Le due direzioni dell'AI on-chain: la parallelizzazione dei calcoli di @Talus_Labs e l'immutabilità dei dati di @irys_xyz L'architettura MoveVM di Talus Network e la struttura Dual-Ledger di Irys mostrano una netta differenza filosofica nel modo in cui gestiscono i carichi di lavoro dell'intelligenza artificiale. Talus massimizza la parallelizzazione a livello di esecuzione attraverso una struttura di esecuzione parallela basata sugli oggetti, mentre Irys garantisce la scalabilità dei lavori intensivi di dati attraverso una struttura a doppio libro mastro che separa lo storage dall'esecuzione. Talus esegue transazioni senza conflitti in parallelo in tempo reale, basandosi sul meccanismo di elaborazione parallela Block-STM, ed è adatto per la decisione simultanea e l'esecuzione delle transazioni da parte degli agenti AI. D'altra parte, Irys raggiunge una velocità di elaborazione superiore a 100.000 transazioni al secondo e bassa latenza separando il libro mastro di invio e quello di pubblicazione, gestendo la validazione dei dati e lo storage permanente in parallelo. Il MoveVM di Talus eredita il modello basato sugli oggetti di Sui, analizzando automaticamente le dipendenze tra le transazioni a runtime e gestendo in parallelo le operazioni su oggetti indipendenti. Questa struttura è ottimizzata per l'inferenza parallela e la collaborazione in tempo reale tra agenti AI, con oltre il 95% delle transazioni semplici che non richiedono un processo di consenso, consentendo la possibilità di elaborare milioni di transazioni al secondo. Al contrario, Irys implementa la parallelizzazione attorno al livello dei dati, con i dati che, dopo una leggera validazione nel libro mastro di invio, vengono promossi al libro mastro di pubblicazione, acquisendo così immutabilità e permanenza. In questo processo, la competizione tra storage ed esecuzione viene eliminata, risolvendo fondamentalmente il collo di bottiglia nello spazio dei blocchi. Il modello di risorse di Talus si basa sul sistema di tipi lineari del linguaggio Move, gestendo tutti gli asset e gli stati a livello di oggetto e impedendo la duplicazione o la creazione implicita. Ciò consente una gestione esplicita del passaggio di proprietà delle risorse e del controllo degli accessi, garantendo sicurezza anche durante l'elaborazione parallela. D'altra parte, Irys garantisce l'integrità e l'immutabilità dei dati attraverso prove crittografiche basate su alberi di Merkle e una struttura di replica globale dei dati. I dati devono completare una prova di replica sufficiente prima di essere promossi al libro mastro di pubblicazione, e la struttura a doppio libro mastro soddisfa simultaneamente la permanenza e la velocità di accesso ai dati. Talus esegue una validazione statica in fase di compilazione, mentre Irys verifica l'integrità attraverso prove crittografiche dopo l'esecuzione. Questa differenza implica che Talus pone l'accento sulla sicurezza e sulla stabilità formale, mentre Irys enfatizza l'efficienza e la flessibilità in ambienti di grandi dati. Il primo è ottimizzato per operazioni ad alta frequenza e bassa capacità, come la decisione in tempo reale degli agenti autonomi, mentre il secondo è ottimizzato per la memorizzazione dei dati di apprendimento del modello e la condivisione dei risultati di inferenza su larga scala, che richiedono operazioni a bassa frequenza e alta capacità. Anche la gestione delle risorse è differente. Talus adotta una struttura di addebito del gas dettagliata a livello di oggetto per mantenere prevedibili i costi delle operazioni parallele, mentre Irys stabilizza i costi di storage a lungo termine attraverso un sistema di prezzi fissi basato su unità di storage fisico (GB, TB). Il costo medio per operazione di Talus è di circa 0,001 dollari, mentre il costo per storage permanente di Irys è di 0,05 dollari per GB, risultando oltre 20 volte più economico rispetto ai protocolli concorrenti. La filosofia del sistema di validazione è anche diversa. Talus blocca la possibilità di errori nella fase di distribuzione attraverso la validazione formale utilizzando Move Prover, mentre Irys garantisce la continua affidabilità dei dati attraverso un metodo di validazione posteriore basato su radici Merkle e prove di storage. Il primo è un modello proattivo incentrato sulla sicurezza, mentre il secondo è un modello di validazione posteriore incentrato sui dati su larga scala. Di conseguenza, Talus è adatto per ambienti con bassa tolleranza agli errori, come agenti di trading autonomi o orchestrazione DeFi in tempo reale, mentre Irys mostra punti di forza in aree che richiedono una continua validazione di grandi volumi di dati, come la gestione dei dataset, l'apprendimento distribuito e le reti DePIN. L'ecosistema di sviluppo è anche differenziato. Talus si basa su strumenti di sviluppo e framework di validazione formale basati sul linguaggio Move, mentre Irys può utilizzare direttamente Solidity e l'attuale toolchain EVM, abbassando così la barriera all'ingresso. Talus ha un vantaggio in termini di sicurezza, ma ha una curva di apprendimento ripida, mentre Irys è avvantaggiato in termini di velocità di sviluppo e accessibilità. Il primo sta on-chainizzando i flussi di lavoro AI attraverso l'integrazione con Sui e il framework Nexus, mentre il secondo consente la validazione dei dati e le chiamate di inferenza direttamente nei contratti EVM attraverso operazioni di storage scalabili di IrysVM. In sintesi, sia Talus che Irys mostrano miglioramenti delle prestazioni da 100 a oltre 1000 volte rispetto ai tradizionali modelli di esecuzione sequenziale, ma le direzioni di ottimizzazione sono diverse. Talus è specializzato in inferenza parallela centrata sul calcolo e collaborazione in tempo reale tra agenti, mentre Irys si concentra sullo storage permanente centrato sui dati e sull'accessibilità ai modelli AI su larga scala. Pertanto, Talus è adatto per ambienti in cui il collo di bottiglia dell'esecuzione è il principale vincolo, mentre Irys è adatto per ambienti in cui la disponibilità dei dati è il vincolo chiave. Se i due sistemi vengono combinati in modo complementare, possono formare una combinazione ideale in grado di coprire in modo efficiente sia il livello di esecuzione che il livello dei dati dell'ecosistema dell'intelligenza artificiale on-chain.