浅析Fabric：融资3300万美元，用硬件解锁加密计算的未来

原创 | Odaily星球日报（）

作者｜Azuma（）

北京时间 8 月 19 日晚间，“VPU”芯片开发公司 Fabric 宣布完成 3300 万美元 A 轮融资，本轮融资由 Blockchain Capital 和 1kx 领投，Offchain Labs（Arbitrum）、Polygon 和 Matter Labs（ZKsync）参投。

结合 Fabric 官网信息以及领投机构 Blockchain Capital 的补充描述，Fabric 当前拥有一支约 60 多名全职员工的高质量团队，其中多名联合创始人及高管均在密码学、处理器或 AI 开发领域有过高光的职业经历。比如，联合创始人兼首席执行官 Michael Gao 曾赢得过奥数竞赛，还曾合伙创立了一家获比尔·盖茨投资的光子 AI 超算公司；联合创始人兼副总裁 Sagar Reddy 近 30 年曾就职于 Silicon Graphics、AMD 和 Sun Microsystems，曾参与开发了世界上第一个 64 位微处理器 AMD K 8 ；副总裁 Gilbert Hendry 拥有哥伦比亚大学的电子工程博士学位，曾在 Google 和 Meta 有过组建编译器和计算机架构团队的履历……

硬件突破，才是方向

所谓“VPU”，其实是“可验证处理单元”（Verifiable Processing Unit）的缩写，通俗来说就是用于加密计算场景的专用硬件处理器。

随着对零知识证明（ZK）和全同态加密（FHE）的概念探索取得突破，加密货币行业已在部分原生场景（比如 ZK Rollup）下实现了高性能、可验证且兼具隐私保护属性的计算处理，但对于加密货币行业以外的真实商用场景来看，结合了此类理念的计算处理方案仍存在明显问题 —— 一是速度仍然太慢，二是执行成本过高。

在 Fabric 看来，这是一个阻碍着加密货币技术进一步向数十亿用户普及，破除原有世界弊病的客观瓶颈。若想打破这个瓶颈，从根本上提高加密计算的性能并降低成本，存在着两条可行路径：一是继续在加密计算的理论方向取得突破，或是更有效地实施既存理论；二则是通过硬件效率的提升取得突破。

在理论的创新及实践方面，密码学家和软件工程师们一直在持续探索着 ZK 和 FHE 的理论进步空间，并寻找着更有效的理论实施方法。在过去 5 年间，理论上的突破已帮助加密计算将成本降低了几个数量级。 

与此同时，硬件领域的指数级潜力却未得到同等力度的探索。在 Fabric 看来，硬件领域的突破有可能会在未来几年间实现类似于理论突破在过去数年间所取得的效果 —— 正如 AI 需要 GPU 才能爆发一样，加密计算也需要硬件才能迎来爆发。

为什么一定要是 VPU？

在关于 VPU 的必要性上，Fabric 本轮融资的领投方之一 Blockchain Capital 给出了很好的解释。

Blockchain Capital 提到，加速 ZK 和 FHE 的方案其实很多种，一种相对简易的做法是更高效地去利用那些已存在的硬件处理器，比如 GPU 或者 FPGA。然而问题在于，GPU 原本是为图形处理和人工智能而构建，其设计与加密计算的需求重叠度过低，这意味着 GPU 的算术逻辑单元在进行加密计算时的使用效率极低；而 FPGA 虽然可以通过编程更有效地执行加密，但它们的运行速度相对于 GPU 来说太慢，编程难度也要大得多，无法在服务器设置中轻松实现。

另一种更有效的做法在于开发新的定制硬件，比如像为了比特币挖矿而制造 ASIC 那样。那么为什么我们不能直接使用 ASIC 呢？这是因为当前几乎每隔几个月就会发布新的、更高效的 ZK 证明系统，任何为加速旧证明系统而定制的 ASIC 硬件也会每隔几个月就过时。你肯定不想去定制一个只能投用 2 到 3 个月的 ASIC 吧……

所以对于 Fabric 而言，根本性的解决方案便只有设计一种全新的通用处理器，打破现有处理器在可编程性和性能之间的取舍难题。

根据 Fabric 的规划，该公司将于今年晚些时候正式推出 VPU，该处理器可实现类似 GPU 的可编程性，同时保证类似于 ASIC 的性能。

值得一提的是，构建类似于 VPU 的通用处理器要比构建只聚焦固定功能的 ASIC 更具挑战性，因为通用处理器需要硬件架构团队和软件团队之间的密切合作才能充分发挥其潜力，这其中的回路设计奖非常复杂，从芯片模拟到编译器构建都需要大量的开发工作。

这也是为什么 Fabric 在完成本轮融资后会提到，新资金将不仅仅用于构建 VPU，还将用于构建相关软件和加密算法。

梦想：做加密计算领域的英伟达

在市场营销方面，Fabric 采用了一种简单有效的宣传模式 —— 以英伟达作为类比标的。

在英伟达的 GPU 和 CUDA 软件模型（允许 AI 工程师对 GPU 进行编程）出现之前，发明于 20 世纪 30 年代的神经网络只是一种学术美梦，现实世界中真实用例相当有限（甚至可以说没有）。但在过去十年中，英伟达的硬件突破使得 AI 的计算量实现了上百万倍的飞跃，让 ChatGPT、Sora 等 AI 产品真正地可供所有人使用。

在 Fabric 看来，VPU 及其相关软件库的发布也将在加密计算领域引发类似于“英伟达之于 AI”的爆炸性效果，以超乎想象的速度推动加密计算的快速发展和商用落地。