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。
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。
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。
芯片的硬件指的是运行指令的物理平台，包括处理器、内存、存储设备等等。芯片数据中常出现的“晶体管数量”、“7nm制程”、“存储”等，往往指的就是硬件参数。
软件则包括固件、驱动程序、操作系统、应用程序、算子、编译器和开发工具、模型优化和部署工具、应用生态等等。这些软件指导硬件如何响应用户指令、处理数据和任务，同时通过特定的算法和策略优化硬件资源的使用。芯片数据中常出现的“x86指令集”、“深度学习算子”、“CUDA平台”等，往往指的就是芯片软件。