淺析Fabric：融資3300萬美元，用硬件解鎖加密計算的未來

2024-08-21 00:08:08

北京時間 8 月 19 日晚間， “VPU”芯片开發公司 Fabric 宣布完成 3300 萬美元 A 輪融資，本輪融資由 Blockchain Capital 和 1kx 領投，Offchain Labs（Arbitrum）、Polygon 和 Matter Labs（ZKsync）參投。

結合 Fabric 官網信息以及領投機構 Blockchain Capital 的補充描述， Fabric 當前擁有一支約 60 多名全職員工的高質量團隊，其中多名聯合創始人及高管均在密碼學、處理器或 AI 开發領域有過高光的職業經歷。 比如，聯合創始人兼首席執行官 Michael Gao 曾贏得過奧數競賽，還曾合夥創立了一家獲比爾·蓋茨投資的光子 AI 超算公司；聯合創始人兼副總裁 Sagar Reddy 近 30 年曾就職於 Silicon Graphics、AMD 和 Sun Microsystems，曾參與开發了世界上第一個 64 位微處理器 AMD K 8 ；副總裁 Gilbert Hendry 擁有哥倫比亞大學的電子工程博士學位，曾在 Google 和 Meta 有過組建編譯器和計算機架構團隊的履歷……

硬件突破，才是方向

所謂“VPU”， 其實是“可驗證處理單元 ”（ Verifiable Processing Unit ）的縮寫，通俗來說就是用於加密計算場景的專用硬件處理器。

隨着對零知識證明（ZK）和全同態加密（FHE）的概念探索取得突破，加密貨幣行業已在部分原生場景（比如 ZK Rollup）下實現了高性能、可驗證且兼具隱私保護屬性的計算處理，但對於加密貨幣行業以外的真實商用場景來看，結合了此類理念的計算處理方案仍存在明顯問題 —— 一是速度仍然太慢，二是執行成本過高。

在 Fabric 看來，這是一個阻礙着加密貨幣技術進一步向數十億用戶普及，破除原有世界弊病的客觀瓶頸。若想打破這個瓶頸，從根本上提高加密計算的性能並降低成本，存在着兩條可行路徑：一是繼續在加密計算的理論方向取得突破，或是更有效地實施既存理論；二則是通過硬件效率的提升取得突破。

在理論的創新及實踐方面，密碼學家和軟件工程師們一直在持續探索着 ZK 和 FHE 的理論進步空間，並尋找着更有效的理論實施方法。在過去 5 年間，理論上的突破已幫助加密計算將成本降低了幾個數量級。

與此同時，硬件領域的指數級潛力卻未得到同等力度的探索。在 Fabric 看來，硬件領域的突破有可能會在未來幾年間實現類似於理論突破在過去數年間所取得的效果 —— 正如 AI 需要 GPU 才能爆發一樣，加密計算也需要硬件才能迎來爆發。

為什么一定要是 VPU？

在關於 VPU 的必要性上，Fabric 本輪融資的領投方之一 Blockchain Capital 給出了很好的解釋。

Blockchain Capital 提到，加速 ZK 和 FHE 的方案其實很多種，一種相對簡易的做法是更高效地去利用那些已存在的硬件處理器，比如 GPU 或者 FPGA。然而問題在於， GPU 原本是為圖形處理和人工智能而構建，其設計與加密計算的需求重疊度過低，這意味着 GPU 的算術邏輯單元在進行加密計算時的使用效率極低； 而 FPGA 雖然可以通過編程更有效地執行加密，但它們的運行速度相對於 GPU 來說太慢，編程難度也要大得多，無法在服務器設置中輕松實現。

另一種更有效的做法在於开發新的定制硬件，比如像為了比特幣挖礦而制造 ASIC 那樣。那么為什么我們不能直接使用 ASIC 呢？這是因為當前幾乎每隔幾個月就會發布新的、更高效的 ZK 證明系統，任何為加速舊證明系統而定制的 ASIC 硬件也會每隔幾個月就過時。你肯定不想去定制一個只能投用 2 到 3 個月的 ASIC 吧……

所以對於 Fabric 而言，根本性的解決方案便只有設計一種全新的通用處理器，打破現有處理器在可編程性和性能之間的取舍難題。

根據 Fabric 的規劃，該公司將於今年晚些時候正式推出 VPU，該處理器可實現類似 GPU 的可編程性，同時保證類似於 ASIC 的性能。

值得一提的是，構建類似於 VPU 的通用處理器要比構建只聚焦固定功能的 ASIC 更具挑战性，因為通用處理器需要硬件架構團隊和軟件團隊之間的密切合作才能充分發揮其潛力，這其中的回路設計獎非常復雜，從芯片模擬到編譯器構建都需要大量的开發工作。

這也是為什么 Fabric 在完成本輪融資後會提到， 新資金將不僅僅用於構建 VPU，還將用於構建相關軟件和加密算法。

夢想：做加密計算領域的英偉達

在市場營銷方面， Fabric 採用了一種簡單有效的宣傳模式 —— 以英偉達作為類比標的。

在英偉達的 GPU 和 CUDA 軟件模型（允許 AI 工程師對 GPU 進行編程）出現之前，發明於 20 世紀 30 年代的神經網絡只是一種學術美夢，現實世界中真實用例相當有限（甚至可以說沒有）。但在過去十年中，英偉達的硬件突破使得 AI 的計算量實現了上百萬倍的飛躍，讓 ChatGPT、Sora 等 AI 產品真正地可供所有人使用。

在 Fabric 看來， VPU 及其相關軟件庫的發布也將在加密計算領域引發類似於“英偉達之於 AI”的爆炸性效果 ，以超乎想象的速度推動加密計算的快速發展和商用落地。