證明生成的過程中，約有60%的時間花在MSM上，其余時間由NTT/FTT主導。MSM和NTT都存在性能挑戰(zhàn)，通常的解決辦法：

●MSM可以在多線程上執(zhí)行，從而支持并行處理。然而，當處理大型數(shù)據(jù)向量時，例如6700萬個參數(shù)，乘法運算可能仍然很慢，并且需要大量的內存資源。此外，MSM存在可擴展性方面的挑戰(zhàn)，即使在廣泛并行化的情況下也可能保持緩慢。

按照官方的設想和規(guī)劃未來在Aleo上每天的交易量都是上億美金的規(guī)模，在這樣大數(shù)據(jù)量的要求下，每時每刻都有證明需要被委托出去在極短的時間內完成證明的生產(chǎn)，不可能指望顯卡能解決這個問題。就像AI大模型訓練一樣，早期數(shù)據(jù)量和參數(shù)少的情況下可以用消費級顯卡，但是現(xiàn)在更多的都是為AI訓練設計的專用芯片和機器。

既然共識是POS的，自然也就不怕ASIC控制網(wǎng)絡，壓根也控制不了，也就不存在分叉的問題，而且從算法和定位的角度上來說，ASIC也是必然需求。Aleo芯片機，Aleo-ASIC，zktaoma或者maxsayss

芯片的硬件指的是運行指令的物理平臺，包括處理器、內存、存儲設備等等。芯片數(shù)據(jù)中常出現(xiàn)的“晶體管數(shù)量”、“7nm制程”、“存儲”等，往往指的就是硬件參數(shù)。

軟件則包括固件、驅動程序、操作系統(tǒng)、應用程序、算子、編譯器和開發(fā)工具、模型優(yōu)化和部署工具、應用生態(tài)等等。這些軟件指導硬件如何響應用戶指令、處理數(shù)據(jù)和任務，同時通過特定的算法和策略優(yōu)化硬件資源的使用。芯片數(shù)據(jù)中常出現(xiàn)的“x86指令集”、“深度學習算子”、“CUDA平臺”等，往往指的就是芯片軟件。