Stanford Medicineの2,000万ドルAIラボの取り組みは、実は標準化の試金石

Stanford Medicineは、研究者らが人間向けの実験手順を自動化施設で実行可能にする2,000万ドル規模の取り組みに加わったことでGoogle Newsに登場した。この金額は注目を集めるが、より難しい問題は科学者とロボットの間にある。熟練した研究者には正確に見えるプロトコルでも、機械にとっては危険なほど曖昧なままであり得る。

Stanfordのチームは、ソフトウェアとロボティクスを通じて実験を実行する遠隔アクセス可能な施設、プログラム可能なクラウドラボラトリーの標準開発に協力している。これらの標準は、安全性、科学的意図、再現性を保ちながら、人間が書いた手順を構造化された指示へ変換しなければならない。

この課題により、Stanford Medicineはより大きな国家的実験の一角を担うことになる。National Science Foundationは、機器、データ慣行、自動化ワークフローを共有するAI対応ラボのネットワークに資金を提供している。中心的な競争は、もはや人間の研究者とAI科学者の対決だけではない。柔軟な人間の判断と、物理的な自動化が求める厳密な仕様とのせめぎ合いである。

Google Newsの見出しが伝えていないこと

Stanford Medicineの役割は、科学的判断をAIモデルに委ねることではなく、実験を機械可読にすることにある。

Stanford Medicineは2026年8月5日にこの取り組みを紹介した。公開された概要によると、研究者らは、人間が人間のために書いたプロトコルをプログラム可能なクラウドラボラトリーで実装できるようにする標準を開発している。

Google Newsの表現は、この任務をよくある資金調達の見出しへと圧縮している。しかし、基盤となるプロジェクトが扱うのは、AI for Scienceの報道の多くが見落としているインフラ層だ。モデルは実験を提案できても、ラボにはそれを正確かつ安全に実行する方法がなお必要である。

NSFは、プログラム可能なクラウドラボラトリーを、カスタムのソフトウェア指定ワークフローを実行する遠隔アクセス可能な施設と定義している。このような施設は、ロボティクス、科学機器、データシステム、AI支援による実験設計を組み合わせられる。

研究者はすべての機器のそばに立つ必要はない。構造化されたワークフローを送信し、実行を監視し、デジタルインターフェースを通じて標準化された結果を受け取れる。このモデルはクラウドコンピューティングに似ているが、要求された操作は物理的なサンプルに対して行われる。

この違いは重要だ。実験手順はしばしば暗黙知に依存している。人間の技術者は、「優しく混ぜる」「短時間インキュベートする」「透明になるまで繰り返す」といった表現を、訓練と文脈に基づいて理解する。

ロボットはこうした表現に対して安全に即興対応できない。測定可能なパラメータ、許容範囲、機器要件、エラー条件、停止ルールが必要になる。また、どのような変動なら科学的な問いを維持できるのかも把握しなければならない。

Stanford MedicineのMark Musen教授のグループは、こうしたワークフローのモデリングを支援する研究者を募集している。Stanfordによるプロジェクト説明によれば、チームはロボット制御施設での実行に向けてラボ手順を特性化する予定だという。

この取り組みは、生物医学情報学と実験科学を結び付ける。生物医学情報学は、コンピューターが処理できる構造へと医学・生物学の知識を整理する分野である。ここでは、その分野が物理的な行為、材料、測定、依存関係を表現しなければならない。

これは論文をチェックリストに変換するだけよりはるかに要求が厳しい。発表済みの手法には、経験豊富な研究者が自ら補う運用上の詳細が欠けていることが多い。ラボごとに異なる機器、消耗品、ローカルの慣行を使う場合もある。

利用可能な標準は、本質的な科学要件と、付随的なローカルの選択を分離しなければならない。二つの手順が同等なのはいつか、代替が実験を変えてしまうのはいつかを識別する必要がある。

次に、ネットワークはこうした区別を施設間で伝達しなければならない。あるラボのソフトウェアは、別の施設が同一の機器、コマンド名、校正記録を提供していると仮定できない。

そのためラボプログラムは、オープンで標準化されたインターフェースを求めている。また、参加ノードが実験プロトコル、メタデータ、データ慣行、AI標準について協力することも期待している。

