Imaginez un instant que chaque transaction privée, chaque rollup Ethereum ou chaque modèle d’intelligence artificielle vérifié doive se battre pour la même puce graphique. C’est exactement la réalité qui s’impose aujourd’hui. Les preuves zero-knowledge, longtemps présentées comme la solution miracle pour la scalabilité et la confidentialité, se heurtent désormais à un mur inattendu : la pénurie de GPU provoquée par la fringale sans précédent des data centers d’IA.
Quand les preuves ZK entrent en collision avec les budgets de l’intelligence artificielle
Pendant des années, le récit dominant dans l’écosystème crypto était simple. Les puces devenaient moins chères, la puissance de calcul augmentait, donc les coûts de génération de preuves zero-knowledge devaient forcément baisser. Ce scénario optimiste s’effondre sous le poids d’une réalité plus brute. Les modèles d’intelligence artificielle convergent, mais le silicium, lui, ne suit pas. Les opérateurs de preuves se retrouvent aujourd’hui à enchérir contre des budgets de data centers estimés en milliers de milliards de dollars pour accéder aux mêmes accélérateurs Nvidia.
Leo Fan, fondateur et dirigeant de Cysic, résume la situation avec une clarté presque brutale. Selon lui, le problème n’est plus seulement le manque de capacité brute. Il réside dans un décalage architectural profond entre les logiciels de zkVM et les accélérateurs utilisés pour produire les preuves. Une partie non négligeable de la puissance GPU reste inutilisée, ce qui fait grimper artificiellement le coût de chaque preuve générée.
« Tout le monde pensait que les coûts de preuve baisseraient parce que les puces deviennent moins chères. Au lieu de cela, nous enchérissons contre des budgets de data centers de plusieurs milliers de milliards pour le même silicium. C’est pourquoi la couche matérielle a dû être ouverte plutôt que laissée à une poignée de prouveurs propriétaires. »
Cette déclaration n’est pas une simple plainte. Elle pointe vers un changement de paradigme. La course n’est plus uniquement logicielle. Elle devient une guerre d’accès au hardware, et les acteurs qui n’anticipent pas cette mutation risquent de se retrouver hors jeu.
L’inefficacité d’utilisation des GPU, vrai goulot d’étranglement
Cysic a mis en évidence ce goulot d’étranglement avec son moteur de preuve baptisé Venus. En repensant la façon dont le travail est coordonné entre CPU et GPU, l’équipe a obtenu un gain de performance de plus de 9 % sur le temps de preuve de bout en bout par rapport à ZisK 0.16.1, sans changer le matériel sous-jacent. Ce résultat, obtenu simplement en améliorant l’utilisation des ressources existantes, montre que le vrai levier n’était pas la puissance brute, mais l’efficacité d’orchestration.
Venus représente la génération de preuves comme un unique graphe de calcul connecté. Grâce à l’intégration de CUDA Graph, à des réglages fins de kernels et à des modifications de la mémoire partagée, le système réduit les transferts de données répétitifs et les synchronisations inutiles entre processeur et accélérateur. Le résultat est limpide : les accélérateurs actuels n’étaient tout simplement pas exploités à leur plein potentiel.
Cette découverte change la donne. Si l’on peut déjà gagner près de 10 % de performance en optimisant le logiciel, imaginez ce que des architectures conçues spécifiquement pour les opérations cryptographiques pourraient apporter. Les multiplications multi-scalaires et les transformées de Fourier numériques, piliers des preuves ZK, ne correspondent pas aux opérations matricielles pour lesquelles les GPU ont été conçus à l’origine. L’écart d’efficacité est structurel.
Les performances brutes progressent, mais le coût reste le vrai juge
Sur le papier, les chiffres impressionnent. ZisK, dans sa configuration la plus avancée, serait capable de générer une preuve de bloc Ethereum en 7,4 secondes avec 24 GPU. Certains setups revendiquent même des preuves en temps réel sur une seule carte RTX 4090. Succinct, de son côté, a annoncé que SP1 Hypercube avait prouvé 99,7 % d’un échantillon de 954 blocs Ethereum en moins de 12 secondes avec 16 RTX 5090, et 95,4 % en moins de 10 secondes.
