【Hilo largo】Informe de investigación de Cysic: El camino de ComputeFi con aceleración de hardware ZK

Chainfeeds Guía de lectura:

La prueba de conocimiento cero (ZK), como una nueva generación de infraestructura de cifrado y escalabilidad, ya ha mostrado un gran potencial en la ampliación de blockchain, computación privada, así como en aplicaciones emergentes como zkML y verificación entre cadenas. Sin embargo, el enorme volumen de cálculo y la alta latencia en el proceso de generación de pruebas se han convertido en el mayor cuello de botella para su adopción industrial.

Fuente del artículo:

Jacob Zhao

Opinión:

Jacob Zhao: La GPU se ha convertido en el recurso central de potencia de cómputo tanto para la IA como para ZK. En el campo de la inteligencia artificial (IA), la GPU, gracias a su potente arquitectura de computación paralela y su ecosistema maduro, se ha convertido prácticamente en el hardware principal insustituible. Especialmente en el entrenamiento e inferencia de aprendizaje profundo y redes neuronales, la GPU ha demostrado ventajas incomparables. Durante el entrenamiento, las redes neuronales requieren una gran cantidad de operaciones matriciales y cálculos altamente paralelos, tareas en las que la GPU sobresale. A través del modelo de programación CUDA (Compute Unified Device Architecture) y el soporte de marcos de aprendizaje profundo como PyTorch y TensorFlow, la GPU puede lograr una eficiencia de cálculo extremadamente alta. Esto convierte a la GPU en la opción ideal para grandes modelos de IA (como GPT, BERT, etc.), tanto en el entrenamiento como en la inferencia durante el despliegue. En el ámbito de ZK, la GPU también desempeña un papel importante. La prueba de conocimiento cero (Zero-Knowledge Proof, ZK) es un algoritmo criptográfico que permite a una parte demostrar la veracidad de cierta información sin revelar la información en sí. En las tareas de cálculo de ZK, la GPU, con su alto paralelismo y gran ancho de banda, se ha convertido en el recurso de computación dominante actualmente, especialmente en las etapas iniciales, donde la GPU es la opción ideal debido a su bajo coste y fácil acceso. Sin embargo, las limitaciones de la GPU también son evidentes. Aunque la GPU tiene ventajas en muchos algoritmos de prueba ZK, en ciertas tareas específicas, como operaciones modulares de grandes enteros, MSM (multiplicación de polinomios) y FFT/NTT (transformada rápida de Fourier / transformada de número teórico), el ancho de banda de almacenamiento y memoria de la GPU se convierte en un cuello de botella. Estas tareas de cálculo requieren un alto nivel de almacenamiento y ancho de banda, y la arquitectura de la GPU no está completamente optimizada para estos cuellos de botella. Por lo tanto, aunque la GPU domina actualmente el campo de ZK, a largo plazo, las soluciones de hardware más especializadas son inevitables. El FPGA (Field Programmable Gate Array) ha sido considerado durante mucho tiempo como una solución intermedia entre la GPU y el ASIC. En comparación con la GPU, el FPGA ofrece mayor flexibilidad, permitiendo a los desarrolladores programar y personalizar el hardware según sus necesidades. Esta flexibilidad permite que el FPGA ofrezca un rendimiento sobresaliente en muchos escenarios de aplicación, especialmente en las etapas de desarrollo y optimización de algoritmos. La programabilidad del hardware del FPGA lo convierte en la opción ideal para la verificación e iteración de algoritmos de prueba ZK, la validación de prototipos y algunos escenarios que requieren baja latencia (como el trading de alta frecuencia y estaciones base 5G). En el campo de ZK, el uso de FPGA tiene un gran potencial. Dado que los algoritmos de prueba ZK están en constante evolución, muchos equipos de investigación ajustan y optimizan los algoritmos según necesidades específicas, y la flexibilidad del FPGA satisface perfectamente esta demanda. Los desarrolladores pueden personalizar la arquitectura del hardware según los diferentes algoritmos ZK para maximizar el rendimiento. Además, el FPGA también tiene ventajas en consumo de energía y latencia, especialmente en escenarios de computación de borde de bajo consumo con altos requisitos de recursos de cálculo. Cysic Network es una red descentralizada basada en el concepto de ComputeFi, destinada a financiarizar recursos de computación (como GPU, ASIC y mineros), romper las limitaciones de los recursos de computación tradicionales y lograr que los recursos de computación sean programables, verificables y negociables. Esta red, basada en Cosmos SDK (kit de desarrollo de software) y el mecanismo Proof-of-Compute (PoC), construye un mercado descentralizado de emparejamiento de tareas y verificación múltiple, compatible de manera unificada con pruebas ZK, inferencia de IA, minería y computación de alto rendimiento (HPC). El objetivo de Cysic es proporcionar una nueva infraestructura para el ecosistema Web3, especialmente en el ámbito de la potencia de cómputo, promoviendo la liquidez y descentralización de los recursos de cómputo. Una de las ventajas clave de Cysic Network es su capacidad única de integración vertical; apoyándose en sus propios ZK ASIC, clústeres de GPU y mineros portátiles, Cysic puede ofrecer recursos de cómputo eficientes. El equipo de Cysic, combinando las ventajas de GPU y ASIC, puede proporcionar soporte de potencia de cómputo personalizado para diferentes escenarios de aplicación, mejorando aún más la flexibilidad y escalabilidad de la red. Además, Cysic adopta un mecanismo de doble token, CYS y CGT; CYS se utiliza principalmente para la gobernanza de la red y el mecanismo de recompensas, mientras que CGT se utiliza para el comercio de potencia de cómputo y el soporte de liquidez.