LLMを超えてGPUラックで構築できるもの

機械学習の次なる地平は、2026年8月15日にRedditで投げかけられた一風変わった問いによって垣間見えた。ローカル言語モデルを動かさずに、大量のGPUを使い切るには何をするか、というものだ。

この制約は、ありふれたハードウェアの議論をより示唆的なものへと変えた。テキスト生成を除くと、参加者からは分子シミュレーション、ロボティクス環境、流体力学、デジタル病理学、最適化、レンダリング、人工生命といった案が挙がった。

このGPUプロジェクトに関する議論は、製品発表でも検証済みの研究プログラムでもない。コミュニティによる思考実験だった。

それでも、その回答は現実的な緊張関係を浮き彫りにした。GPUは多様な研究を加速できるが、複数のカードを所有するだけで有用な研究システムが自動的に生まれるわけではない。

言語モデルでは、身近なソフトウェアと公開済みのチェックポイントが、その問題の多くを覆い隠している。科学計算では、所有者自身が問いを定め、データを入手し、結果を検証し、アクセラレータを取り巻く仕組みをすべて構築しなければならない。

したがって、ローカルLLMの禁止は単なる遊び心のある制約ではない。豊富な計算資源が、また別のデモではなく知識を生み出せるかを試すものだ。

最も有力な答えは、巨大な単一アプリケーションではない。シミュレーション、最適化、身体性を持つシステムにまたがって、多数の測定可能な試行を実施する小規模な実験施設である。

ローカルLLMの禁止が問いを変えた

言語モデルを外したことで、議論の焦点は利用から実験設計へ移った。

ローカル言語モデルには即時の見返りがある。ランタイムをインストールし、重みをダウンロードし、プロンプトを入力すれば、GPUが認識しやすい出力を生成する。

他のワークロードの大半には、そのような近道はない。分子シミュレーションには適切な物理モデルが必要であり、ロボット方策には環境、タスク、評価プロトコルが必要となる。

この違いがReddit上の回答を形作った。複数の参加者は幅広いカテゴリーを提案したが、最も興味深い提案は、閉じた実験ループを説明するものだった。

ある人は、設計、印刷、テスト、測定を繰り返してクアッドコプター用プロペラを最適化する案を示した。別の人は、強化学習を用いた高解像度ロボットシミュレーションを提案した。

ほかの返信では、分子動力学、計算流体力学、デジタル病理学、チェスシステム、音楽生成、視覚向け基盤モデル、人工生命が挙げられた。

これらのプロジェクトは重要な構造を共有している。GPUは反復的な数値計算を担うが、結果が改善したかどうかは外部の測定によって決まる。

プロペラ実験であれば、測定項目には推力、質量、騒音、効率が含まれるだろう。ロボット制御なら、成功率、衝突頻度、回復行動などが考えられる。

言語生成では主観的な評価に陥りがちだ。安定して再現可能な改善を生まなくても、応答がより良く感じられることはある。

科学・工学ワークロードには、より厳格な証拠が求められる。シミュレーションは関連する物理法則を保たなければならず、最適化器は未使用の条件でベースラインを上回らなければならない。

これは、GPU所有者が豊富な計算資源をどう捉えるべきかを変える。カードが増えても、既存の趣味プロジェクトを単に大規模化できるだけではない。

より多くの試行、広範なパラメータスイープ、反復シード、強力な対照、そして不確実性のより良い推定が可能になる。こうした能力は、単一の実行結果が目立たなくても研究を支える。

このスレッドはまた、独立してGPUを使えるプロジェクトと、GPU間で常時通信を必要とするプロジェクトの隔たりも明らかにした。

フレームのレンダリング、個別設計の評価、独立したシミュレーションの実行は、ほとんど連携せずに分割できる。各カードがタスクを受け取り、結果を返す。

複数GPUで密結合した単一モデルを学習するのは、より難しい。高速なインターコネクト、分散ソフトウェア、同期更新、慎重な障害処理が必要になる。

この違いはコンシューマーハードウェアにとって重要だ。高性能カードを集めれば、統合された単一アクセラレータとしての動作が不十分でも、並列実験には優れた環境になり得る。

