軟件層面，在語言層面上，ZK更友好的格式，也會帶來加速生成的過程，比如Aleo的Leo語言。再就是算法本身的優(yōu)化，雖然說有一定的優(yōu)化空間，但是要想有大的突破需要非常多的時間，畢竟?fàn)可娴胶芏鄶?shù)學(xué)問題。

硬件層面，也就是所謂的硬件加速， CPU、GPU、FPGA、ASIC。CPU與GPU相比在大數(shù)據(jù)多任務(wù)處理上，肯定GPU更占優(yōu)勢。FPGA與GPU相比，在兼顧了靈活性的基礎(chǔ)上，無論是計算能力和功耗性能上都要更強，缺點是性價比太低。ASIC是的，其他的硬件形態(tài)都是無法比擬的。

●在算法過程中頻繁的數(shù)據(jù)混洗使得NTT難以在計算集群中分布，無法并行計算，并且由于需要從大型數(shù)據(jù)集中加載和卸載數(shù)據(jù)，在硬件上運行時需要大量帶寬。即使硬件操作很快，這可能也會導(dǎo)致速度變慢。例如，如果硬件芯片的內(nèi)存為16GB或更少，那么在100GB的數(shù)據(jù)集上運行NTT將需要通過網(wǎng)絡(luò)加載和卸載數(shù)據(jù)，這可能會大大降低操作速度。

按照官方的設(shè)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(nèi)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(xùn)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(xùn)練設(shè)計的專用芯片和機器。