zkCuda將持續向高效、高擴展性、高適配性的通用證明框架邁進。原文作者：Zhiyong Fang近年來，機器學習模型以驚人的速度實現跨越式發展。隨着模型能力的提升，其複雜性亦同步激增——當今先進模型往往包含數百萬乃至數十億參數。爲應對此等規模挑戰，多種零知識證明系統應運而生，這些系統始終致力於在證明時間、驗證時間與證明大小三者間實現動態平衡。現代機器學習模型的參數數量往往以十億計，即便在不涉及任何密碼學處理的情況下，也已佔用極高的內存資源。而在零知識證明（Zero-Knowledge Proof, ZKP）的場景下，這一挑戰被進一步放大。每一個浮點數參數都必須被轉換爲代數域中的元素，這一轉換過程本身會導致內存佔用增加約 5 至 10 倍。此外，爲了在代數域中精確模擬浮點運算，還需額外引入操作開銷，通常也在 5 倍左右。綜合來看，模型整體內存需求可能提升至原始規模的 25 至 50 倍。例如，一個擁有 10 億個 32 位浮點參數的模型，僅存儲轉換後的參數就可能需要 100 至 200 GB 內存。再考慮中間計算值與證明系統本身的開銷，整體內存佔用輕易突破 TB 級別。當前主流的證明系統，如 Groth16 和 Plonk，在未經優化的實現中，通常假設所有相關數據可同時加載至內存中。這種假設雖然在技術上可行，但在實際硬件條件下極具挑戰性，極大限制了可用的證明計算資源。Polyhedra 推出的 zkCUDA 是一個面向高性能電路開發的零知識計算環境，專爲提升證明生成效率而設計。zkCUDA 語言在語法和語義上與 CUDA 高度相似，底層以 Rust 實現，確保安全性與性能兼備。藉助 zkCUDA，開發者可以快速構建高性能 ZK 電路；高效調度並利用分佈式硬件資源，如 GPU 或支持 MPI 的集羣環境，實現大規模並行計算。zkCUDA 支持對每個計算 kernel 進行細粒度分析，併爲其匹配最適合的零知識證明系統，如 GKR 和 Groth16，最大化發揮各類 ZK 協議的性能優勢。它還能智能調度資源，實現 CPU、GPU 和 FPGA 之間的異構計算任務分發，顯著提升系統性能。zkCUDA 與 GKR 協議在架構上高度契合，通過多項式承諾機制連接子計算內核，確保系統完備性。GKR 允許將計算正確性的驗證遞歸回溯至輸入，類似機器學習中的梯度反向傳播，提升跨內核驗證效率。目前，zkCuda 框架已完成初始開發並在多個場景測試成功。未來將引入內存優化調度與計算圖級優化等技術，持續提升系統性能與適配靈活性，邁向高效、高擴展性、高適配性的通用證明框架。