Ces annonces se rapprochent de la définition de la Fondation Ethereum pour le proving en temps réel : au moins 99 % des blocs du mainnet prouvés en moins de 10 secondes, code entièrement open-source, taille de preuve inférieure à 300 KiB, sécurité d’au moins 128 bits, matériel ne dépassant pas 100 000 dollars et consommation électrique plafonnée à 10 kilowatts. Pourtant, la consommation énergétique et le coût d’accès au matériel restent des freins majeurs, surtout pour les opérateurs indépendants.
Une preuve peut arriver dans les délais et rester économiquement ou thermiquement inviable pour un particulier. Le coût énergétique, le refroidissement et le capital nécessaire excluent de fait une grande partie des acteurs potentiels. La course à la vitesse pure masque donc un problème plus profond de démocratisation de l’infrastructure.
La demande d’IA asphyxie l’accès aux mêmes accélérateurs
Même si les charges de travail d’intelligence artificielle et de preuves ZK n’utilisent pas les GPU de la même façon, les deux reposent sur les mêmes gammes de puces Nvidia, des cartes grand public RTX jusqu’aux monstres de data center H100. L’entraînement et l’inférence des modèles d’IA s’appuient principalement sur des calculs matriciels. Les preuves zero-knowledge, elles, reposent massivement sur des multiplications multi-scalaires et des transformées numériques. Les GPU savent les exécuter, mais ils n’ont jamais été optimisés pour ces opérations.
Ce décalage renforce l’argument en faveur d’un hardware spécifique aux preuves ZK. Les systèmes de preuve entrent dans la même file d’attente d’approvisionnement que les développeurs d’IA, sans tirer le même parti des puces. Comme les heures de GPU représentent une part majeure de la facture de proving, toute hausse du prix du matériel ou de la location se répercute directement sur le coût de chaque preuve.
Les résultats financiers de Nvidia donnent la mesure de la pression. Pour le trimestre clos fin avril, le chiffre d’affaires data center a atteint 75,2 milliards de dollars, en hausse de 92 % sur un an. La seule activité de calcul data center a progressé de 77 % pour atteindre 60,4 milliards. Amazon Web Services a de son côté conclu un accord pour l’achat d’un million de GPU Nvidia, avec des livraisons étalées jusqu’en 2027. Le dirigeant de Nvidia a même évoqué une opportunité de ventes de 1 000 milliards de dollars pour les familles Blackwell et Rubin d’ici cette date.
Dans le même temps, des sociétés de minage de Bitcoin ont annoncé plus de 70 milliards de dollars de contrats dans l’IA et le calcul haute performance. Un rapport Bernstein estimait à près de 90 milliards de dollars les partenariats d’infrastructure IA annoncés, tandis que les mineurs contrôlaient plus de 27 gigawatts de capacité électrique planifiée, contre 3,7 gigawatts seulement liés aux accords IA déjà connus. Certains raccordements au réseau américain peuvent prendre jusqu’à 50 mois. La bascule est claire : l’électricité et les infrastructures autrefois dédiées au minage se tournent massivement vers l’IA.
Les rollups et le proving temps réel en première ligne
Le proving en temps réel au niveau de la couche 1 subit la pression en premier. Chaque bloc exige une preuve fraîche. Tout retard peut faire manquer la limite de temps du réseau. Les opérateurs doivent donc maintenir une capacité de réserve en plus du matériel nécessaire pour la demande normale. Les ZK-rollups et les places de marché de preuves suivent immédiatement, car les heures de GPU se transforment directement en frais d’exploitation et, parfois, en frais utilisateurs.
Une analyse antérieure estimait que la génération de preuves représentait 60 à 70 % des frais sur les réseaux de couche 2 zero-knowledge. Générer une preuve pour un lot de 4 000 transactions pouvait prendre entre deux et cinq minutes sur une Nvidia A100 et coûter entre 0,04 et 0,17 dollar en cloud. Ces chiffres varient selon le système de preuve, la taille du lot, la configuration matérielle et le tarif cloud, mais l’ordre de grandeur reste préoccupant.
