La prueba ZK ha comenzado a competir con centros de datos de IA valorados en billones de dólares por las mismas GPU, lo que eleva los costos de las pruebas incluso cuando Cysic informa una ganancia de rendimiento del 9% al mejorar el uso del hardware.
Leo Fan, fundador y CEO de Cysic, dijo a crypto.news que el uso de la GPU se ha convertido en una restricción fundamental para la prueba de conocimiento cero porque los sistemas de prueba ahora compiten con centros de datos de IA fuertemente financiados por el mismo silicio.
“Los modelos de IA están convergiendo. La computación no. Todos asumieron que los costos de prueba disminuirían porque los chips se abaratan. En cambio, estamos compitiendo contra presupuestos de centros de datos de billones de dólares por el mismo silicio. Por eso, la capa de hardware tuvo que abrirse en lugar de dejarse en manos de un puñado de probadores propietarios.”
La presión no proviene solo de la falta de capacidad de cómputo, según Fan. Dijo que el problema principal es una falta de coincidencia arquitectónica entre el software zkVM y los aceleradores utilizados para generar pruebas, lo que deja parte de la capacidad de GPU disponible sin usar y eleva el costo de cada prueba.
El motor de prueba Venus de Cysic expuso esa falta de coincidencia al reducir el tiempo dedicado a coordinar el trabajo entre las CPU y las GPU. Según se informó en abril, la compañía registró una mejora del tiempo de prueba de extremo a extremo de más del 9% frente a ZisK 0.16.1 sin reemplazar el hardware subyacente.
Construido como una extensión centrada en hardware del zkVM ZisK de Polygon Hermez, Venus representa la generación de pruebas como un único grafo de computación conectado. Cysic afirma que el diseño permite al sistema programar el trabajo a lo largo de todo el proceso de prueba en lugar de manejar cada función de hardware como una llamada separada.
Mediante la integración de CUDA Graph, la optimización del kernel y cambios en la memoria compartida, Venus reduce las transferencias de datos y la sincronización repetidas entre el procesador y la GPU. Fan dijo que el resultado muestra que los aceleradores existentes no se estaban utilizando completamente, lo que convierte la utilización en el cuello de botella práctico detrás de los costos de prueba.
La velocidad bruta de prueba ha mejorado rápidamente en toda la industria. Cysic ha dicho que ZisK puede generar una prueba de bloque de Ethereum en 7,4 segundos con 24 GPU y puede enviar pruebas en tiempo real a través de una única configuración RTX 4090. Estas afirmaciones provienen de la compañía y no han sido probadas de forma independiente bajo un punto de referencia común que cubra el uso de energía, el tamaño de la prueba, el nivel de seguridad y el costo total del hardware.
Otros desarrolladores también han superado el umbral de tiempo real de Ethereum. En noviembre de 2025, Succinct informó que SP1 Hypercube probó el 99,7% de una muestra de 954 bloques de Ethereum en menos de 12 segundos utilizando 16 GPU Nvidia RTX 5090. Aproximadamente el 95,4% de la muestra se probó en 10 segundos.
La Fundación Ethereum define la prueba en tiempo real como la finalización de pruebas para al menos el 99% de los bloques de la red principal en 10 segundos. Su marco también exige código completamente de código abierto, tamaños de prueba inferiores a 300 KiB, seguridad de al menos 128 bits, hardware que no cueste más de $100.000 y un uso de energía limitado a 10 kilovatios.
El uso de energía puede ser un límite más serio que el costo del equipo para los probadores domésticos, dijo la Fundación. Una prueba puede llegar antes de la fecha límite de Ethereum y aun así requerir demasiada energía, refrigeración o capital para un operador independiente.
Aunque la IA y la prueba ZK utilizan las GPU de manera diferente, ambas cargas de trabajo dependen de los aceleradores de Nvidia, que van desde tarjetas RTX de consumo hasta sistemas H100 para centros de datos.
El entrenamiento y la inferencia de IA utilizan principalmente cálculos matriciales. La generación de pruebas ZK se basa en gran medida en multiplicaciones multi-escalares y transformadas de teoría de números, operaciones que las GPU pueden procesar pero que no fueron diseñadas específicamente para ejecutar.
Fan dijo que la falta de coincidencia respalda el caso del hardware específico para ZK porque los sistemas de prueba están entrando en la misma cola de suministro que los desarrolladores de IA sin usar los chips de la misma manera. Dado que las horas de GPU representan gran parte de la factura de prueba, los mayores costos de hardware y alquiler se transfieren al costo de cada prueba, añadió.
Los resultados financieros de Nvidia muestran la magnitud de la demanda proveniente de la infraestructura de IA. El fabricante de chips que cotiza en EE. UU. informó ingresos de $75.200 millones en centros de datos para el trimestre que terminó el 26 de abril, un aumento del 92% respecto al año anterior. Los ingresos por computación en centros de datos alcanzaron los $60.400 millones, un aumento anual del 77%.
Amazon Web Services ha acordado por separado comprar un millón de GPU de Nvidia, con entregas programadas para continuar hasta 2027, informó Reuters en marzo. El CEO de Nvidia, Jensen Huang, ha estimado una oportunidad de ventas de $1 billón para las familias de productos Blackwell y Rubin hasta ese año.