メタデータは、データがどのように生成されたかを説明する構造化情報である。この文脈では、機器、設定、試薬、サンプル履歴、環境条件、ソフトウェアのバージョン、要求された手順からの逸脱などを含む。

この文脈がなければ、見栄えのよいデータセットでも科学的には弱い可能性がある。研究者は結果を再現できなかったり、別のラボが異なる結果を得た理由を特定できなかったりする。

Stanfordの取り組みは、この翻訳上の隔たりに取り組む。その成功は、流暢なAI生成文よりも、機械と科学者が一貫して解釈できる正確な表現に左右される。

だからこそ、この出来事は通常の研究助成ではない。実験言語を、ロボット、機器、ネットワーク、ストレージと並ぶインフラとして扱っている。

Stanfordのプログラム可能なクラウドラボには共通言語が必要

実験が組織、機器、ソフトウェアシステムをまたいで移植可能でなければ、国家ラボネットワークは機能しない。

NSFは2026年7月22日、Programmable Cloud Laboratory Test Bedを発表した。同機関は、Astera Instituteからの追加の慈善的拠出に支えられた、20チームへの総額3億8,000万ドルの初期投資を説明している。

このプログラムは、AI対応の自動化ラボによる国家ネットワークに関する4年間の取り組みを支援する。個別ノードは、承認された対象範囲と進捗に応じて、最大2,000万ドルの資金を受け取ることができる。

この構造は、Google Newsの見出し一つでは全体像を捉えられない理由を説明する。Stanford Medicineの研究者は、多数の独立運営施設間の協力に価値が依存する分散型の取り組みに貢献している。

これらの施設は、生物学、バイオテクノロジー、化学、材料、金属、エレクトロニクス、関連分野を対象とする。機器と研究目標は異なるが、ネットワークはワークフロー、データ、AI対応の結果を交換することを期待している。

NSFによる国家的投資は、自動化された仮説生成、実験、データ生成、解釈の循環を生み出すことを目指している。人間の研究者はその循環全体に関わり続ける。

標準は結合組織である。Stanfordで作成されたワークフローは、別のノードが手順を実行できるか評価できるほど明確に、その意図を記述すべきだ。

受け取る施設は、要求された行為を利用可能な機器に対応付ける必要がある。また、代替、失敗、不確実性を一貫した形式で報告しなければならない。

これは、一般にAPIと呼ばれるソフトウェアのアプリケーションプログラミングインターフェースに似ている。APIは、あるシステムが別のシステムに操作を要求する方法と、結果が返される方法を定義する。

物理的な実験には、ソフトウェア要求より厳しい制約がある。失敗したウェブリクエストは多くの場合、再試行できる。不適切に扱われた生物サンプルは、恒久的に変化、汚染、または消耗する可能性がある。

自動化には詳細な権限設定も必要となる。システムは、日常的な操作と、人間の承認、専門的な封じ込め、追加の安全審査を必要とする工程を区別しなければならない。

広く有用な言語は、単一の機器メーカーに限定されてはならない。そうでなければ、研究者は特定ベンダーの環境内でしか動かないワークフローを交換することになる。

同時に、ラボが不可欠な制御を失うほど抽象化されてもならない。「サンプルを測定する」というコマンドは移植可能だが、必要な特性、手法、精度、校正を指定しなければ役に立たない。

Stanfordのプログラム可能なクラウドラボの取り組みは、この両極の間を進まなければならない。信頼できる実行に十分な運用上の詳細とともに、再利用可能な概念を必要としている。

複数の研究ノードは、移植性が重要な理由を示している。Northwestern UniversityのDREAM Cloud Labは自動化されたタンパク質工学に焦点を当て、数十万種類のタンパク質を合成・特性評価することを見込んでいる。

そのチームには、Stanfordの生物工学・化学工学教授であるMichael Jewettが参加している。この施設は、設計アルゴリズム、ロボット実験、標準化されたデータ生成を接続する計画だ。

Carnegie Mellon Universityは、材料および生物学研究向けのAI Science Foundryを構築している。計画されている研究には、ポリマー、微生物材料、オルガノイド、高温合金が含まれる。

UC Santa BarbaraのCOAST施設は、ポリマーとソフトマテリアルに焦点を当てている。研究者は、接続された機器、ロボティクス、ソフトウェア、AIを遠隔利用し、候補材料を試験する。