Le zkML figure parmi les applications les plus exposées. Il combine une charge de travail d’intelligence artificielle avec le coût supplémentaire de prouver que le modèle a bien tourné correctement. Pour les paiements privés, les jeux on-chain et d’autres produits grand public, les économies n’ont de sens que si le coût de la preuve se mesure en centimes. Lorsque ces seuils ne sont plus tenables, ces usages sont les premiers à être reportés.
Leo Fan le reconnaît sans détour : le coût peut freiner l’adoption, au moins à la marge. Les paiements privés et le gaming seraient probablement les premiers à souffrir. La concentration du marché des prouveurs aggrave encore le risque. Selon Cysic, plus de 90 % des réseaux de couche 2 zero-knowledge s’appuieraient sur un petit groupe de services de proving. Même si ce chiffre doit être pris comme une estimation interne, il souligne une centralisation préoccupante de l’infrastructure critique.
FPGA et ASIC ZK : la voie de contournement
Face à cette saturation, Cysic a choisi de ne plus dépendre uniquement des GPU. Le dépôt public de Venus intègre des optimisations GPU, un backend d’accélération FPGA complet et une première implémentation orientée ASIC. Le backend FPGA contient des kernels pour l’arithmétique sur le corps Goldilocks, les NTT, Poseidon2, les arbres de Merkle, FRI et l’évaluation d’expressions. Il cible les dispositifs AMD UltraScale+ et Versal équipés de mémoire à haute bande passante, et est publié sous licences Apache 2.0 et MIT.
Contrairement à un ASIC, un FPGA peut être reprogrammé après fabrication. Les développeurs peuvent mettre à jour les circuits et expérimenter de nouveaux systèmes de preuve. Les ASIC personnalisés offrent moins de flexibilité, mais une meilleure performance et une efficacité énergétique supérieure lorsqu’ils sont conçus pour un ensemble stable d’opérations ZK. Passer aux FPGA et aux ASIC spécifiques aux preuves zero-knowledge permettrait aux opérateurs de sortir de la file d’attente principale de l’IA et d’éviter de payer pour des fonctions GPU inutiles à leurs charges de travail.
Les obstacles restent réels : coûts de développement élevés et volumes de fabrication limités. Pourtant, l’ouverture logicielle et la création d’un marché mondial de prouveurs, où des appareils allant du hardware mobile aux clusters professionnels peuvent accepter des jobs, constituent une réponse cohérente. GPU et FPGA réduisent la dépendance à une seule classe de puces.
La vérification cryptographique garantit qu’un vérificateur rejette une preuve invalide, quel que soit l’opérateur qui l’a générée. Ouvrir la participation n’altère donc pas la solidité du système de preuve. Elle augmente en revanche l’exposition aux erreurs d’implémentation dans du code non audité ou inachevé. Cysic le reconnaît : le projet Venus reste en développement actif. Des audits et des configurations multi-prouveurs redondantes seront nécessaires pour limiter les risques.
Vers une ouverture plus large du proving sur Ethereum
Un projet de proposition, l’EIP-8025, envisage de permettre aux validateurs Ethereum d’opter pour la génération ou la vérification de preuves d’exécution, tout en maintenant la réexécution conventionnelle des blocs. Il introduit un canal de gossip pour les preuves et des nœuds de preuve externes. Dans sa version actuelle, toutefois, il ne prévoit pas encore d’incitations pour les opérateurs qui génèrent et diffusent ces preuves. L’architecture se met en place, mais le modèle économique reste à construire.
Cette évolution possible d’Ethereum illustre parfaitement la tension actuelle. Le réseau veut des preuves en temps réel, open-source, peu coûteuses et sobres en énergie. Mais les conditions matérielles actuelles rendent ces objectifs de plus en plus difficiles à atteindre pour un large éventail d’acteurs. La concentration autour de quelques opérateurs équipés de GPU haut de gamme crée un risque systémique.
