اثبات ZK (اثبات دانش صفر) شروع به رقابت با مراکز داده هوش مصنوعی تریلیون دلاری برای همان GPUها کرده است که این امر هزینه‌های اثبات را افزایش می‌دهد، حتی با اینکه Cysic بهبود 9 درصدی عملکرد را از طریق بهینه‌سازی استفاده از سخت‌افزار گزارش می‌دهد.

لئو فن، بنیانگذار و مدیرعامل Cysic، به crypto.news گفت که استفاده از GPU به یک محدودیت الزام‌آور برای اثبات دانش صفر تبدیل شده است، زیرا سیستم‌های اثبات اکنون برای همان سیلیکون با مراکز داده هوش مصنوعی با بودجه‌های سنگین رقابت می‌کنند.

«مدل‌های هوش مصنوعی در حال همگرا شدن هستند. محاسبات اینطور نیستند. همه فرض می‌کردند که هزینه‌های اثبات کاهش می‌یابد زیرا چیپ‌ها ارزان‌تر می‌شوند. در عوض، ما در حال رقابت با بودجه‌های تریلیون دلاری مراکز داده برای همان سیلیکون هستیم. به همین دلیل لایه سخت‌افزار باید باز می‌شد، نه اینکه به چند اثبات‌گر اختصاصی واگذار شود.»

به گفته فن، این فشار تنها ناشی از کمبود ظرفیت محاسباتی نیست. او گفت مشکل اصلی یک عدم تطابق معماری بین نرم‌افزار zkVM و شتاب‌دهنده‌های مورد استفاده برای تولید اثبات‌ها است، که بخشی از ظرفیت موجود GPU را استفاده‌نشده باقی می‌گذارد و هزینه هر اثبات را افزایش می‌دهد.

موتور اثبات ونوس Cysic این عدم تطابق را با کاهش زمان صرف شده برای هماهنگی کار بین CPUها و GPUها آشکار کرد. همانطور که در آوریل گزارش شد، این شرکت بهبود بیش از 9 درصدی در زمان اثبات سرتاسری را در مقایسه با ZisK 0.16.1 بدون جایگزینی سخت‌افزار زیرین ثبت کرد.

هزینه‌های اثبات ZK اکنون مهم‌تر از سرعت خام است

ونوس که به عنوان یک افزونه سخت‌افزار محور برای ZisK zkVM پالیگان هرمس ساخته شده است، تولید اثبات را به عنوان یک نمودار محاسباتی متصل نمایش می‌دهد. Cysic می‌گوید این طراحی به سیستم اجازه می‌دهد تا کار را در کل فرآیند اثبات زمان‌بندی کند، به جای اینکه هر عملکرد سخت‌افزاری را به عنوان یک فراخوانی جداگانه مدیریت کند.

از طریق یکپارچه‌سازی CUDA Graph، تنظیم کرنل و تغییرات حافظه مشترک، ونوس انتقال داده‌های مکرر و همگام‌سازی بین پردازنده و GPU را کاهش می‌دهد. فن گفت که این نتیجه نشان می‌دهد که شتاب‌دهنده‌های موجود به طور کامل مورد استفاده قرار نمی‌گرفتند و بهره‌وری را به گلوگاه عملی پشت هزینه‌های اثبات تبدیل می‌کرد.

سرعت اثبات خام به سرعت در سراسر صنعت بهبود یافته است. Cysic اعلام کرده است که ZisK می‌تواند یک اثبات بلاک اتریوم را در 7.4 ثانیه با 24 GPU تولید کند و می‌تواند اثبات‌های بیدرنگ را از طریق یک تنظیمات تک RTX 4090 ارسال کند. این ادعاها از سوی شرکت مطرح شده و به طور مستقل تحت یک معیار مشترک که مصرف انرژی، اندازه اثبات، سطح امنیت و کل هزینه سخت‌افزار را پوشش دهد، آزمایش نشده‌اند.

