[Thread] Rapporto di ricerca di Cysic: Il percorso di ComputeFi verso l'accelerazione hardware ZK

Chainfeeds Guida alla lettura:

La Zero-Knowledge Proof (ZK), come infrastruttura di nuova generazione per la crittografia e la scalabilità, ha già mostrato un vasto potenziale nell'espansione della blockchain, nel calcolo della privacy, così come in applicazioni emergenti come zkML e la verifica cross-chain. Tuttavia, il processo di generazione delle prove richiede una grande quantità di calcoli e presenta una latenza elevata, diventando così il principale collo di bottiglia per l'adozione industriale.

Fonte dell'articolo:

Jacob Zhao

Punti di vista:

Jacob Zhao: La GPU è diventata la risorsa di calcolo centrale sia per l'AI che per la ZK. Nel campo dell'intelligenza artificiale (AI), la GPU, grazie alla sua potente architettura di calcolo parallelo e all'ecosistema maturo, è praticamente diventata l'hardware mainstream insostituibile. In particolare, nell'addestramento e nell'inferenza di reti neurali e deep learning, la GPU mostra vantaggi ineguagliabili. Durante il processo di addestramento, le reti neurali richiedono un'enorme quantità di operazioni su matrici e calcoli ad alto parallelismo, che sono esattamente i compiti in cui la GPU eccelle. Attraverso il modello di programmazione CUDA (Compute Unified Device Architecture) e il supporto di framework di deep learning come PyTorch e TensorFlow, la GPU può raggiungere un'efficienza di calcolo estremamente elevata. Questo rende la GPU la scelta ideale per grandi modelli AI (come GPT, BERT, ecc.), sia durante l'addestramento che nell'inferenza in fase di deployment. Nel campo della ZK, la GPU svolge anch'essa un ruolo importante. La Zero-Knowledge Proof (ZK) è un algoritmo crittografico che consente a una parte di dimostrare la veridicità di un'informazione senza rivelare l'informazione stessa. Nei compiti di calcolo della ZK, la GPU, grazie al suo alto parallelismo e all'elevata larghezza di banda, è attualmente la risorsa di calcolo principale, soprattutto nelle fasi iniziali, grazie al suo costo relativamente basso e alla facile reperibilità, diventando così la scelta ideale. Tuttavia, i limiti della GPU sono evidenti. Sebbene la GPU abbia vantaggi in molti algoritmi di prova ZK, in alcuni compiti specifici, come le operazioni modulari su grandi numeri interi, MSM (moltiplicazione polinomiale) e FFT/NTT (Fast Fourier Transform / Number Theoretic Transform), la larghezza di banda della memoria e dello storage della GPU diventano un collo di bottiglia. Questi compiti di calcolo richiedono requisiti molto elevati in termini di storage e larghezza di banda, e l'architettura della GPU non è completamente ottimizzata per questi colli di bottiglia. Pertanto, sebbene la GPU domini il campo della ZK, a lungo termine, soluzioni hardware più specializzate sono inevitabili. L'FPGA (Field Programmable Gate Array), come hardware programmabile, è da tempo considerato una soluzione intermedia tra GPU e ASIC. Rispetto alla GPU, l'FPGA offre una maggiore flessibilità, consentendo agli sviluppatori di programmare e personalizzare l'hardware in base alle esigenze. Questa flessibilità permette all'FPGA di offrire prestazioni eccellenti in molti scenari applicativi, soprattutto nelle fasi di sviluppo e ottimizzazione degli algoritmi. La programmabilità hardware dell'FPGA lo rende la scelta ideale per la verifica e l'iterazione di algoritmi di prova ZK, la prototipazione e alcuni scenari che richiedono bassa latenza (come il trading ad alta frequenza e le stazioni base 5G). Nel campo della ZK, l'applicazione dell'FPGA ha un grande potenziale. Poiché gli algoritmi di prova ZK sono in continua evoluzione, molti team di ricerca adattano e ottimizzano gli algoritmi in base alle esigenze specifiche, e la flessibilità dell'FPGA soddisfa perfettamente questa necessità. Gli sviluppatori possono personalizzare l'architettura hardware in base ai diversi algoritmi ZK, massimizzando così le prestazioni. Inoltre, l'FPGA offre vantaggi anche in termini di consumo energetico e latenza, soprattutto negli scenari di edge computing a basso consumo che richiedono elevate risorse di calcolo. Cysic Network è una rete decentralizzata basata sul concetto di ComputeFi, che mira a finanzializzare le risorse di calcolo (come GPU, ASIC e mining rig), superando i limiti delle risorse di calcolo tradizionali e realizzando la programmabilità, verificabilità e negoziabilità delle risorse di calcolo. Questa rete, basata su Cosmos SDK (Software Development Kit) e sul meccanismo Proof-of-Compute (PoC), costruisce un mercato decentralizzato di matching dei compiti e di verifica multipla, supportando in modo unificato le esigenze di calcolo di ZK proof, AI inference, mining e High Performance Computing (HPC). L'obiettivo di Cysic è fornire una nuova infrastruttura per l'ecosistema Web3, in particolare nel campo della potenza di calcolo, promuovendo la liquidità e la decentralizzazione delle risorse di calcolo. Uno dei principali vantaggi di Cysic Network è la sua capacità unica di integrazione verticale: grazie agli ASIC ZK sviluppati internamente, ai cluster GPU e ai mining rig portatili, Cysic può fornire risorse di calcolo efficienti. Il team di Cysic, combinando i vantaggi di GPU e ASIC, è in grado di offrire supporto di calcolo personalizzato per diversi scenari applicativi, migliorando ulteriormente la flessibilità e la scalabilità della rete. Inoltre, Cysic adotta un meccanismo a doppio token, CYS e CGT: CYS viene utilizzato principalmente per la governance della rete e i meccanismi di ricompensa, mentre CGT è utilizzato per il trading della potenza di calcolo e il supporto alla liquidità.