●在算法过程中频繁的数据混洗使得NTT难以在计算集群中分布，无法并行计算，并且由于需要从大型数据集中加载和卸载数据，在硬件上运行时需要大量带宽。即使硬件操作很快，这可能也会导致速度变慢。例如，如果硬件芯片的内存为16GB或更少，那么在100GB的数据集上运行NTT将需要通过网络加载和卸载数据，这可能会大大降低操作速度。

按照官方的设想和规划未来在Aleo上每天的交易量都是上亿美金的规模，在这样大数据量的要求下，每时每刻都有证明需要被委托出去在极短的时间内完成证明的生产，不可能指望显卡能解决这个问题。就像AI大模型训练一样，早期数据量和参数少的情况下可以用消费级显卡，但是现在更多的都是为AI训练设计的专用芯片和机器。

在分析之前，我们先看一下ASIC（Application Specific Integrated Circuit），中文全称是“专用集成电路”。这里特别强调“专用”，“专用”意味着针对单一项目来说会更加有竞争力。相对比，GPU（显卡）是通用计算处理芯片，所以在单一项目上来说“专用”肯定比“通用”更有竞争力。

早在2021年，英伟达就曾公开表示过“禁止使用转换层在其他硬件平台上运行基于CUDA的软件”，2024年3月，英伟达更是将其升级为“CUDA禁令”，直接添加在了CUDA的终用户许可协议中，已禁止用转译层在其他GPU上运行CUDA软件