سایر توسعه‌دهندگان نیز از آستانه بیدرنگ اتریوم عبور کرده‌اند. در نوامبر 2025، Succinct گزارش داد که SP1 Hypercube 99.7% از یک نمونه 954 بلاکی اتریوم را در کمتر از 12 ثانیه با استفاده از 16 GPU انویدیا RTX 5090 اثبات کرد. حدود 95.4% از نمونه در عرض 10 ثانیه اثبات شد.

بنیاد اتریوم اثبات بیدرنگ را به عنوان تکمیل اثبات‌ها برای حداقل 99% از بلاک‌های شبکه اصلی در عرض 10 ثانیه تعریف می‌کند. چارچوب آن همچنین خواستار کد کاملاً متن‌باز، اندازه‌های اثبات کمتر از 300 کیلوبایت، حداقل امنیت 128 بیتی، سخت‌افزاری با هزینه حداکثر 100,000 دلار، و مصرف برق محدود به 10 کیلووات است.

این بنیاد گفت که مصرف انرژی ممکن است یک محدودیت جدی‌تر از هزینه تجهیزات برای اثبات‌گران خانگی باشد. یک اثبات می‌تواند قبل از مهلت اتریوم برسد، در حالی که هنوز به قدرت، خنک‌کننده یا سرمایه زیادی برای یک اپراتور مستقل نیاز دارد.

تقاضای هوش مصنوعی دسترسی به همان GPUها را محدود می‌کند

اگرچه هوش مصنوعی و اثبات ZK از GPUها به طور متفاوتی استفاده می‌کنند، هر دو بار کاری به شتاب‌دهنده‌های انویدیا، از کارت‌های RTX مصرف‌کننده گرفته تا سیستم‌های H100 مراکز داده، وابسته هستند.

آموزش و استنتاج هوش مصنوعی عمدتاً از محاسبات ماتریسی استفاده می‌کند. تولید اثبات ZK به شدت به ضرب‌های چند اسکالر (multi-scalar multiplications) و تبدیل‌های نظری اعداد (number-theoretic transforms) متکی است، عملیاتی که GPUها می‌توانند پردازش کنند اما به طور خاص برای اجرای آن‌ها طراحی نشده‌اند.

فن گفت که این عدم تطابق از ساخت سخت‌افزار مخصوص ZK حمایت می‌کند، زیرا سیستم‌های اثبات بدون استفاده از چیپ‌ها به همان روش، وارد صف تامین مشابه توسعه‌دهندگان هوش مصنوعی می‌شوند. او افزود، از آنجایی که ساعت‌های GPU بخش زیادی از هزینه اثبات را تشکیل می‌دهد، هزینه‌های بالاتر سخت‌افزار و اجاره به هزینه هر اثبات منتقل می‌شود.

نتایج مالی انویدیا مقیاس تقاضا از زیرساخت‌های هوش مصنوعی را نشان می‌دهد. این سازنده تراشه که در ایالات متحده فهرست شده است، 75.2 میلیارد دلار درآمد مرکز داده را برای سه ماهه منتهی به 26 آوریل گزارش کرد که 92% نسبت به سال قبل افزایش یافته است. درآمد محاسبات مرکز داده به 60.4 میلیارد دلار رسید که نشان‌دهنده افزایش سالانه 77% است.

رویترز در ماه مارس گزارش داد که آمازون وب سرویسز به طور جداگانه توافق کرده است تا یک میلیون GPU انویدیا را خریداری کند، با تحویل‌هایی که قرار است تا سال 2027 ادامه یابد. جنسن هوانگ، مدیرعامل انویدیا، فرصت فروش 1 تریلیون دلاری را برای خانواده محصولات Blackwell و Rubin تا آن سال تخمین زده است.

