Les deux directions de l'IA on-chain : la parallélisation des calculs de @Talus_Labs et l'invariance des données de @irys_xyz L'architecture MoveVM de Talus Network et la structure Dual-Ledger d'Irys montrent des différences philosophiques marquées dans la manière de traiter les charges de travail d'intelligence artificielle. Talus maximise la parallélisation au niveau d'exécution grâce à une structure d'exécution parallèle centrée sur les objets, tandis qu'Irys assure l'évolutivité des tâches intensives en données grâce à une structure à double livre qui sépare le stockage et l'exécution. Talus exécute des transactions sans conflit en temps réel grâce à un mécanisme de traitement parallèle Block-STM, ce qui est adapté à la prise de décision simultanée et à l'exécution de transactions par des agents IA. En revanche, Irys atteint une vitesse de traitement de plus de 100 000 transactions par seconde et une faible latence en traitant en parallèle la validation des données et le stockage permanent en séparant le livre de soumission et le livre de publication. Le MoveVM de Talus hérite du modèle basé sur les objets de Sui, analysant automatiquement les dépendances entre transactions à l'exécution et traitant en parallèle les opérations sur des objets indépendants. Cette structure est optimisée pour l'inférence parallèle entre agents IA et la collaboration en temps réel, avec plus de 95 % des transactions simples ne nécessitant pas de processus de consensus, permettant ainsi des millions de transactions par seconde. En revanche, Irys implémente la parallélisation autour de la couche de données, où les données validées de manière légère dans le livre de soumission sont promues au livre de publication, acquérant ainsi invariance et permanence. Ce processus élimine la concurrence entre le stockage et l'exécution, résolvant fondamentalement le goulot d'étranglement de l'espace de bloc. Le modèle de ressources de Talus est basé sur le système de types linéaires du langage Move, gérant tous les actifs et états au niveau des objets, empêchant la duplication ou la création implicite. Cela permet une gestion explicite du transfert de propriété des ressources et du contrôle d'accès, garantissant la sécurité même lors du traitement parallèle. En revanche, Irys assure l'intégrité et l'invariance des données stockées grâce à des preuves cryptographiques basées sur des arbres de Merkle et une structure de réplication de données globale. Les données doivent avoir terminé une preuve de réplication suffisante avant d'être promues au livre de publication, et la structure à double livre satisfait simultanément la permanence des données et la vitesse d'accès. Talus effectue une validation statique à l'étape de compilation, tandis qu'Irys vérifie l'intégrité par des preuves cryptographiques après l'exécution. Cette différence signifie que Talus privilégie la sécurité et la stabilité formelle, tandis qu'Irys met l'accent sur l'efficacité et la flexibilité dans un environnement de données à grande échelle. Le premier est optimisé pour des opérations à haute fréquence et faible volume, comme la prise de décision en temps réel des agents autonomes, tandis que le second est optimisé pour le stockage de données d'apprentissage de modèles et le partage de résultats d'inférence à grande échelle, qui sont des opérations à faible fréquence et à fort volume. En termes de gestion des ressources, Talus adopte une structure de tarification au gaz détaillée par objet pour maintenir les coûts des opérations parallèles prévisibles, tandis qu'Irys stabilise les coûts de stockage à long terme grâce à un système de prix fixe basé sur des unités de stockage physique (Go, To). Le coût moyen par opération de Talus est d'environ 0,001 dollar, tandis que le coût de stockage permanent d'Irys est de 0,05 dollar par Go, ce qui est plus de 20 fois moins cher que les protocoles concurrents. La philosophie du système de validation est également différente. Talus bloque la possibilité d'erreurs à l'étape de déploiement grâce à une validation formelle utilisant Move Prover, tandis qu'Irys assure la fiabilité continue des données par une validation postérieure via la racine de Merkle et des preuves de stockage. Le premier est un modèle préventif centré sur la sécurité, tandis que le second est un modèle de validation postérieure centré sur les données à grande échelle. Cela signifie que Talus est adapté à des environnements à faible tolérance aux erreurs, comme les agents de transaction autonomes ou l'orchestration DeFi en temps réel, tandis qu'Irys excelle dans des domaines nécessitant une validation continue de grandes quantités de données, comme la gestion de jeux de données, l'apprentissage distribué et les réseaux DePIN. L'écosystème de développement est également différencié. Talus se concentre sur des outils de développement basés sur le langage Move et un cadre de validation formelle, tandis qu'Irys peut utiliser directement Solidity et les chaînes d'outils EVM existantes, ce qui réduit la barrière à l'entrée. Talus a un avantage en matière de sécurité mais présente une courbe d'apprentissage abrupte, tandis qu'Irys est favorable en termes de vitesse de développement et d'accessibilité. Le premier intègre les flux de travail IA on-chain via des liens avec Sui et le cadre Nexus, tandis que le second permet la validation des données et les appels d'inférence directement à partir des contrats EVM grâce à des opérations de stockage évolutives d'IrysVM. Dans l'ensemble, Talus et Irys montrent tous deux une amélioration de performance de 100 à 1000 fois par rapport aux modèles d'exécution séquentielle traditionnels, mais leurs directions d'optimisation sont différentes. Talus est spécialisé dans l'inférence parallèle centrée sur le calcul et la collaboration en temps réel des agents, tandis qu'Irys se concentre sur le stockage permanent centré sur les données et l'accessibilité des modèles IA à grande échelle. Par conséquent, Talus est adapté aux environnements où le goulot d'étranglement d'exécution est la principale contrainte, tandis qu'Irys est adapté aux environnements où la disponibilité des données est la contrainte clé. Les deux systèmes, lorsqu'ils sont combinés de manière complémentaire, peuvent former une combinaison idéale capable de couvrir efficacement à la fois la couche d'exécution et la couche de données de l'écosystème d'intelligence artificielle on-chain.