そのため実用的な可能性は、従来型のマルチGPU学習より広い。スケジューラは各カードを独立した実験台として扱える。

このアプローチでは、失敗も検査しやすくなる。1つの破損した実行結果がすべての実験を無効にすることはなく、個別タスクを管理された条件下で繰り返せる。

ローカルLLMの禁止は、ハードウェア幻想の根底にある本質的な問いを明らかにした。実験が安価かつ豊富になったとき、どの未解決問題が扱えるようになるのか。

機械学習研究の次の地平はシミュレーションから始まる

最も信頼できる研究の道筋は、実測とつながったシミュレーション工場である。

シミュレーションはGPUに適している。多くの仮想システムを同時に進められるからだ。各スレッドまたは処理ブロックは、異なる物体、セル、粒子、環境に対して類似した数学的演算を処理する。

最初の有望な方向性はロボット学習だ。物理ロボットは経験を集めるのに時間がかかり、摩耗を伴い、制御器が予測不能に動作した場合には安全上のリスクも生じる。

シミュレートされたロボットなら、ハードウェアを壊すことなく何千回も失敗できる。研究者は摩擦、質量、照明、センサーノイズ、遅延、物体配置を変えられる。

NVIDIAのIsaac Lab frameworkは、ベクトル化シミュレーションによるGPU加速ロボット学習を説明している。そのドキュメントでは、数千の並列環境を用いる構成が示されている。

この規模は、個人向け研究施設の具体的な形を示唆する。1つのマニピュレーションタスクを構築し、どのような変動が、学習条件の外でも信頼性を保つ方策を生むかを検証するのだ。

目標は映画のようなロボットデモではない。性能がどこで崩壊するかを示すデータセットであるべきだ。

例えば、研究者は未知の物体を回転させるグリッパーを学習させられる。各GPUは、異なる物体セット、センサー構成、学習アルゴリズムを担当できる。

小規模な物理テストリグで、最も有望な方策を評価する。その転移に失敗した事例は新たなシミュレーション条件を生み、仮想的な証拠と物理的な証拠の間にループを作る。

2つ目の方向性は、液体や気体の動きを数値的にモデル化する計算流体力学だ。従来のソルバーは領域を多数の要素に分割し、物理変数を繰り返し更新する。

このワークロードは、風変わりでありながら測定可能なプロジェクトを支える。有名な波の再現、換気の最適化、プロペラ騒音の低減はいずれも同じ実験構造に当てはまる。

物理情報に基づく機械学習は、そこにもう一層を加える。物理法則を置き換えるのではなく、モデルは特定の写像を学習しつつ、損失関数や学習データにそれらの法則を反映させられる。

NVIDIAのPhysicsNeMo documentationには、ニューラル演算子、グラフネットワーク、流体の例、気象モデル、分散コンピューティングの構成要素が含まれている。

ニューラル演算子は、境界条件とそれに対応する流れ場のように、関数間の写像を学習する。学習後に、関連するシミュレーション問い合わせへより高速に答えることを目指す。

これにより価値ある研究比較が生まれる。GPUの一群で参照シミュレーションを生成し、別の一群で学習済みサロゲートを訓練・テストできる。

決定的な指標は視覚的な類似性ではない。未知の形状、境界条件、運転範囲にわたる誤差である。

家庭の研究者であっても、パラメータ化された筐体を通る熱流から始められる。その研究では、従来型ソルバー、学習済みサロゲート、ハイブリッド手法を比較できる。

すべての予測は参照ソルバーで検証される。選んだ設計は、その後、物理的な筐体に取り付けた温度センサーで測定できる。

3つ目の方向性は微分可能設計であり、勾配がシミュレータの一部または学習済み近似を通過する。これらの勾配は、形状、材料、制御パラメータの変更を導く。

この考え方は、自動化されたプロペラの提案を特に魅力的なものにする。生成器が候補ブレードを作り、シミュレーションがそれらを絞り込み、物理テストスタンドが生き残った候補を評価する。

テストスタンドは、見栄えのよいコンピュータ出力と有用な工学の間の隔たりを埋める。不正確なシミュレータの弱点を突く設計を却下できるからだ。

ここでGPUが重要なのは、最適化が多数の評価を消費するためである。しかし最も価値のある成果物は、候補、条件、測定、失敗の完全な記録だ。

その記録は、常軌を逸した個人プロジェクトを、擁護可能な研究へと変える。また、他者が実験を再現したり、その前提に異議を唱えたりすることも可能にする。

分子動力学は即時の発見ではなく、実際の作業をもたらす

GPUラックは意味のある分子実験を実行できるが、計算だけで生物医学上の結論が信頼できるものになるわけではない。

分子動力学は、モデル化された力の下で原子がどう動くかを計算する。この手法は非常に小さな時間刻みで進むため、長い生物学的過程には大きな計算負荷がかかる。

OpenMMは、分子シミュレーション向けに設計された高性能ツールキットだ。バージョン8に関する論文では、分子エネルギーと力を学習済みモデルで推定する機械学習ポテンシャルへの対応が説明されている。

