[Thread Panjang] Laporan Riset Cysic: Jalan ComputeFi dengan Akselerasi Perangkat Keras ZK

Pembahasan Chainfeeds:

Zero-Knowledge Proof (ZK) sebagai infrastruktur dasar generasi baru untuk enkripsi dan skalabilitas, telah menunjukkan potensi luas dalam perluasan blockchain, komputasi privasi, serta aplikasi baru seperti zkML dan verifikasi lintas rantai. Namun, proses pembuatan buktinya memerlukan komputasi yang sangat besar dan latensi yang tinggi, sehingga menjadi hambatan terbesar untuk penerapan industri secara luas.

Sumber artikel:

Jacob Zhao

Pendapat:

Jacob Zhao: GPU telah menjadi sumber daya komputasi inti untuk AI dan ZK. Dalam bidang kecerdasan buatan (AI), GPU mengandalkan arsitektur komputasi paralel yang kuat dan ekosistem yang matang, sehingga hampir menjadi perangkat keras utama yang tak tergantikan. Khususnya dalam pelatihan dan inferensi pembelajaran mendalam serta jaringan saraf, GPU menunjukkan keunggulan yang tak tertandingi. Selama proses pelatihan, jaringan saraf memerlukan banyak operasi matriks dan komputasi paralel tingkat tinggi, yang merupakan keunggulan utama GPU. Melalui model pemrograman CUDA (Compute Unified Device Architecture) serta dukungan dari framework pembelajaran mendalam seperti PyTorch dan TensorFlow, GPU dapat mencapai efisiensi komputasi yang sangat tinggi. Hal ini menjadikan GPU sebagai pilihan ideal untuk model AI berskala besar (seperti GPT, BERT, dll.), baik saat pelatihan maupun saat melakukan inferensi pada saat deployment. Dalam bidang ZK, GPU juga memainkan peran penting. Zero-Knowledge Proof (ZK) adalah algoritma enkripsi yang memungkinkan satu pihak membuktikan kebenaran suatu informasi tanpa mengungkapkan informasi itu sendiri. Dalam tugas komputasi ZK, GPU dengan tingkat paralelisme dan throughput yang tinggi telah menjadi sumber daya komputasi utama saat ini, terutama pada tahap awal, GPU menjadi pilihan ideal karena biaya yang lebih rendah dan ketersediaannya yang mudah. Namun, keterbatasan GPU juga sangat jelas. Meskipun GPU memiliki keunggulan dalam banyak algoritma pembuktian ZK, pada beberapa tugas tertentu seperti operasi modulus bilangan besar, MSM (Multiplication of Polynomials), dan FFT/NTT (Fast Fourier Transform / Number Theoretic Transform), bandwidth penyimpanan dan bandwidth memori GPU menjadi hambatan. Tugas-tugas komputasi ini memerlukan permintaan tinggi terhadap penyimpanan dan bandwidth, sementara arsitektur GPU belum sepenuhnya dioptimalkan untuk mengatasi hambatan ini. Oleh karena itu, meskipun GPU mendominasi bidang ZK, dalam jangka panjang, solusi perangkat keras yang lebih khusus tetap tak terelakkan. FPGA (Field Programmable Gate Array) sebagai perangkat keras yang dapat diprogram, telah lama dianggap sebagai solusi antara GPU dan ASIC. Dibandingkan dengan GPU, FPGA memiliki fleksibilitas yang lebih tinggi, memungkinkan pengembang untuk memprogram dan menyesuaikan perangkat keras sesuai kebutuhan. Fleksibilitas ini membuat FPGA dapat memberikan performa luar biasa di banyak skenario aplikasi, terutama pada tahap pengembangan dan optimasi algoritma. Kemampuan pemrograman perangkat keras FPGA menjadikannya pilihan ideal untuk verifikasi dan iterasi algoritma pembuktian ZK, verifikasi prototipe, serta beberapa skenario kebutuhan latensi rendah (seperti perdagangan frekuensi tinggi, stasiun basis 5G). Dalam bidang ZK, aplikasi FPGA memiliki potensi besar. Karena algoritma pembuktian ZK terus berkembang, banyak tim riset akan menyesuaikan dan mengoptimalkan algoritma sesuai kebutuhan spesifik, dan fleksibilitas FPGA sangat cocok untuk kebutuhan ini. Pengembang dapat menyesuaikan arsitektur perangkat keras sesuai dengan algoritma ZK yang berbeda, sehingga memaksimalkan performa. Selain itu, FPGA juga memiliki keunggulan dalam konsumsi daya dan latensi, terutama dalam skenario komputasi edge berdaya rendah yang membutuhkan sumber daya komputasi tinggi, FPGA memiliki keunggulan tertentu. Cysic Network adalah jaringan terdesentralisasi berbasis konsep ComputeFi (Compute Finance), yang bertujuan untuk memfinansialisasi sumber daya komputasi (seperti GPU, ASIC, dan mesin penambangan), memecahkan batasan sumber daya komputasi tradisional, serta mewujudkan sumber daya komputasi yang dapat diprogram, diverifikasi, dan diperdagangkan. Jaringan ini dibangun di atas Cosmos SDK (Software Development Kit) dan mekanisme Proof-of-Compute (PoC), membangun pasar pencocokan tugas dan verifikasi ganda terdesentralisasi, yang secara terpadu mendukung kebutuhan komputasi seperti ZK proof, AI inferensi, mining, serta High Performance Computing (HPC). Tujuan Cysic adalah menyediakan infrastruktur baru untuk ekosistem Web3, khususnya di bidang komputasi, mendorong likuiditas dan desentralisasi sumber daya komputasi. Salah satu keunggulan utama Cysic Network adalah kemampuan integrasi vertikalnya yang unik, dengan mengandalkan ZK ASIC, klaster GPU, dan mesin penambangan portabel yang dikembangkan sendiri, Cysic dapat menyediakan sumber daya komputasi yang efisien. Tim Cysic, dengan menggabungkan keunggulan GPU dan ASIC, dapat menyediakan dukungan komputasi yang disesuaikan untuk berbagai skenario aplikasi, sehingga lebih meningkatkan fleksibilitas dan skalabilitas jaringan. Selain itu, Cysic mengadopsi mekanisme dual-token, yaitu CYS dan CGT, di mana CYS terutama digunakan untuk tata kelola jaringan dan mekanisme insentif, sedangkan CGT digunakan untuk perdagangan dan dukungan likuiditas sumber daya komputasi.