これらのノードは、自然言語の文書を交換するだけでネットワークを名乗ることはできない。それぞれが、別の施設がサンプル、行為、測定、失敗、来歴をどのように記述するかを把握する必要がある。

来歴とは、データと材料に関する記録された履歴を意味する。研究者は、サンプル調製、機器設定、処理ソフトウェア、過去の実験上の判断まで結果を追跡できる。

良好な来歴情報は、AIシステムが実験結果から学ぶ助けにもなる。記録が不十分なデータで訓練されたモデルは、手順上の差異を科学的パターンと誤認する可能性がある。

したがって、標準化の取り組みは自動化と将来のモデル品質の双方に影響する。正確に記録された実験はすべて、より有用な学習証拠になり得る。記録されていない変動はすべてノイズを加える。

開発者にとって、これは重要な教訓となる。AIエージェントは、そのツール環境が明確な機能、型付き入力、観測可能な結果を提供するとき、より価値を増す。

研究組織にとっての教訓は、組織的記憶に関するものだ。ラボでの判断は、ノート、論文、機器ログ、個々人の経験に散在したままであることが多い。

検索可能なAIナレッジベースは、チームがこうした文脈を整理する助けになる。ただし、知識検索だけでは物理的な手順を実行可能にはしない。

クラウドラボには、より厳格な表現が必要だ。指示は実行前の検証と、実行後の詳細な比較を支えなければならない。

そのため、大学、機器ベンダー、商用クラウドラボ、科学出版社に圧力がかかる。それぞれのグループは、相互運用可能なワークフローを支援するか、孤立した形式を維持するかを決めなければならない。

人間向けプロトコルが自動化の主なボトルネックになる

AIは、ラボが提案を安全で再現可能な物理的行為へ変換できる速度よりも速く、実験を提案できる。

Stanfordの研究者らはすでに、エージェント型AIが科学的アイデアをいかに迅速に生み出せるかを示している。エージェント型AIとは、より大きな目標に向けて計画を立て、ツールを使い、行動を調整するシステムを指す。

James Zou率いるStanford Medicineのグループは、AI主任研究者と専門分野の科学者エージェントを備えた仮想ラボを作成した。エージェントたちは課題を議論し、ツールを選び、提案を批評し、候補となる解決策を開発した。

あるプロジェクトでは、この仮想ラボはSARS-CoV-2変異株を標的とするナノボディを設計した。人間の研究者が物理ラボでその設計を製造し、試験した。

スタンフォード大学は、計算上の議論には数日を要した一方、多くのエージェント会議は数秒から数分で終わったと報告した。それでも実験的な検証は、人間の科学者、実際の材料、そして実験設備に依存していた。

査読済みの仮想ラボ研究は、この新たな不均衡を示している。AIはもっともらしい仮説の数を増幅できるが、物理的な試験は依然として設備、人員、手順の変換能力に制約される。

プログラム可能なクラウドラボは、この不均衡の緩和を目指す。機器の稼働を継続的にスケジューリングし、反復ワークフローを一貫して実行し、高度な装置を遠隔地の研究者にも利用可能にできる。

ただし、処理能力の向上は仕様上の誤りも拡大する。曖昧な指示を一度実行すれば、無駄になるのは1つのサンプルかもしれない。同じ指示を数百のサンプルに対して自動実行すれば、大規模で誤解を招くデータセットが生まれかねない。

このリスクにより、プロトコル変換が本稿における最大の課題となる。問われるのは、人間が読める柔軟性と、機械が実行できる精密さのせめぎ合いだ。

人間向けのプロトコルは、実践を通じて進化する。研究者は注記を加え、時間を調整し、機器を代替し、予期しない条件を解釈する。こうした適応の一部は実験を改善する一方、別の一部はばらつきをもたらす。

機械可読なワークフローは、研究内容を知らないうちに変えてしまうことなく、許容される柔軟性を捉えなければならない。どのパラメータが固定で、どれが変更可能で、どれに承認が必要なのかを指定すべきだ。

たとえば、タンパク質工学の実験を考えてみる。ワークフローには、DNAアセンブリ、細胞培養、タンパク質発現、精製、機能試験が含まれる可能性がある。

各段階には依存関係がある。温度の変更には、異なるインキュベーション時間が必要になる場合がある。測定値が想定範囲を外れた場合、再試験、希釈、または中止が必要になることもある。

