硬件层面，也就是所谓的硬件加速， CPU、GPU、FPGA、ASIC。CPU与GPU相比在大数据多任务处理上，肯定GPU更占优势。FPGA与GPU相比，在兼顾了灵活性的基础上，无论是计算能力和功耗性能上都要更强，缺点是性价比太低。ASIC是的，其他的硬件形态都是无法比拟的。
●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。
为了打破英伟达一家独大的局面，前任全球芯片老大英特尔和多年老对手AMD对标CUDA都分别推出了OneAPI和ROCm，Linux基金会更是联合英特尔、谷歌、高通、ARM、三星等公司联合成立了民间号称“反CUDA联盟”的UXL基金会，以开发全新的开源软件套件，让AI开发者能够在基金会成员的任何芯片上进行编程，试图让其取代CUDA，成为AI开发者的开发平台。