证明生成的过程中，约有60%的时间花在MSM上，其余时间由NTT/FTT主导。MSM和NTT都存在性能挑战，通常的解决办法：
●MSM可以在多线程上执行，从而支持并行处理。然而，当处理大型数据向量时，例如6700万个参数，乘法运算可能仍然很慢，并且需要大量的内存资源。此外，MSM存在可扩展性方面的挑战，即使在广泛并行化的情况下也可能保持缓慢。
如果熟悉以太坊PoW算法的应该知道，它的算法并不像大饼的算法，算力大小是与内存和带宽正相关，这点上和Aleo的算法很像，所以我们看到在以太坊PoW算法上能做出有竞争力的ASIC芯片机厂商屈指可数！
对比ASIC来说，由于是专用的机器，利用某些技术可以把内存和带宽做的很大，甚至是4090的几十倍，但是成本和功耗却非常低，这就是ASIC的优势。
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。
再者对于隐私委托计算方案不仅可用于Aleo，也可用于其他需要生产证明的ZK项目，所以对于硬件的储备和迭代是尤为重要的。