AIシステムは次の手順を推奨できるが、その推奨は定義された制約を満たさなければならない。施設側は、要求された操作が物理的に実行可能で、安全であり、科学的に妥当かを確認する必要がある。

ここに、従来の大規模言語モデルの限界がある。学習済みのパターンに基づいて確からしい文章を生成する一方、実験室の制御には決定論的な命令と検証可能な状態が必要になる。

決定論的とは、同等の条件下であれば、同じ検証済みコマンドが同じ想定どおりの機械操作を生み出すべきだという意味だ。科学的な結果はなお変動しうるが、命令の解釈は変動すべきではない。

言語モデルは、論文から手順を抽出したり、不足する詳細を著者に尋ねたりする助けにはなりうる。だが、元のプロトコルが不完全な場合に、重要なパラメータを独自に作り出すべきではない。

ワークフローシステムにはバージョン管理も必要だ。研究者が1つの手順を更新した際には、どのサンプルが各バージョンを使用したのかを記録で示さなければならない。

ソフトウェアチームはすでに、バージョン履歴を基本的なインフラとして扱っている。実験科学では、プロトコルが文書、ノート、非公式の訓練を通じて伝わるため、変更の記録は往々にして一貫性を欠く。

クラウドラボでは、こうした非公式性を許容しにくくなる。遠隔利用者は、手順を開発した技術者による個人的な説明に頼れない。

ネットワークには、失敗についての共通定義も必要になる。液面センサーの故障でロボットが停止することと、実験で予期しない生物学的結果が得られることは異なる。

前者は運用上の障害だ。後者には科学的な意味があるかもしれない。両者を混同すれば、分析と将来のAI訓練の両方が損なわれる。

標準は、解釈とともに生の観測結果も保存しなければならない。また、AIシステムが手順を推奨、変更、または拒否した時点も記録すべきだ。

この履歴が説明責任を生む。予期しない結果を検証する研究者は、原因が元のプロトコルなのか、自動化された対応付けなのか、機器の問題なのか、あるいはAIの判断なのかを特定できる。

その仕組みは、科学的推論における証拠保全の連鎖に似ている。意図、指示、実行、分析の間にあるあらゆる変換には、追跡可能な記録が必要だ。

この要件は、自律科学には主により優れたモデルが必要だという考え方に異議を唱える。必要なのは、規律あるインターフェース、形式的な知識表現、そして物理的な操作をめぐるガバナンスでもある。

Google Newsの文脈では、Stanford Medicineと受賞が強調されている。より静かな運用上の課題は、科学者にとって不透明なものにせず、実験室をソフトウェアが理解できるものにしなければならないことだ。

2,000万ドルで保証できないこと

資金は設備と研究者をつなげられるが、信頼できる科学、幅広いアクセス、永続的な相互運用性までは保証できない。

NSFのプログラムは、自動化ラボがなお大きな技術的・組織的な隔たりに直面していることを認めている。そこには、限られたインフラ、一貫しないデータ収集、弱い相互運用性、AI支援設計の不完全な手法が含まれる。

第1の不確実性は、再現性に関するものだ。ロボットはプログラムされた操作を一貫して実行できるが、一貫した実行が科学的手順の妥当性を自動的に裏付けるわけではない。

欠陥のあるプロトコルは、完全に繰り返される欠陥のあるプロトコルになりうる。自動化は人為的なばらつきの一部を減らす一方で、仮定、校正、実験設計における誤りを拡大する。

第2の不確実性は、プロトコルの完全性に関するものだ。公開される手法の多くは、訓練を受けた同業者に伝えるために書かれており、機械を制御するために書かれているわけではない。

スタンフォードの研究者は、欠けた詳細を捏造せずに特定する方法を決めなければならない。システムは実行を停止し、説明を求め、あるいはワークフローを移植不能と示す必要があるかもしれない。

第3の不確実性は、施設間の違いに関するものだ。同じ測定を目的に設計された2台の機器でも、異なるバイアス、感度、出力形式で結果を出す場合がある。

校正記録と標準物質は、こうした違いを抑えることができる。ただし、物理実験に影響するあらゆる現場固有の条件をなくすことはできない。

第4の懸念はアクセスだ。遠隔ラボは、裕福な機関以外にも高度な設備を広げられるが、アクセスはスケジューリング、訓練、サンプル物流、継続的な運営支援に左右される。

NSFの公募は、教育重視の機関や資源の乏しい機関の研究者を含む外部利用者をノードが募集することを求めている。また、連邦資金の終了後も各ノードが継続運用を計画することを求めている。

