指的是顯存，并不是主板上的內(nèi)存，主板上的內(nèi)存主要是參與CPU的計(jì)算。當(dāng)然目前有些芯片技術(shù)可以打通主板上的內(nèi)存和顯存，讓內(nèi)存為顯存計(jì)算來用。

按照官方的設(shè)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(nèi)完成證明的生產(chǎn)，不可能指望顯卡能解決這個問題。就像AI大模型訓(xùn)練一樣，早期數(shù)據(jù)量和參數(shù)少的情況下可以用消費(fèi)級顯卡，但是現(xiàn)在更多的都是為AI訓(xùn)練設(shè)計(jì)的專用芯片和機(jī)器。