OpenMM 8 studyは、これらのポテンシャルが古典的な力場と、より低速な量子化学手法の中間に位置すると説明している。

この中間領域は、マルチGPUワークステーションにとって優れた対象となる。各カードは、ポテンシャルモデル、サンプリング戦略、初期構成、乱数シードを比較できる。

焦点を絞ったプロジェクトでは、小分子を異なる溶媒条件で研究できる。別のプロジェクトでは、競合するポテンシャルがエネルギーをどのように保存するか、あるいは既知の構造をどのように再現するかをベンチマークできる。

これらは、検証可能な比較を生み出すため研究プロジェクトとなる。病気の治療や実用的な医薬品の発見に関する主張を必要としない。

最も安全な設計は、公開されたベンチマークから始めることだ。その結果を再現し、差異を記録してから、実験変数を一度に1つずつ変更する。

複数GPUが役立つのは、分子の挙動が統計的だからである。研究者は、視覚的に印象的な1本の軌跡より、多数の独立した軌跡から多くを学ぶことが多い。

独立実行は、一般的なGPUネットワークにもよく適合する。各カードは、継続的な同期を必要とせず、異なる初期速度の割り当てや分子構成をシミュレートできる。

これは、密結合された1つのジョブよりも、性能が不揃いなコンシューマーカードに適している。高速なカードは、より多くの割り当てられた軌跡を完了するだけだ。

Folding@homeは、このモデルをより広範に示している。そのシステムは参加者に研究シミュレーションの小さな断片を送り、返却された結果を集約する。

同プロジェクトのresearch archiveには、そのシミュレーションに関連する査読済み研究が掲載されている。この実績は、専門知識を持たない所有者に具体的な代替案を提示する。

計算資源を寄付することは、新しいシステムを構築するほど個性的ではない。しかし、遊休ハードウェアを、すでに検証済みの研究課題と分析パイプラインを持つ研究者につなげられる。

より意欲的な所有者なら、両方のアプローチを組み合わせられる。一部のカードで確立された分散研究に貢献し、別のカードで公開分子ベンチマークをローカルに再現する。

ローカルプロジェクトには、ネガティブコントロールと既知の参照ケースを含めるべきだ。それらがなければ、予想外の軌跡が不適切なパラメータ、不安定な積分、またはソフトウェアエラーを反映している可能性がある。

機械学習ポテンシャルは、さらなる不確実性をもたらす。モデルは学習分布の近傍ではもっともらしく振る舞う一方、未知の分子配置では大きく破綻する可能性がある。

その弱点自体が研究対象となる。所有者は、2つのポテンシャルが食い違う、あるいは期待される物理的挙動に反する配置を体系的に探索できる。

このプロジェクトは、分子モデルに対するレッドチーミングに似たものになるだろう。モデルが普段は機能するかではなく、信頼しては危険になる条件を可視化する。

GPUによって、この探索は現実的になる。多数の候補を同時に評価できるためだ。失敗に科学的な意味があるかを判断するには、引き続き分野の専門家が不可欠である。

この区別は、研究を誇張した主張から守る。ワークステーションは異常の特定、手法の再現、ベンチマークの構築を行えるが、実験室の代替を装うべきではない。

有用なネガティブ結果を公表することもできる。報告された速度や精度の主張を再現できなかったことを慎重に記録すれば、分野の改善につながり得る。

この成果には、無限にメディアを生成するような派手さはない。だが、他の研究者が検証できるという、より持続的な価値をもたらす。

最良のGPUクラスタは、1台のコンピュータではなくキューであることが多い

複数のGPUは、1つの共有プールだと考えるのではなく、ハードウェアのトポロジーに合わせてジョブを設計したときに真価を発揮する。

カードを積み重ねると、すぐにシステム上の問題が生じる。マシンには適切な電力供給、冷却、メモリ、ストレージ、PCI Expressレーン、物理的な間隔が必要になる。

