[Mahabang Thread] Ulat ng Cysic: Ang Landas ng ComputeFi na Pinabilis ng ZK Hardware

Chainfeeds Panimula:

Bilang bagong henerasyon ng cryptography at scalability infrastructure, ang Zero-Knowledge Proofs (ZK) ay nagpapakita ng malawak na potensyal sa blockchain scalability, privacy computing, pati na rin sa mga bagong aplikasyon gaya ng zkML at cross-chain verification. Gayunpaman, ang proseso ng proof generation nito ay nangangailangan ng napakalaking computation at mataas na latency, na siyang pinakamalaking hadlang sa industriyal na aplikasyon.

Pinagmulan ng Artikulo:

Jacob Zhao

Opinyon:

Jacob Zhao: Ang GPU ay naging pangunahing mapagkukunan ng computational power para sa AI at ZK. Sa larangan ng Artificial Intelligence (AI), ang GPU, dahil sa malakas nitong parallel computing architecture at mature na ecosystem, ay halos hindi mapapalitan bilang mainstream hardware. Lalo na sa training at inference ng deep learning at neural networks, ipinapakita ng GPU ang walang kapantay nitong kalamangan. Sa proseso ng training, nangangailangan ang neural networks ng napakaraming matrix operations at mataas na degree ng parallel computation, na siyang espesyalisasyon ng GPU. Sa pamamagitan ng CUDA (Compute Unified Device Architecture) programming model at mga deep learning frameworks gaya ng PyTorch at TensorFlow, nakakamit ng GPU ang napakataas na computational efficiency. Dahil dito, ang GPU ay naging ideal na pagpipilian para sa malalaking AI models (tulad ng GPT, BERT, atbp.), maging sa panahon ng training o sa deployment para sa inference. Sa ZK na larangan, mahalaga rin ang papel ng GPU. Ang Zero-Knowledge Proof (ZK) ay isang cryptographic algorithm na nagpapahintulot sa isang partido na patunayan ang katotohanan ng isang impormasyon nang hindi isiniwalat ang mismong impormasyon. Sa mga computational tasks ng ZK, ang GPU, dahil sa mataas nitong parallelism at throughput, ay naging pangunahing mapagkukunan ng computation, lalo na sa mga unang yugto, dahil sa mas mababang gastos at madaling makuha, naging ideal na pagpipilian ito. Gayunpaman, malinaw din ang mga limitasyon ng GPU. Bagama’t may kalamangan ang GPU sa maraming ZK proof algorithms, sa ilang partikular na tasks gaya ng large integer modular operations, MSM (multi-scalar multiplication), at FFT/NTT (Fast Fourier Transform / Number Theoretic Transform), ang storage bandwidth at memory bandwidth ng GPU ay nagiging bottleneck. Ang mga computation na ito ay nangangailangan ng mataas na storage at bandwidth, ngunit ang architecture ng GPU ay hindi ganap na na-optimize para sa mga bottleneck na ito. Kaya, bagama’t nangingibabaw ang GPU sa ZK na larangan, sa pangmatagalang pananaw, mas espesyal na hardware solutions pa rin ang hindi maiiwasan. Ang FPGA (Field Programmable Gate Array) bilang isang programmable hardware ay matagal nang itinuturing na solusyon sa pagitan ng GPU at ASIC. Kumpara sa GPU, mas mataas ang flexibility ng FPGA; maaaring i-program at i-customize ng mga developer ang hardware ayon sa pangangailangan. Ang flexibility na ito ang dahilan kung bakit mahusay ang performance ng FPGA sa maraming application scenarios, lalo na sa algorithm development at optimization stage. Ang hardware programmability ng FPGA ay ginagawa itong ideal na pagpipilian para sa ZK proof algorithm verification at iteration, prototype verification, at ilang low-latency scenarios (tulad ng high-frequency trading, 5G base stations). Sa ZK na larangan, malaki ang potensyal ng aplikasyon ng FPGA. Dahil patuloy na umuunlad ang ZK proof algorithms, maraming research teams ang nag-a-adjust at nag-o-optimize ng algorithms ayon sa partikular na pangangailangan, at ang flexibility ng FPGA ay akma sa pangangailangang ito. Maaaring i-customize ng mga developer ang hardware architecture ayon sa iba’t ibang ZK algorithms upang makamit ang pinakamataas na performance. Bukod dito, may kalamangan din ang FPGA sa power consumption at latency, lalo na sa mga low-power edge computing scenarios na may mataas na pangangailangan sa computational resources. Ang Cysic Network ay isang decentralized network na nakabatay sa ComputeFi (computational finance) concept, na layuning gawing financial assets ang computational resources (tulad ng GPU, ASIC, at mining rigs), sirain ang tradisyonal na limitasyon ng computational resources, at gawing programmable, verifiable, at tradeable ang mga ito. Ang network na ito ay nakabatay sa Cosmos SDK (software development kit) at Proof-of-Compute (PoC) mechanism, na bumubuo ng isang decentralized task matching at multi-verification market, na sumusuporta sa ZK proofs, AI inference, mining, at high-performance computing (HPC) na mga computational needs. Ang layunin ng Cysic ay magbigay ng bagong infrastructure para sa Web3 ecosystem, lalo na sa larangan ng computational power, upang itaguyod ang liquidity at decentralization ng computational resources. Isa sa mga pangunahing kalamangan ng Cysic Network ay ang natatangi nitong vertical integration capability; sa pamamagitan ng sariling ZK ASIC, GPU clusters, at portable mining rigs, makakapagbigay ang Cysic ng efficient na computational resources. Sa pamamagitan ng pagsasama ng mga kalamangan ng GPU at ASIC, makakapagbigay ang Cysic team ng customized na computational power support para sa iba’t ibang application scenarios, na higit pang nagpapataas ng flexibility at scalability ng network. Bukod dito, gumagamit ang Cysic ng dual-token mechanism, na binubuo ng CYS at CGT; ang CYS ay pangunahing ginagamit para sa network governance at reward mechanism, habang ang CGT naman ay para sa computational power trading at liquidity support.