Die zwei Richtungen von On-Chain AI: die Berechnungsparallelisierung von @Talus_Labs und die Datenunveränderlichkeit von @irys_xyz Die MoveVM-Architektur von Talus Network und die Dual-Ledger-Struktur von Irys zeigen einen deutlichen philosophischen Unterschied in der Art und Weise, wie sie KI-Workloads verarbeiten. Talus maximiert die Parallelität auf der Ausführungsebene durch eine objektzentrierte parallele Ausführungsstruktur, während Irys die Skalierbarkeit datenintensiver Aufgaben durch eine duale Ledger-Struktur, die Speicherung und Ausführung trennt, sichert. Talus führt nicht-konfliktäre Transaktionen in Echtzeit parallel aus, basierend auf dem Block-STM-Parallelenverarbeitungsmechanismus, und ist geeignet für die gleichzeitige Entscheidungsfindung und Transaktionsausführung von KI-Agenten. Im Gegensatz dazu erreicht Irys durch die Trennung von Einreichungs- und Veröffentlichungs-Ledger eine Verarbeitungsgeschwindigkeit von über 100.000 Transaktionen pro Sekunde und niedrige Latenzzeiten, indem es Datenvalidierung und dauerhafte Speicherung parallel verarbeitet. Talus' MoveVM erbt das objektbasierte Modell von Sui und analysiert automatisch die Abhängigkeiten zwischen Transaktionen zur Laufzeit, wobei Berechnungen für unabhängige Objekte parallel verarbeitet werden. Diese Struktur ist optimiert für parallele Inferenz und Echtzeit-Zusammenarbeit zwischen KI-Agenten, wobei über 95 % der einfachen Transaktionen ohne Konsensprozess verarbeitet werden können, was die Möglichkeit von Millionen von Transaktionen pro Sekunde bietet. Im Gegensatz dazu implementiert Irys die Parallelisierung um die Datenschicht herum, wobei Daten, die eine leichte Validierung im Einreichungs-Ledger durchlaufen haben, in das Veröffentlichungs-Ledger befördert werden und dabei Unveränderlichkeit und Persistenz erlangen. In diesem Prozess wird der Wettbewerb zwischen Speicherung und Ausführung beseitigt, was die Engpässe im Blockraum grundlegend löst. Das Ressourcenmodell von Talus basiert auf dem linearen Typsystem der Move-Sprache, das alle Vermögenswerte und Zustände auf Objektebene verwaltet und eine Replikation oder implizite Erstellung unmöglich macht. Dadurch wird der Übergang des Ressourcenbesitzes und die Zugriffskontrolle explizit verwaltet, und die Sicherheit wird auch bei paralleler Verarbeitung gewährleistet. Im Gegensatz dazu sichert Irys die Integrität und Unveränderlichkeit der gespeicherten Daten durch kryptographische Beweise auf Basis von Merkle-Bäumen und einer globalen Datenreplikationsstruktur. Daten müssen ausreichend Replikationsbeweise durchlaufen, um in das Veröffentlichungs-Ledger befördert zu werden, und die duale Ledger-Struktur erfüllt gleichzeitig die Anforderungen an die Persistenz und den Zugriff auf Daten. Talus führt statische Überprüfungen in der Kompilierungsphase durch, während Irys die Integrität nach der Ausführung durch kryptographische Beweise überprüft. Dieser Unterschied bedeutet, dass Talus Sicherheit und formale Stabilität priorisiert, während Irys Effizienz und Flexibilität in großen Datenumgebungen betont. Ersteres ist optimiert für hochfrequente, niedrigvolumige Berechnungen wie die Echtzeit-Entscheidungsfindung autonomer Agenten, während letzteres für die Speicherung von Modelltrainingsdaten und den Austausch von großflächigen Inferenzresultaten optimiert ist. Auch im Bereich des Ressourcenmanagements verfolgt Talus eine feingranulare Gasabrechnungsstruktur auf Objektebene, um die Kosten für parallele Berechnungen vorhersehbar zu halten, während Irys ein Festpreismodell auf Basis physischer Speichereinheiten (GB, TB) implementiert, um die langfristigen Speicherkosten zu stabilisieren. Die durchschnittlichen Kosten pro Berechnung bei Talus liegen bei etwa 0,001 Dollar, während die Kosten für die dauerhafte Speicherung bei Irys bei 0,05 Dollar pro GB liegen, was mehr als 20-mal günstiger ist als bei konkurrierenden Protokollen. Die Philosophie des Validierungssystems ist ebenfalls unterschiedlich. Talus blockiert mögliche Fehler in der Vorbereitungsphase durch formale Validierung mit Move Prover, während Irys durch nachträgliche Validierung mittels Merkle-Root und Speicherbeweisen die kontinuierliche Vertrauenswürdigkeit der Daten sichert. Ersteres wird als sicherheitszentriertes präventives Modell zusammengefasst, während letzteres als nachträgliches Validierungsmodell für große Datenmengen zusammengefasst wird. Dadurch ist Talus für Umgebungen geeignet, in denen autonome Handelsagenten oder Echtzeit-DeFi-Orchestrierung mit niedriger Fehlertoleranz erforderlich sind, während Irys Stärken in Bereichen zeigt, in denen große Datenmengen kontinuierlich validiert werden müssen, wie z.B. im Dataset-Management, verteiltem Lernen und DePIN-Netzwerken. Das Entwicklungsökosystem ist ebenfalls unterschiedlich. Talus konzentriert sich auf Entwicklungstools und formale Validierungsframeworks, die auf der Move-Sprache basieren, während Irys die Verwendung von Solidity und bestehenden EVM-Toolchains ermöglicht, was die Eintrittsbarrieren senkt. Talus hat Vorteile in Bezug auf Sicherheit, hat jedoch eine steile Lernkurve, während Irys in Bezug auf Entwicklungsgeschwindigkeit und Zugänglichkeit vorteilhaft ist. Ersteres digitalisiert KI-Workflows on-chain durch die Integration mit Sui und dem Nexus-Framework, während letzteres durch die skalierbaren Speicheroperationen von IrysVM direkte Datenvalidierung und Inferenzaufrufe in EVM-Verträgen ermöglicht. Zusammenfassend lässt sich sagen, dass sowohl Talus als auch Irys im Vergleich zu traditionellen sequenziellen Ausführungsmodellen eine Leistungssteigerung von über 100 bis 1000 Mal zeigen, jedoch unterschiedliche Optimierungsrichtungen verfolgen. Talus ist auf berechnungszentrierte parallele Inferenz und die Zusammenarbeit in Echtzeit spezialisiert, während Irys sich auf datenzentrierte dauerhafte Speicherung und den Zugang zu großflächigen KI-Modellen konzentriert. Daher ist Talus für Umgebungen geeignet, in denen die Ausführungsengpässe die Hauptbeschränkung darstellen, während Irys für Umgebungen geeignet ist, in denen die Datenverfügbarkeit die Hauptbeschränkung darstellt. Wenn die beiden Systeme komplementär kombiniert werden, können sie eine ideale Kombination bilden, die sowohl die Ausführungsebene als auch die Datenschicht des On-Chain-KI-Ökosystems effizient abdeckt.