Pourquoi le hardware spécialisé change la donne économique
Le passage à des architectures dédiées ne se limite pas à un gain de vitesse. Il transforme la structure des coûts. Un GPU généraliste emporte avec lui des unités de calcul conçues pour le rendu graphique ou les matrices d’IA. Un FPGA ou un ASIC optimisé pour les NTT et les multiplications multi-scalaires peut concentrer toute sa puissance sur les opérations réellement utiles. Le résultat se mesure en watts par preuve, en dollars par preuve, et en accessibilité pour de nouveaux entrants.
Dans un contexte où les heures de GPU deviennent un bien rare et cher, chaque pour cent d’efficacité gagné se traduit par une marge de manœuvre supplémentaire. Les applications grand public, qui exigent des coûts de preuve extrêmement bas, retrouvent un horizon viable. Les rollups peuvent envisager de baisser leurs frais. Les marchés de preuves ouverts peuvent accueillir une plus grande diversité d’opérateurs, du hobbyiste équipé d’un FPGA d’entrée de gamme jusqu’aux clusters professionnels.
Cette diversification a aussi une dimension de résilience. Un écosystème dépendant d’une seule famille de puces, produite par un seul acteur dominant, reste fragile face aux chocs d’approvisionnement, aux décisions géopolitiques ou aux priorités commerciales. Ouvrir le champ aux FPGA et aux ASIC ZK crée une redondance saine.
Les implications pour les applications grand public
Les paiements privés, les jeux on-chain et les expériences de confidentialité n’ont de sens économique que si le coût de la preuve reste marginal. Lorsque ce coût grimpe, ces usages sont relégués au second plan. C’est un paradoxe cruel : les technologies qui promettaient de démocratiser la confidentialité et la scalabilité risquent d’être réservées, dans un premier temps, aux applications à forte valeur ajoutée capables d’absorber des frais plus élevés.
Le zkML illustre parfaitement ce dilemme. Prouver qu’un modèle d’intelligence artificielle a bien produit un résultat donné ouvre des perspectives fascinantes pour la confiance et l’auditabilité. Mais superposer le coût de l’inférence à celui de la preuve crée une barrière élevée. Seuls les cas d’usage où la vérifiabilité a une valeur économique claire pourront supporter cette double charge dans l’immédiat.
À moyen terme, l’émergence d’un hardware plus adapté pourrait inverser la tendance. Des preuves moins chères et plus rapides ouvriraient la voie à une adoption plus large. Les développeurs n’auraient plus à arbitrer en permanence entre confidentialité et coût. L’expérience utilisateur pourrait enfin intégrer la zero-knowledge de manière transparente.
Un marché de prouveurs plus ouvert, plus résilient
L’idée d’un marché mondial de prouveurs, où n’importe quel appareil capable peut accepter des jobs, change la nature de l’infrastructure. Au lieu de quelques data centers ultra-équipés, on imagine un réseau plus distribué, capable d’absorber des pics de demande et de réduire les points de défaillance uniques. La solidité cryptographique reste intacte : une preuve valide est une preuve valide, quel que soit l’opérateur.
Cette ouverture s’accompagne toutefois de nouvelles exigences. Le code doit être audité. Les configurations multi-prouveurs doivent devenir la norme. Les mécanismes de réputation et de staking peuvent aider à filtrer les opérateurs fiables. L’écosystème doit apprendre à gérer le risque d’implémentation sans sacrifier la décentralisation.
Cysic, en rendant publics ses backends GPU et FPGA, contribue à cette dynamique. D’autres acteurs suivront probablement. La compétition ne se jouera plus seulement sur la vitesse pure, mais sur la capacité à proposer des solutions économiquement viables et énergétiquement sobres.
Les leçons à tirer pour l’ensemble de l’écosystème
La situation actuelle rappelle une vérité souvent oubliée dans les cycles d’enthousiasme technologique. Le logiciel ne peut s’affranchir indéfiniment des contraintes matérielles. Lorsque la demande pour un type de silicium explose dans un autre domaine, les applications qui en dépendent subissent un choc d’offre. Les preuves zero-knowledge vivent aujourd’hui ce choc.
La réponse ne consiste pas à abandonner les GPU. Ils resteront utiles pendant encore longtemps, surtout pour les expérimentations et les charges de travail moins critiques. Mais s’en remettre exclusivement à eux expose l’écosystème à une vulnérabilité structurelle. Investir dans des architectures alternatives, même si le chemin est plus long et plus coûteux au départ, constitue une stratégie de résilience.