En junio, la venta de bonos planificada por Nvidia buscaba al menos $20.000 millones para financiar inversiones en IA y refinanciar deudas. Las empresas de minería de Bitcoin habían anunciado más de $70.000 millones en contratos de IA y computación de alto rendimiento en ese momento, lo que ilustra cómo los propietarios de infraestructuras vinculadas a las criptomonedas también están redirigiendo energía e instalaciones hacia cargas de trabajo de IA.
Un informe de Bernstein cubierto en mayo situó las asociaciones anunciadas de infraestructura de IA en casi $90.000 millones. Los analistas estimaron que los mineros de Bitcoin controlaban más de 27 gigavatios de capacidad de energía planificada, en comparación con aproximadamente 3,7 gigavatios vinculados a acuerdos de IA anunciados, mientras que algunas conexiones a la red eléctrica de EE. UU. podrían tardar hasta 50 meses.
La prueba de capa 1 en tiempo real se encuentra al frente de la presión de costos porque requiere GPU para producir una prueba nueva para cada bloque, dijo Fan. Cualquier retraso puede hacer que un probador pierda el límite de tiempo de la red, por lo que los operadores necesitan capacidad de sobra, así como suficiente hardware para la demanda normal.
Los ZK-rollups y los mercados de pruebas le siguen porque las horas de GPU se traducen directamente en gastos operativos y, en algunos casos, en tarifas de usuario. Un análisis anterior de los costos de prueba estimó que la generación de pruebas representaba entre el 60% y el 70% de las tarifas en las redes ZK de capa 2, citando datos de L2Beat.
Según el mismo análisis, generar una prueba para un lote de 4.000 transacciones podría llevar de dos a cinco minutos en una Nvidia A100 y costar entre $0,04 y $0,17 en cargos de computación en la nube. Las cifras dependen del sistema de prueba, el lote de transacciones, la configuración del hardware y la tarifa de la nube.
Fan situó a zkML entre las aplicaciones más expuestas porque combina una carga de trabajo de IA con el gasto adicional de probar que el modelo funcionó correctamente. Para pagos privados, juegos en cadena y otros productos de consumo, dijo que la economía a menudo requiere costos de prueba medidos en centavos.
“¿Puede el costo limitar la adopción? Sí, en el margen”, dijo Fan, añadiendo que los pagos privados y los juegos probablemente se pospondrían primero cuando su economía ya no funcionara.
La presión de los costos también podría afectar a cuántas entidades pueden operar probadores. Fan dijo que más del 90% de las redes ZK de capa 2 dependen de un pequeño grupo de servicios de probadores, aunque la estimación requiere un conjunto de datos nombrado y debe tratarse como la evaluación de Cysic.
Cysic ha respondido desarrollando múltiples backends en lugar de depender únicamente de las GPU. El repositorio público de Venus incluye optimizaciones de GPU, un backend de aceleración FPGA completo y una implementación temprana orientada a ASIC.
Su backend FPGA contiene kernels para aritmética de campo de Goldilocks, NTTs, Poseidon2, árboles de Merkle, FRI y evaluación de expresiones. El código está dirigido a dispositivos AMD UltraScale+ y Versal con memoria de alto ancho de banda y está disponible bajo licencias Apache 2.0 y MIT.
A diferencia de un ASIC, una FPGA se puede reprogramar después de la producción, lo que permite a los desarrolladores actualizar circuitos y experimentar con nuevos sistemas de prueba. Los ASIC personalizados ofrecen menos flexibilidad pero pueden ofrecer un mejor rendimiento y eficiencia energética cuando se diseñan para un conjunto estable de operaciones ZK.
Fan dijo que pasar a las FPGA y los ASIC ZK eliminaría a los operadores de prueba de la cola principal de hardware de IA. Los dispositivos especializados también evitarían pagar por funciones de GPU que las cargas de trabajo ZK no necesitan, aunque los costos de desarrollo y los volúmenes de fabricación limitados siguen siendo obstáculos.
Abrir el software es una parte del enfoque de Cysic. La compañía también propone un mercado global de probadores en el que dispositivos que van desde hardware móvil hasta clústeres profesionales pueden aceptar trabajos, con backends de GPU y FPGA que reducen la dependencia de una sola clase de chips.
La verificación criptográfica significa que un verificador rechaza una prueba no válida independientemente de qué operador la haya generado, dijo Fan. Abrir la participación, por lo tanto, no cambia la solidez del sistema de prueba, pero aumenta la exposición a errores de implementación en código no auditado o sin terminar.
Cysic afirma en el repositorio de Venus que el proyecto permanece en desarrollo activo. Fan dijo que serían necesarias auditorías y configuraciones redundantes de multiprobadores para limitar el riesgo de implementación.
El borrador EIP-8025 permitiría a los validadores de Ethereum optar por generar o verificar pruebas de ejecución mientras la reejecución convencional de bloques permanece en su lugar. La propuesta introduce un canal de chismorreo de pruebas y nodos de prueba externos, pero su versión actual no proporciona incentivos para los operadores que generan y difunden las pruebas.
