简言之：

MSM 具有可预测的内存访问，并允许大量并行化，但由于所需的原始计算量和内存量，它们的成本仍然很高。

FFT 有随机的内存访问，这使得它们对硬件不友好，而且很难在分布式基础设施上运行。

在解决大型 MSM 和 FFT 的缓慢问题方面，我们看到的最有希望的工作是 PipeZK‌。在他们的论文中，作者们描述了一种使用 Pippenger 算法‌跳过重复计算的方法以降低 MSM的成本。他们还描述了一种“展开”FFT 的方法，这样它们就可以在不进行重大改组的情况下执行，而由于可预测的内存访问模式，这可以提高硬件的速度。

假设上述方法解决了每种算法的基本瓶颈，那么问题就变成了：使用高度优化的 MSM 和 FFT 算法来加速 ZKP 生成的最佳硬件是什么？

硬件很重要

上述加速技术可以在多种硬件技术上实现：GPU、FPGA 或 ASIC。但哪一种是最好的选择呢？

要回答这个问题，我们首先必须承认 ZKP 仍处于早期发展阶段。系统参数（例如 FFT 宽度或元素的位大小）或证明系统的选择仍然缺乏标准化。

由于这些因素，FPGA 有两个核心特性使其在 ZK 环境中优于 ASIC：

“多次写入”与“一次写入”：ASIC 上的业务逻辑是一次写入。如果任何 ZKP 逻辑发生变化，你需要从头开始。FPGA 可以在 1 秒内重新刷新任意次数，这意味着它们可以在具有不兼容证明系统的多个链上重复使用相同的硬件（例如，因为他们想要跨链提取 MEV），并灵活地适应 ZK“meta”的变化。

更健康的供应链：ASIC 从设计、制造到部署，通常需要 12 到 18 个月或更长的时间。相比之下，FPGA 供应链是健康的，像Xilinx 等领先供应商允许在 16 周内从网站（即没有任何联系点）获得大量零售订单。这允许以 FPGA 为中心的运营商在其产品上有一个更紧密的反馈循环，并通过购买和部署更多 FPGA 来扩大运营规模。

我们还预计 FPGA 的性能将优于 GPU，原因与它们在机器学习和计算机视觉领域蓬勃发展的原因类似：

1、硬件成本：

一流的 FPGA（领先的处理节点、时钟速度、能效和内存带宽）比一流的 GPU 便宜约 3 倍。此外，全球对 GPU 的需求进一步加剧了这一问题。

2、能效：

FPGA 的能效比 GPU 高 10 倍以上，其中一个重要原因是需要将 GPU 连接到主机设备，这通常会消耗大量电力。

鉴于上述情况，我们预计市场上的赢家将是专注于 FPGA 而非 ASIC 或 GPU 的公司。然而，如果只有一个或几个 ZK L1 或 L2 项目最终主导了市场，并且 ZK 证明系统稳定在单一实现上，那么 ASIC 胜过 FPGA 的可能性可能会更高。但这种情况要真的发生，我们可能还需要等待几年的时间。 (责任编辑：admin)