こうした要素が、どのアイデアを現実的に実行できるかを決める。大きなテンソルをカード間で絶えず移動させるシミュレーションは、演算能力が豊富でも通信によって停止状態に陥り得る。

コンシューマー向けシステムでは、接続性が不均一なことが多い。一部のスロットはレーン数が少なく、一部のカードは理論上の最高速度で直接通信できない。

そのため、ワークロードの選択は研究設計の一部となる。独立したパラメータスイープは弱い接続でも許容できる一方、同期型の学習ではその弱点が露呈する。

Isaac LabのマルチGPUガイダンスは、追加で必要となる仕組みを示している。その分散ワークフローでは、GPUごとにプロセスを作成し、学習中に勾配を同期する。

同じドキュメントでは、通信の回避策によって帯域幅が低下する可能性にも触れている。ソフトウェアの互換性とオペレーティングシステムも、利用可能な分散機能を制約する。

したがって、個人用クラスタにとって最良の初期アーキテクチャはジョブキューである。各タスクは、入力、ソフトウェアイメージ、想定実行時間、必要メモリを宣言する。

ワーカーは次に実行可能な互換タスクを取得し、1枚のカードで実行して、不変の出力を書き出す。失敗したジョブはログを添えてキューに戻される。

このモデルは、分子軌道、Blenderフレーム、シミュレーションスイープ、最適化候補、独立したポリシー評価を支援する。性能レベルの異なるカードにも対応できる。

コンテナは依存関係の競合を減らせるが、再現性を保証するものではない。ドライバー、乱数シード、ハードウェア精度、ライブラリのバージョンは、なお記録が必要である。

所有者はこうした詳細を自動的に取得すべきだ。すべての結果には、コード改訂版、設定、環境、入力チェックサム、出力チェックサムを含むマニフェストが必要になる。

ストレージにも同等の注意が必要である。科学シミュレーションや合成データセットは、気軽なストレージ計画で吸収できる量を上回る速度で結果を生み出し得る。

すべての中間状態を書き込むと、ローカルディスクを使い果たしたり、入出力経路を詰まらせたりする可能性がある。保存量が少なすぎれば、予想外の結果を診断できなくなる。

意図的な保持ポリシーで、問題の一部を解決できる。設定、要約、選定したチェックポイント、失敗事例、主要な発見を再現するのに十分な生データを保存する。

熱管理もまた研究変数である。持続的な計算ワークロードは、利用率が変動しがちなゲームとは異なる挙動を示す。

長時間の実行では、カードがスロットリングを起こしたり、エラーを出したり、隣接するコンポーネントを不安定化させたりする場合がある。温度、消費電力、クロック速度、訂正済みエラーの監視は標準とすべきだ。

購入費用が問題にならない場合でも、電力使用量はスケジューリングに影響すべきである。GPUが継続的に動けば、無料のGPUでも実験は無料ではない。

クラスタは、弱い実験を早期に止めるべきだ。パイロット実行によって、実行時間、メモリ使用量、出力量、そして指標に意味のある変化があるかを見積もれる。

ここでは、規律ある自動化が熱意を上回る。スケジューラは、実験があらかじめ定めたチェックを通過した後にのみ、追加の計算資源を割り当てるべきである。

有用な原則は、最初のカードを正確性に使うことだ。2枚目のカードで再現性を検証し、残りのカードでスケールを探る。

この順序なら、不完全な前提がラック全体に増殖する前に捉えられる。また、所有者に成功の定義を迫ることにもなる。

同じ原則は、議論に登場した分散データベースやGPU分析にも当てはまる。加速が重要なのは、ワークロードがアーキテクチャに適合している場合に限られる。

GPUで高速化したデータベースの実験では、CPUベースラインと比較し、エンドツーエンドのクエリ遅延、データ転送、エネルギー、エンジニアリングの複雑さを評価すべきである。

カーネル速度だけでは不十分だ。データのロードに節約した時間が消費されるなら、実用上の結果はより単純なシステムを支持するかもしれない。

したがって、大量のGPUはシステム思考に報いる。アクセラレータの数を実験設計の代替と見なす人には厳しい。

レンダリングと合成データは最速のフィードバックループを生む

生成されたシーンが、単に魅力的なフレームを生み出すのではなく、知覚システムを検証するとき、レンダリングは研究となる。

BlenderのCyclesエンジンは、シーン内を光がどのように進むかをモデル化する物理ベースのパストレーサーである。対応GPUデバイスによる高速レンダリングをサポートする。