در ماه ژوئن، فروش اوراق قرضه برنامه‌ریزی شده انویدیا حداقل 20 میلیارد دلار را برای تامین مالی سرمایه‌گذاری‌های هوش مصنوعی و تامین مالی مجدد بدهی‌ها درخواست کرد. شرکت‌های استخراج بیت‌کوین در آن زمان بیش از 70 میلیارد دلار قرارداد هوش مصنوعی و محاسبات با عملکرد بالا را اعلام کرده بودند که نشان می‌دهد چگونه صاحبان زیرساخت‌های مرتبط با کریپتو نیز قدرت و امکانات را به سمت بارهای کاری هوش مصنوعی هدایت می‌کنند.

گزارش برنشتاین که در ماه مه منتشر شد، مشارکت‌های زیرساخت هوش مصنوعی اعلام شده را تقریباً 90 میلیارد دلار برآورد کرد. تحلیلگران تخمین زدند که استخراج‌کنندگان بیت‌کوین بیش از 27 گیگاوات ظرفیت برق برنامه‌ریزی شده را کنترل می‌کنند، در مقایسه با حدود 3.7 گیگاوات مرتبط با قراردادهای هوش مصنوعی اعلام شده، در حالی که برخی از اتصالات شبکه برق ایالات متحده ممکن است تا 50 ماه طول بکشد.

ZK-رول‌آپ‌ها و اثبات‌گران بیدرنگ ابتدا با فشار مواجه می‌شوند

فن گفت که اثبات لایه 1 بیدرنگ در خط مقدم فشار هزینه قرار دارد زیرا به GPUها برای تولید یک اثبات جدید برای هر بلاک نیاز دارد. هر تاخیری می‌تواند باعث شود که یک اثبات‌گر مهلت شبکه را از دست بدهد، بنابراین اپراتورها علاوه بر سخت‌افزار کافی برای تقاضای عادی، به ظرفیت اضافی نیز نیاز دارند.

ZK-رول‌آپ‌ها و بازارهای اثبات به این دلیل اهمیت می‌یابند که ساعت‌های GPU مستقیماً به هزینه‌های عملیاتی و در برخی موارد، هزینه‌های کاربر منتقل می‌شوند. یک تحلیل قبلی هزینه‌های اثبات تخمین زده بود که تولید اثبات 60 تا 70 درصد از کارمزدهای شبکه‌های ZK لایه 2 را تشکیل می‌دهد، با استناد به داده‌های L2Beat.

طبق همان تحلیل، تولید یک اثبات برای دسته‌ای از 4000 تراکنش می‌تواند بین دو تا پنج دقیقه روی یک Nvidia A100 طول بکشد و بین 0.04 تا 0.17 دلار هزینه محاسبات ابری داشته باشد. این ارقام به سیستم اثبات، دسته تراکنش، پیکربندی سخت‌افزار و نرخ ابری بستگی دارد.

فن zkML را در میان آسیب‌پذیرترین برنامه‌ها قرار داد زیرا یک بار کاری هوش مصنوعی را با هزینه اضافی اثبات صحیح کارکرد مدل ترکیب می‌کند. او گفت برای پرداخت‌های خصوصی، بازی‌های درون زنجیره‌ای و سایر محصولات مصرف‌کننده، اقتصاد اغلب به هزینه‌های اثبات در حد چند سنت نیاز دارد.

فن گفت: «آیا هزینه می‌تواند پذیرش را محدود کند؟ بله، در حاشیه.» و افزود که پرداخت‌های خصوصی و بازی‌ها احتمالاً ابتدا به تعویق می‌افتند، زمانی که اقتصاد آن‌ها دیگر کارساز نباشد.

فشار هزینه می‌تواند بر تعداد نهادهایی که می‌توانند اثبات‌گرها را اداره کنند نیز تأثیر بگذارد. فن گفت که بیش از 90% از شبکه‌های ZK لایه 2 به گروه کوچکی از سرویس‌های اثبات‌گر وابسته هستند، اگرچه این تخمین به یک مجموعه داده نامگذاری شده نیاز دارد و باید به عنوان ارزیابی Cysic تلقی شود.

