[Hilo largo] Informe 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 expansión de blockchain, computación privada, así como en aplicaciones emergentes como zkML y verificación entre cadenas. Sin embargo, el proceso de generación de pruebas implica un gran volumen de cálculos y una alta latencia, lo que se ha convertido en el mayor cuello de botella para su implementación industrial.

Fuente del artículo:

Jacob Zhao

Opinión:

Jacob Zhao: La GPU se ha convertido en el recurso central de cómputo tanto para la IA como para ZK. En el campo de la inteligencia artificial (IA), la GPU, gracias a su poderosa arquitectura de computación paralela y su ecosistema maduro, se ha vuelto prácticamente insustituible como hardware principal. Especialmente en el entrenamiento e inferencia de aprendizaje profundo y redes neuronales, la GPU demuestra 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 marcos de aprendizaje profundo como PyTorch y TensorFlow, la GPU puede alcanzar una eficiencia de cómputo extremadamente alta. Esto convierte a la GPU en la opción ideal para modelos de IA de gran escala (como GPT, BERT, etc.), tanto en la fase de entrenamiento como en la de inferencia durante el despliegue. En el ámbito de ZK, la GPU también juega 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 cómputo de ZK, la GPU, gracias a su alto paralelismo y gran capacidad de procesamiento, se ha convertido en el recurso de cómputo predominante, especialmente en las etapas iniciales, ya que su bajo costo y fácil acceso la hacen una opción ideal. 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 con enteros grandes, 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 requieren un alto nivel de almacenamiento y ancho de banda, y la arquitectura de la GPU no está completamente optimizada para superar estas limitaciones. 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 tenga un rendimiento destacado en muchos escenarios de aplicación, especialmente en las etapas de desarrollo y optimización de algoritmos. La programabilidad del hardware del FPGA lo convierte en una opción ideal para la verificación e iteración de algoritmos de prueba ZK, la verificación 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 para diferentes algoritmos ZK, maximizando así el rendimiento. Además, el FPGA también tiene ventajas en consumo energético y latencia, especialmente en escenarios de computación en el borde de bajo consumo con altas demandas de recursos de cómputo. Cysic Network es una red descentralizada basada en el concepto de ComputeFi, que busca financiarizar los recursos de cómputo (como GPU, ASIC y mineros), rompiendo las limitaciones tradicionales de estos recursos y logrando que sean programables, verificables y negociables. Esta red, basada en Cosmos SDK y el mecanismo Proof-of-Compute (PoC), construye un mercado descentralizado de emparejamiento de tareas y verificación múltiple, soportando de manera unificada necesidades de cómputo como 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 área de poder 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 su propio ZK ASIC, clusters de GPU y mineros portátiles, Cysic puede ofrecer recursos de cómputo altamente eficientes. El equipo de Cysic, combinando las ventajas de GPU y ASIC, puede proporcionar soporte 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 mecanismos de recompensa, mientras que CGT se utiliza para el comercio de poder de cómputo y soporte de liquidez.