これらの目標は衝突しうる。利用者料金に大きく依存する施設は、限られた予算の研究者にサービスを提供するのが難しくなる可能性がある。

プログラムの協力協定では、資金も年ごとに配分される。継続支援は、利用可能な資金、提案の質、定められた指標に対する進捗に左右される。

この仕組みは、目に見える活動を示す圧力を生む。再現性や拠点間の移植性といった、より難しい指標のほうが重要であっても、ノードは実験量を優先するかもしれない。

意味のある評価では、外部チームがワークフローを問題なく実行できたか、すべての逸脱を理解できたか、別の場所で結果を再現できたかを問うべきだ。

第5の懸念はセキュリティに関わる。遠隔制御される機器は、特にラボが価値の高い材料や機密性の高い生物学的データを扱う場合、より大きなデジタル攻撃面を生む。

ネットワーク標準は、認証、権限、監査証跡、安全なフェイル時の挙動を定義しなければならない。また、どの手順を遠隔から開始できるかについても制限が必要だ。

ワークフローが広く共有されるようになってから、セキュリティを後付けすることはできない。移植可能なプロトコルは有益な科学を広げられるが、安全でない、あるいは悪意あるワークフローも接続されたシステム間を移動しうる。

研究セキュリティは、さらに別の複雑さを加える。大学は、開かれた科学交流と、機微な技術、独自の手法、規制対象の材料を管理するルールとの均衡を取らなければならない。

第6の懸念はモデルの信頼性だ。AIは実験の優先順位付けや結果の解釈を行えるが、その推奨はデータ品質、目的設計、不確実性の推定に依存する。

成功した実験だけで訓練されたモデルは、失敗を過小評価する可能性がある。複数の機関にまたがる訓練を受けたモデルも、一般化できない拠点固有のパターンを学習することがある。

Asteraの参加は、迅速な出版、再利用可能なデータ、オープンサイエンスを重視している。否定的な結果や手順上の失敗が正直に記録されれば、これらの優先事項は訓練記録の改善につながる可能性がある。

ただし、迅速な出版によって検証が弱まってはならない。ネットワークには、記録を訂正し、その訂正を下流のデータセットへ反映する仕組みが必要だ。

商業的利益は、別の緊張を生む。機器メーカーや民間のクラウドラボは、独自システムを保護しながら相互運用性を支持する可能性がある。

大学も、共有インフラを通じて生まれた発見の特許取得を望むかもしれない。ネットワークは、共有ワークフロー標準と、特定の発明またはデータセットの所有権を区別しなければならない。

こうした懸念のいずれも、このプロジェクトが誤った方向に進んでいることを意味しない。むしろ、標準化の取り組みが物理的な機械設備と同じほど重要である理由を説明している。

遠隔ラボモデルは、現在のAIブーム以前から存在している。研究者は長年にわたり、クラウドベースの実験サービスや共有機器施設を利用してきた。

現在変わろうとしているのは、このループの規模と知能の水準だ。AIシステムは、より多くの仮説を生み出し、実験を選び、届く結果を用いて計画を更新できる。

ループの高速化は、曖昧な指示のコストを高める。同時に、詳細な来歴情報と独立したレビューの価値も高める。

したがってStanford Medicineは、ワークフロー数だけで成功を測ることを避けるべきだ。最も強い証拠は、隠れた人間の介入なしにノード間で移転されたプロトコルから得られるだろう。

そうした実証が現れるまでは、この受賞は自律的な科学発見の証明ではなく、インフラへのコミットメントを意味する。

このGoogle Newsの瞬間の後に注目すべきこと

スタンフォードの標準化作業が国家的インフラになるのか、それとも有望な研究レイヤーにとどまるのかは、3つの兆候によって分かる。

第1の兆候は、公開された機械可読プロトコル仕様だ。スタンフォードのチームは、人間向けの指示が、パラメータ、制約、エラー処理を備えた構造化ワークフローへどう変換されるのかを示す必要がある。