FPGAها و ASICهای ZK یک مسیر سخت‌افزاری جایگزین ارائه می‌دهند

Cysic با توسعه چندین بک‌اند به جای تکیه صرف بر GPUها پاسخ داده است. مخزن عمومی ونوس شامل بهینه‌سازی‌های GPU، یک بک‌اند شتاب‌دهنده FPGA کامل، و یک پیاده‌سازی اولیه متمرکز بر ASIC است.

بک‌اند FPGA آن شامل کرنل‌هایی برای محاسبات میدانی گلدیاک (Goldilocks field arithmetic)، NTTs، Poseidon2، درخت‌های مرکل (Merkle trees)، FRI و ارزیابی عبارات است. این کد دستگاه‌های AMD UltraScale+ و Versal با حافظه با پهنای باند بالا را هدف قرار می‌دهد و تحت مجوزهای Apache 2.0 و MIT در دسترس است.

برخلاف ASIC، یک FPGA را می‌توان پس از تولید مجدداً برنامه‌ریزی کرد که به توسعه‌دهندگان امکان می‌دهد مدارهای خود را به‌روزرسانی کرده و با سیستم‌های اثبات جدید آزمایش کنند. ASICهای سفارشی انعطاف‌پذیری کمتری ارائه می‌دهند اما می‌توانند عملکرد و بهره‌وری انرژی بهتری را هنگام طراحی برای مجموعه‌ای پایدار از عملیات ZK ارائه دهند.

فن گفت که حرکت به سمت FPGAها و ASICهای ZK، اپراتورهای اثبات را از صف اصلی سخت‌افزار هوش مصنوعی خارج می‌کند. دستگاه‌های تخصصی همچنین از پرداخت هزینه برای توابع GPU که بارهای کاری ZK به آن‌ها نیاز ندارند، جلوگیری می‌کنند، اگرچه هزینه‌های توسعه و حجم تولید محدود همچنان موانعی هستند.

باز کردن نرم‌افزار بخشی از رویکرد Cysic است. این شرکت همچنین یک بازار جهانی اثبات‌گر را پیشنهاد می‌کند که در آن دستگاه‌هایی از سخت‌افزار موبایل گرفته تا خوشه‌های حرفه‌ای می‌توانند کارها را بپذیرند، با بک‌اند‌های GPU و FPGA که وابستگی به یک کلاس تراشه را کاهش می‌دهند.

فن گفت که تأیید رمزنگاری به این معنی است که یک تأییدکننده، اثبات نامعتبر را صرف نظر از اینکه کدام اپراتور آن را تولید کرده، رد می‌کند. بنابراین، باز کردن مشارکت، سلامت سیستم اثبات را تغییر نمی‌دهد، اما مواجهه با خطاهای پیاده‌سازی در کدهای حسابرسی نشده یا ناتمام را افزایش می‌دهد.

Cysic در مخزن ونوس خود اعلام می‌کند که این پروژه همچنان در حال توسعه فعال است. فن گفت که برای محدود کردن ریسک پیاده‌سازی، حسابرسی‌ها و پیکربندی‌های چند اثبات‌گر اضافی مورد نیاز خواهد بود.

پیش‌نویس EIP-8025 به اعتبارسنج‌های اتریوم اجازه می‌دهد تا تولید یا تأیید اثبات‌های اجرا را انتخاب کنند، در حالی که بازاجرای سنتی بلاک پابرجا می‌ماند. این پیشنهاد یک کانال تبادل اثبات (proof gossip channel) و گره‌های اثبات خارجی را معرفی می‌کند، اما نسخه فعلی آن مشوقی برای اپراتورهایی که اثبات‌ها را تولید و پخش می‌کنند، ارائه نمی‌دهد.