证明生成的过程中，约有60%的时间花在MSM上，其余时间由NTT/FTT主导。MSM和NTT都存在性能挑战，通常的解决办法：
●MSM可以在多线程上执行，从而支持并行处理。然而，当处理大型数据向量时，例如6700万个参数，乘法运算可能仍然很慢，并且需要大量的内存资源。此外，MSM存在可扩展性方面的挑战，即使在广泛并行化的情况下也可能保持缓慢。
由于Aleo在隐私模式下，每笔交易都需要生产零知识证明，而且需要在很短的时间内完成，这样生态的体验才是流畅的且能大规模发展，所以基于这个背景需求，才会有Aleo的隐私委托代理计算方案，也就是在诞生Aleo项目的论文中大篇幅讲解的：诞生Aleo项目的论文完整中文版翻译—Zexe实现去中心化的私有计算，Aleo芯片机，Aleo-ASIC，zktaoma或者maxsayss
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。
身份验证和身份验证：ZKP 可用于确认身份，而不会泄露不必要的信息。例如，一个人可以在不提供确切出生日期的情况下证明自己已年满 18 岁，或者在不共享密码等敏感数据的情况下证明自己的身份。这可以限度地降低身份盗窃或未经授权访问的风险。
多方计算（SMPC）：ZKP 可以促进多方之间的复杂交互，其中每一方都可以证明他们遵循商定的协议，而无需透露其私人输入。这在各种场景中都很有用，例如保护隐私的数据挖掘、投票系统和分布式游戏。