Hindi nangangahulugan ang Onchain AI na ilagay ang isang malaking AI model sa onchain. Mas mabuting paraan ay bigyan ng tamang uri ng inteligensya ang bawat gawain. May ilang gawain na kailangan ng malalim na pag-iisip. May ilang gawain lamang na kailangan ng mabilis na klasipikasyon. May iba naman na kailangan ng pag-analisa ng imahe, pagproseso ng istrakturadong data, o kriptograpikong pag-verify. Dito nagiging interesante ang Ritual. Hindi ito pinipilit na ilagay ang bawat aplikasyon sa iisang AI workflow, kundi binuksan nito ang daan patungo sa isang mas fleksibleng sistema kung saan magkakaibang model at compute primitives ay maaaring magtrabaho nang magkasama. Ang isang simpleng model ay maaaring harapin ang simpleng gawain. Ang isang espesyalisadong model ay maaaring harapin ang isang partikular na problema. Ang isang LLM ay maaaring sumali kapag talagang kailangan ng pag-iisip o natural language ang gawain. At ang mga agent ay maaaring magkonekta sa mga bahaging ito upang bumuo ng mas malaking workflow. Mahalaga ito dahil ang mga totoong aplikasyon ay nag-aalala higit pa sa laki ng model. Nag-aalala sila tungkol sa bilis, gastos, katiyakan, privacy, at kung maaari bang tiyakin ang resulta. Binubuo ng Ritual ang isang mundo kung saan ang inteligensya ay naging bahagi ng programmable stack, hindi lamang isang panlabas na API na tinatawag ng mga aplikasyon. Hindi ang interesanteng hinaharap ang paglalagay ng isang malaking model sa lahat ng lugar. Ito ay ang paggawa ng iba’t ibang anyo ng inteligensya na gamitin sa onchain, eksaktong doon kung saan ito kailangan. Iyon ang mas malaking ideya sa likod ng programmable intelligence. At binubuo ng Ritual ang infrastruktura para dito. @ritualfnd @ritualnet