この仕様は単一施設だけで機能するものでは不十分だ。異なる機器とソフトウェアプラットフォームが一貫して対応付けられるよう、能力を記述すべきである。

公開例があれば、ラボ研究者はその表現が実際の手順上のニュアンスを捉えられるかを検証できる。開発者も、非公開アクセスを待たずに検証ツールを構築できる。

強力な公開には、バージョニング、来歴情報、安全性確認、不足情報の明確な取り扱いが含まれるべきだ。また、人間の承認が引き続き必須である箇所も示すべきである。

この仕様が複数のノードで採用されれば、本稿の中心的な判断はより確かなものになる。変換レイヤーが共有インフラとして機能することになるからだ。

各ノードが別々の形式を維持するなら、全国ネットワークは相互運用可能なラボではなく、接続されたウェブサイトの集合体になるおそれがある。

第2の兆候は、拠点間での再現実験だ。ワークフローはある施設で実行され、別のノードに移転され、機器差を記録したうえで比較可能な結果を生み出すべきだ。

この試験は、慎重に構成された1つのラボ内での成功実演よりも多くを明らかにする。標準が、機関の境界を越えて科学的意図を保持できるかを測るものだからだ。

再現実験には、不完全な事例も含めるべきだ。研究者は、利用できない機器、範囲外の測定値、必要な代替措置をシステムがどう扱うかを確認する必要がある。

信頼できるシステムは、その違いを覆い隠すのではなく明示すべきだ。その結果として得られる実験が引き続き比較可能かを、科学者が判断できるようにすべきである。

結果には完全なメタデータも必要だ。そうでなければ、研究者は生物学的なばらつきと、手順上または機器上のばらつきを切り分けられない。

成功すれば、複数拠点にまたがる試験は、Stanfordのプログラム可能なクラウドラボの有効性を強く裏付ける。失敗してもプロジェクトが終わるわけではないが、人間の知識のどこが形式化しにくいかを明らかにする。

3つ目の指標は、外部ユーザーによる採用だ。NSFは、このネットワークが各ノードを運営する機関以外の研究者にも利用されることを想定している。

注目すべきは、単なるワークショップやアカウント登録ではなく、完了した実験につながるオンボーディングプログラムだ。最も説得力のある事例は、同等の設備を自前で持たないチームによるものになる。

外部ユーザーは、施設内部の関係者が見落としがちな前提をあぶり出す。異なる質問をし、より馴染みのないプロトコルを提出し、個別の支援なしでドキュメントが機能するかを検証する。

採用状況には、待機時間、失敗した実行、必要なサポート、再現性に関する証拠も含めるべきだ。需要が高いだけでは、クラウドラボが利用しやすいことの証明にはならない。

小規模な機関でも、手法とデータに対する明確な管理権を維持しつつ高度な実験を実行できれば、ネットワークの価値は高まる。

一方、研究者が各プロトコルを変換するために広範な個別支援を必要とするなら、その価値は弱まる。その結果は、新しいインターフェースの背後に専門家への依存というボトルネックを残すことになる。

これらの指標は、バイオテクノロジーにとどまらず重要だ。AIエージェントを開発する人々も、ソフトウェアが物理世界で行動する際には、同じ大きな課題に直面する。

流暢な計画は、実行可能な計画ではない。信頼できる行動には、明示的なツール、型付けされた入力、権限、観測、そして復旧経路が必要となる。

エンタープライズの購買担当者も注目すべきだ。ラボの標準は、AIシステムが規制下で重大な結果を伴うワークフローの中で運用できるかを問う、厳しい試験となる。

ナレッジワーカーが得られる教訓はよりシンプルだ。重要な文脈は、人、ツール、組織の間で移管されても失われない形式で記録しなければならない。

Google Newsはこの資金調達イベントに注目を集めたが、長期的な物語はプロトコルファイル、監査ログ、再現実験の結果によって書かれることになる。

今後数カ月で、Stanfordが再利用可能な表現形式を公開するか、ノード間で実際の実験が交換されるか、外部の科学者が有用な成果を完成させるかが明らかになるはずだ。

こうした結果によって、この取り組みが既存の手順を単に自動化するだけなのか、それとも科学インフラの共有方法を変えるのかが決まる。

重要なのは、AIが次の実験を提案できるかどうかではない。科学者が、その実験を遠隔地の機械が実行し、説明し、再現できるほど正確に指定できるかどうかだ。