[Ciągły wątek] Raport badawczy Cysic: Droga ComputeFi do przyspieszenia sprzętowego ZK

Chainfeeds Wprowadzenie:

Zero-knowledge proof (ZK), jako nowej generacji infrastruktura kryptograficzna i skalująca, wykazuje ogromny potencjał w skalowaniu blockchainów, obliczeniach prywatności, a także w nowych zastosowaniach takich jak zkML czy weryfikacja międzyłańcuchowa. Jednak proces generowania dowodów wiąże się z ogromnymi wymaganiami obliczeniowymi i wysokimi opóźnieniami, co stanowi największą barierę dla wdrożenia na skalę przemysłową.

Źródło artykułu:

Jacob Zhao

Poglądy:

Jacob Zhao: GPU stało się kluczowym zasobem obliczeniowym zarówno dla AI, jak i ZK. W dziedzinie sztucznej inteligencji (AI), GPU, dzięki swojej potężnej architekturze równoległego przetwarzania i dojrzałemu ekosystemowi, praktycznie stało się niezastąpionym głównym sprzętem. Szczególnie w treningu i wnioskowaniu sieci neuronowych GPU wykazuje niezrównane zalety. Podczas treningu sieci neuronowe wymagają ogromnej liczby operacji macierzowych i wysokiego poziomu równoległości, co jest właśnie domeną GPU. Dzięki modelowi programowania CUDA (Compute Unified Device Architecture) oraz współpracy z frameworkami do głębokiego uczenia, takimi jak PyTorch czy TensorFlow, GPU może osiągać niezwykle wysoką wydajność obliczeniową. To sprawia, że GPU jest idealnym wyborem dla dużych modeli AI (takich jak GPT, BERT itd.), zarówno podczas treningu, jak i podczas wdrażania do wnioskowania. W dziedzinie ZK GPU również odgrywa ważną rolę. Zero-knowledge proof (ZK) to algorytm kryptograficzny, który pozwala jednej stronie udowodnić prawdziwość pewnej informacji bez ujawniania samej informacji. W zadaniach obliczeniowych ZK, GPU dzięki wysokiej równoległości i dużej przepustowości stało się obecnie głównym zasobem obliczeniowym, zwłaszcza na początkowych etapach, gdzie GPU, dzięki niższym kosztom i łatwej dostępności, jest idealnym wyborem. Jednak ograniczenia GPU są również oczywiste. Mimo że GPU ma przewagę w wielu algorytmach dowodów ZK, to w niektórych specyficznych zadaniach, takich jak operacje modulo na dużych liczbach, MSM (mnożenie wielomianów) oraz FFT/NTT (szybka transformacja Fouriera / transformacja liczb całkowitych), przepustowość pamięci i szerokość pasma GPU stają się wąskim gardłem. Te zadania obliczeniowe mają bardzo wysokie wymagania dotyczące pamięci i przepustowości, a architektura GPU nie jest w pełni zoptymalizowana pod tym kątem. Dlatego, mimo dominującej pozycji GPU w dziedzinie ZK, w dłuższej perspektywie bardziej wyspecjalizowane rozwiązania sprzętowe są nieuniknione. FPGA (Field Programmable Gate Array) jako programowalny sprzęt od dawna jest uważany za rozwiązanie pośrednie między GPU a ASIC. W porównaniu do GPU, FPGA oferuje większą elastyczność – deweloperzy mogą programować i dostosowywać sprzęt według potrzeb. Ta elastyczność sprawia, że FPGA może osiągać doskonałą wydajność w wielu zastosowaniach, szczególnie na etapie rozwoju i optymalizacji algorytmów. Programowalność sprzętowa FPGA czyni go idealnym wyborem do weryfikacji i iteracji algorytmów dowodów ZK, prototypowania oraz scenariuszy wymagających niskich opóźnień (takich jak high-frequency trading, stacje bazowe 5G). W dziedzinie ZK zastosowanie FPGA ma ogromny potencjał. Ponieważ algorytmy dowodów ZK stale się rozwijają, wiele zespołów badawczych dostosowuje i optymalizuje algorytmy według konkretnych potrzeb, a elastyczność FPGA idealnie odpowiada tym wymaganiom. Deweloperzy mogą dostosowywać architekturę sprzętową do różnych algorytmów ZK, maksymalizując wydajność. Ponadto FPGA ma pewne zalety pod względem zużycia energii i opóźnień, szczególnie w scenariuszach edge computing o niskim poborze mocy i wysokich wymaganiach obliczeniowych. Cysic Network to zdecentralizowana sieć oparta na koncepcji ComputeFi, mająca na celu finansjalizację zasobów obliczeniowych (takich jak GPU, ASIC i koparki), przełamanie ograniczeń tradycyjnych zasobów obliczeniowych oraz umożliwienie ich programowalności, weryfikowalności i wymienialności. Sieć ta, oparta na Cosmos SDK (Software Development Kit) i mechanizmie Proof-of-Compute (PoC), tworzy zdecentralizowany rynek dopasowywania zadań i wielokrotnej weryfikacji, obsługując jednocześnie potrzeby obliczeniowe takie jak ZK proof, AI inference, mining oraz high performance computing (HPC). Celem Cysic jest dostarczenie nowej infrastruktury dla ekosystemu Web3, szczególnie w zakresie mocy obliczeniowej, promując płynność i decentralizację zasobów obliczeniowych. Kluczową zaletą Cysic Network jest jej unikalna zdolność do pionowej integracji – dzięki własnym ZK ASIC, klastrom GPU i przenośnym koparkom Cysic może dostarczać wydajne zasoby obliczeniowe. Zespół Cysic, łącząc zalety GPU i ASIC, może oferować dostosowaną moc obliczeniową dla różnych scenariuszy zastosowań, dodatkowo zwiększając elastyczność i skalowalność sieci. Ponadto Cysic stosuje mechanizm podwójnego tokena: CYS i CGT, gdzie CYS służy głównie do zarządzania siecią i mechanizmu nagród, a CGT do handlu mocą obliczeniową i wsparcia płynności.