[Langer Thread] Cysic Forschungsbericht: Der Weg von ComputeFi zur ZK-Hardwarebeschleunigung

Chainfeeds Einleitung:

Zero-Knowledge Proofs (ZK) haben sich als neue Generation von Verschlüsselungs- und Skalierungsinfrastrukturen etabliert und zeigen bereits großes Potenzial in Bereichen wie Blockchain-Skalierung, Privacy Computing sowie in aufkommenden Anwendungen wie zkML und Cross-Chain-Verifikation. Allerdings ist der Beweisgenerierungsprozess äußerst rechenintensiv und mit hoher Latenz verbunden, was das größte Hindernis für die industrielle Umsetzung darstellt.

Quelle:

Jacob Zhao

Meinung:

Jacob Zhao: GPU sind zur zentralen Rechenressource für AI und ZK geworden. Im Bereich der Künstlichen Intelligenz (AI) sind GPU dank ihrer leistungsstarken Parallelarchitektur und des ausgereiften Ökosystems nahezu unersetzbare Mainstream-Hardware. Besonders beim Training und Inferenz von Deep Learning und neuronalen Netzwerken zeigen GPU ihre unvergleichlichen Vorteile. Während des Trainings benötigen neuronale Netzwerke umfangreiche Matrixberechnungen und hohe Parallelität – genau die Aufgaben, in denen GPU stark sind. Durch das CUDA (Compute Unified Device Architecture) Programmiermodell sowie Deep-Learning-Frameworks wie PyTorch und TensorFlow erreichen GPU eine extrem hohe Recheneffizienz. Dies macht GPU zur idealen Wahl für große AI-Modelle (wie GPT, BERT usw.), sowohl beim Training als auch bei der Inferenz im Deployment. Auch im ZK-Bereich spielen GPU eine wichtige Rolle. Zero-Knowledge Proofs (ZK) sind kryptografische Algorithmen, die es einer Partei ermöglichen, die Richtigkeit einer Information zu beweisen, ohne die Information selbst preiszugeben. Bei den Rechenaufgaben von ZK sind GPU aufgrund ihrer hohen Parallelität und ihres großen Durchsatzes derzeit die gängigste Rechenressource, insbesondere in der Anfangsphase, da GPU relativ kostengünstig und leicht verfügbar sind. Dennoch sind die Grenzen von GPU offensichtlich. Obwohl GPU bei vielen ZK-Beweisalgorithmen Vorteile bieten, stoßen sie bei bestimmten Aufgaben wie großen Ganzzahl-Modulo-Operationen, MSM (Multiplikation von Polynomen) und FFT/NTT (Fast Fourier Transform / Number Theoretic Transform) an ihre Speicher- und Bandbreitenlimits. Diese Berechnungen stellen hohe Anforderungen an Speicher und Bandbreite, und die Architektur der GPU ist für diese Engpässe nicht vollständig optimiert. Daher dominieren GPU zwar aktuell den ZK-Bereich, aber auf lange Sicht sind spezialisiertere Hardwarelösungen unvermeidlich. FPGA (Field Programmable Gate Array) gelten seit langem als Lösung zwischen GPU und ASIC. Im Vergleich zu GPU bieten FPGA eine höhere Flexibilität, da Entwickler die Hardware je nach Bedarf programmieren und anpassen können. Diese Flexibilität ermöglicht es FPGA, in vielen Anwendungsszenarien hervorragende Leistungen zu erbringen, insbesondere in der Algorithmusentwicklung und -optimierung. Die Hardware-Programmierbarkeit von FPGA macht sie zur idealen Wahl für die Verifizierung und Iteration von ZK-Beweisalgorithmen, Prototypenvalidierung und für Szenarien mit niedriger Latenz (wie Hochfrequenzhandel, 5G-Basisstationen). Im ZK-Bereich haben FPGA großes Potenzial. Da sich ZK-Beweisalgorithmen ständig weiterentwickeln, passen viele Forschungsteams die Algorithmen je nach Bedarf an und optimieren sie – die Flexibilität von FPGA erfüllt genau diese Anforderungen. Entwickler können die Hardwarearchitektur für verschiedene ZK-Algorithmen anpassen, um die Leistung zu maximieren. Darüber hinaus bieten FPGA auch Vorteile beim Stromverbrauch und bei der Latenz, insbesondere in Low-Power-Edge-Computing-Szenarien mit hohen Anforderungen an die Rechenressourcen. Cysic Network ist ein dezentralisiertes Netzwerk auf Basis des ComputeFi-Konzepts, das darauf abzielt, Rechenressourcen (wie GPU, ASIC und Mining-Rigs) zu finanzialisieren, die Grenzen traditioneller Rechenressourcen zu durchbrechen und programmierbare, überprüfbare und handelbare Rechenressourcen zu ermöglichen. Dieses Netzwerk basiert auf dem Cosmos SDK (Software Development Kit) und dem Proof-of-Compute (PoC)-Mechanismus und schafft einen dezentralen Marktplatz für Task-Matching und Multiverifikation, der ZK-Proofs, AI-Inferenz, Mining und High Performance Computing (HPC) unterstützt. Das Ziel von Cysic ist es, dem Web3-Ökosystem eine neue Infrastruktur im Bereich der Rechenleistung zu bieten und die Liquidität und Dezentralisierung von Rechenressourcen zu fördern. Ein entscheidender Vorteil des Cysic Network ist seine einzigartige vertikale Integrationsfähigkeit: Mit eigens entwickelten ZK ASIC, GPU-Clustern und tragbaren Mining-Rigs kann Cysic effiziente Rechenressourcen bereitstellen. Das Cysic-Team kombiniert die Vorteile von GPU und ASIC, um maßgeschneiderte Rechenleistung für verschiedene Anwendungsszenarien bereitzustellen und so die Flexibilität und Skalierbarkeit des Netzwerks weiter zu erhöhen. Darüber hinaus verwendet Cysic ein Dual-Token-System, bestehend aus CYS und CGT. CYS wird hauptsächlich für Netzwerk-Governance und Anreizmechanismen verwendet, während CGT für den Handel und die Liquiditätsunterstützung von Rechenleistung dient.