Les développeurs de zkVM, les opérateurs de rollups et les constructeurs d’applications grand public ont intérêt à suivre de près ces évolutions. Les choix matériels d’aujourd’hui détermineront les coûts et les possibilités de demain. Ceux qui anticipent le basculement vers des accélérateurs plus spécialisés se donneront un avantage concurrentiel durable.
Un horizon encore ouvert, mais sous contrainte
Rien n’est encore figé. Les gains d’efficacité logicielle, comme ceux démontrés par Venus, prouvent qu’il reste de la marge sur le hardware existant. Les FPGA offrent une voie intermédiaire flexible. Les ASIC, une fois matures, promettent des sauts quantiques en performance et en efficacité. Les marchés de prouveurs ouverts peuvent redistribuer la capacité de calcul. Les propositions d’évolution d’Ethereum ouvrent des portes institutionnelles.
Pourtant, le temps presse. Chaque trimestre qui passe voit l’IA absorber une part plus grande des capacités de production et d’approvisionnement en GPU. Les délais de livraison s’allongent. Les prix de location montent. Les applications qui ne trouvent pas de solutions alternatives risquent de se retrouver freinées au moment même où elles devraient accélérer.
La conversation a changé. Il ne s’agit plus seulement de savoir si les preuves zero-knowledge sont assez rapides. Il s’agit de savoir si elles resteront accessibles. Et cette question se joue désormais autant dans les usines de semi-conducteurs et les salles de serveurs que dans les dépôts de code.
L’écosystème a encore le temps d’agir. Mais il doit le faire en conscience des contraintes physiques et économiques qui se resserrent. Le silicium n’est plus un bien abondant et bon marché. Il est devenu un terrain de compétition féroce. Les preuves zero-knowledge n’y échapperont pas. Leur avenir dépendra de la capacité collective à inventer des chemins de calcul qui ne passent plus uniquement par les GPU de l’intelligence artificielle.
Dans les mois et les années qui viennent, on verra probablement émerger une nouvelle génération d’infrastructures de proving. Certaines resteront ancrées dans les GPU optimisés. D’autres miseront franchement sur les FPGA reprogrammables. Les plus ambitieuses investiront dans des ASIC dédiés. Toutes devront prouver non seulement leur solidité cryptographique, mais aussi leur viabilité économique face à une concurrence sans précédent pour les ressources de calcul.
Ce basculement marque peut-être la fin d’une période d’innocence. Les preuves zero-knowledge n’évoluent plus dans un monde de calcul abondant. Elles entrent dans une ère de rareté relative. Celles qui sauront s’adapter aux nouvelles réalités du hardware survivront et prospéreront. Les autres risquent de devenir des curiosités techniques, trop coûteuses pour l’usage quotidien qu’on leur destinait.
Le message de Leo Fan et de Cysic n’est donc pas un simple cri d’alarme. C’est un appel à ouvrir la couche matérielle, à diversifier les architectures, à créer des marchés plus inclusifs. C’est aussi un rappel que la scalabilité et la confidentialité ne se conquériront pas uniquement par des algorithmes plus astucieux. Elles exigent une réflexion systémique sur l’accès au silicium, sur l’efficacité énergétique et sur la distribution de la capacité de calcul.
Dans un monde où l’intelligence artificielle absorbe des quantités vertigineuses de puissance de calcul, les preuves zero-knowledge doivent inventer leur propre chemin. Ce chemin passe par une meilleure utilisation des ressources existantes, par l’exploration de technologies alternatives, et par une ouverture plus large de l’infrastructure. C’est à ce prix que la promesse des preuves ZK pourra tenir face à la réalité économique et matérielle qui s’impose aujourd’hui.
L’histoire de l’informatique est jonchée d’exemples où une application a dû se réinventer face à une pénurie de ressources. Les preuves zero-knowledge sont à ce tournant. Leur capacité à franchir cette étape déterminera si elles restent un outil de niche ou si elles deviennent l’infrastructure invisible et abordable dont l’écosystème a besoin pour grandir sereinement.
