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(shì)。FPGA與GPU相比，在兼顧了靈活性的基礎(chǔ)上，無(wú)論是計(jì)算能力和功耗性能上都要更強(qiáng)，缺點(diǎn)是性價(jià)比太低。ASIC是的，其他的硬件形態(tài)都是無(wú)法比擬的。

證明生成的過(guò)程中，約有60%的時(shí)間花在MSM上，其余時(shí)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(shí)，例如6700萬(wàn)個(gè)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。

●在算法過(guò)程中頻繁的數(shù)據(jù)混洗使得NTT難以在計(jì)算集群中分布，無(wú)法并行計(jì)算，并且由于需要從大型數(shù)據(jù)集中加載和卸載數(shù)據(jù)，在硬件上運(yùn)行時(shí)需要大量帶寬。即使硬件操作很快，這可能也會(huì)導(dǎo)致速度變慢。例如，如果硬件芯片的內(nèi)存為16GB或更少，那么在100GB的數(shù)據(jù)集上運(yùn)行NTT將需要通過(guò)網(wǎng)絡(luò)加載和卸載數(shù)據(jù)，這可能會(huì)大大降低操作速度。

按照官方的設(shè)想和規(guī)劃未來(lái)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(shí)每刻都有證明需要被委托出去在極短的時(shí)間內(nèi)完成證明的生產(chǎn)，不可能指望顯卡能解決這個(gè)問(wèn)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(jí)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。