自計算技術誕生以來，工程師與研究人員不斷探索如何將運算資源推向效能極限，力求在最大化效率的同時最小化運算任務的延遲。高效能與低延遲這兩大支柱始終塑造著電腦科學的發展，影響從 CPU、FPGA 到資料庫系統，以及近期的人工智慧基礎設施和區塊鏈系統等廣泛領域。在追求高性能時，流水線技術成為不可或缺的手段。自 1964 年 IBM System/360 引進管線技術以來 [1]，它一直是高效能係統設計的核心，推動了該領域的關鍵討論與創新。

管線技術不僅應用於硬件，在資料庫領域也有廣泛應用。例如，Jim Gray 在其著作《高效能資料庫系統》中引入了管線並行方法 [2]。此方法將複雜的資料庫查詢分解為多個階段並同時運行，從而提高效率和效能。管線技術在人工智慧領域同樣至關重要，特別是在廣泛使用的深度學習框架 TensorFlow 中。它利用資料管線並行處理資料預處理和加載，確保訓練與推理的資料流暢通，使 AI 工作流程更快、更有效率 [3]。

區塊鏈也不例外。其核心功能類似於資料庫，處理交易並更新狀態，但增加了拜占庭容錯共識的挑戰。提升區塊鏈吞吐量（每秒交易數）和降低延遲（至最終確認的時間）的關鍵在於優化不同階段——排序、執行、提交和同步交易——在高負載下的互動。這項挑戰在高吞吐量場景下尤其關鍵，因為傳統設計難以維持低延遲。

為了探討這些理念，我們不妨回顧一個熟悉的類比：汽車工廠。理解裝配線如何革新製造業，有助於我們領會區塊鏈流水線的演進——以及為何像 Zaptos[8] 這樣的下一代設計將區塊鏈性能推向新高度。

從汽車工廠到區塊鏈

想像你是一家汽車工廠的老闆，有兩個主要目標：

· 最大化吞吐量：每天組裝盡可能多的汽車。

· 最小化延遲：縮短每輛車的建造時間。

現在，設想三種類型的工廠：

簡單工廠

在簡單工廠中，一組多能工人按部就班地組裝一輛汽車。一名工人組裝引擎，下一名工人安裝車輪，以此類推——一次只生產一輛車。

問題在於？部分工人常常處於等待狀態，整體生產效率低下，因為沒有人同時在同一輛車的不同部分上工作。

福特工廠

引進福特裝配線 [4]！在這裡，每名工人專注於單一任務。汽車沿著傳送帶移動，每輛車經過時，一名專職工人會添加自己的部件。

結果如何？多輛汽車同時處於不同組裝階段，所有工人都在忙碌。吞吐量大幅提升——但每輛車仍需依序經過每名工人，意味著每輛車的延遲時間不變。

魔法工廠

想像一個魔法工廠，所有的工人可以同時在一輛車上工作！不再需要將汽車從一個工位移到下一個工位，汽車的每個部分都同時建造。

結果呢？汽車以創紀錄的速度組裝完成，每一步都在同步進行。這是解決吞吐量和延遲問題的理想場景。

好了，汽車工廠的討論到此為止－區塊鏈呢？事實證明，設計高性能區塊鏈與優化組裝線並無太大不同。

區塊鏈如汽車工廠

在區塊鏈中，處理一個區塊類似於組裝一輛汽車。類別例如下：

· 工人 = 驗證者資源

· 汽車 = 一個區塊

· 組裝任務 = 共識、執行和提交等階段

· 組裝任務 = 共識、執行和提交等階段

[2] David DeWitt, and Jim Gray. 1992. "Parallel Database Systems: The Future of High Performance Database Systems." Communications of the ACM. https://doi.org/10.1145/129888.129894

[3] Marti Abadi, Pauln, Nminen, Devin et al. 2016. "TensorFlow: a System for Large-Scale Machine Learning." In 12th USENIX symposium on operating systems design and implementation (OSDI).

原文連結