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。
综上来看，内存和带宽是限制证明生成的主要瓶颈。对于显卡来说，这里的内存指的是显存，并不是主板上的内存，主板上的内存主要是参与CPU的计算。当然目前有些芯片技术可以打通主板上的内存和显存，让内存为显存计算来用。
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。
早在2021年，英伟达就曾公开表示过“禁止使用转换层在其他硬件平台上运行基于CUDA的软件”，2024年3月，英伟达更是将其升级为“CUDA禁令”，直接添加在了CUDA的终用户许可协议中，已禁止用转译层在其他GPU上运行CUDA软件