Cyclesのドキュメントは、これを混在したカード群にとって最も利用しやすい非LLM用途にしている。

一般的なレンダーファームでは、アニメーションフレームをワーカー間に分配する。大半のフレームを独立して処理できるため、このアプローチはよくスケールする。

研究の機会はさらに先にある。プロシージャルなシーン生成器は、照明、マテリアル、カメラ配置、物体の損傷、天候、背景の雑多さを変化させられる。

こうしたシーンは、コンピュータビジョンのための合成学習データまたは評価データになる。レンダリングされたすべての画像には、深度、セグメンテーション、ポーズ、物体IDの正確なラベルが付与される。

具体的なプロジェクトでは、欠陥検出器が反射面の下で失敗するかを測定できる。別のプロジェクトでは、異常な影や季節ごとの植生に対するドローン航法を試験できる。

不可欠な手順は、合成データでの発見を実画像と比較することだ。この確認がなければ、システムはレンダラーが生み出したアーティファクトを学習してしまう可能性がある。

ここで別の閉ループが生まれる。レンダリングされたシーンはモデルに制御された変動を与え、実世界での失敗が、生成器にどの変動を追加すべきかを決める。

複数のGPUは、パイプラインを役割ごとに分離できる。一部は新しいシーンをレンダリングし、一部は知覚モデルを学習させ、残りは固定テストスイート全体で評価を実行する。

無限に画像を生成する仕組みとは異なり、このパイプラインには科学的な目的がある。制御された視覚的変化がシステムの挙動にどう影響するかを測定する。

デジタル病理学は、より高いリスクを伴う形態である。大規模な組織画像には細かな空間的ディテールが含まれ、分析システムは多数の画像領域にわたって動作しなければならない。

個人用GPUクラスタは、適切にライセンスされた公開データセットを用いた手法開発を支援できる。サンプリング、セグメンテーション、不確実性推定の手法を比較できる。

ただし、臨床上の主張には、有資格の協力者、外部検証、慎重なガバナンスが必要である。ローカル環境でのベンチマーク結果だけでは、医療上の有用性を確立できない。

同じ注意は、監視、顔分析、生体認証分類にも当てはまる。技術的に実現可能であることだけでは、プロジェクトが正当化されるかは決まらない。

音楽とオーディオは、より低リスクな創造的代替手段となる。寄稿者は、テキスト生成ではなく、無限に続く音楽やリアルタイム伴奏を提案した。

価値ある研究プロジェクトは、音楽的な制約を定義し、タイミング、反復性、応答性、人間による制御を評価する。新規性だけで品質を判断するものではない。

ある構成では、演奏者の音を聴き、テンポとハーモニーを推定し、厳格なレイテンシ制限の下で伴奏を生成できる。人間の音楽家は、それが演奏を支えるかを評価できる。

GPUは、音源分離、音声合成、評価実験を実行する。このプロジェクトの難題は、単なる生成ではなくインタラクションとなる。

人工生命シミュレーションは、最も投機的な方向性を提供する。定義されたルールの下で繁殖、競争、協力、適応する単純なエージェントの集団をモデル化する。

大規模なGPUプールは、異なる環境を持つ多数の世界を実行できる。所有者は、複雑な振る舞いがシードやパラメータの変更を経ても存続するかを研究できる。

この再現性テストは、興味深い現象と偶然のアニメーションを分ける。また、知能や生命に関する大仰な主張を抑制する。

レンダリング、オーディオ、人工生命はいずれも、すぐに視覚的または聴覚的なフィードバックを提供する。そのため、数か月にわたる実験を続けるのに十分な魅力がある。

その危険は、美的な気晴らしである。美しい結果は、弱い統制、模倣された振る舞い、または結果が現れた後に設計された評価を隠しかねない。

最も強いプロジェクトは、メディアと並べて指標と失敗も公開する。派手さは注目を集められるが、証拠が研究に価値を与える。

実験に価値があったことを何が証明するのか

次の3つのシグナルは、再現性、実世界への転移、有用な外部採用である。

第1のシグナルは、独立した再現性である。別の人がコードを再実行し、主要な結果を再現し、残る差異を説明できるべきだ。

これには、固定された評価セット、完全な設定、アクセス可能な成果物が必要である。スクリーンショットや選択された動画だけでは、その基準を満たせない。

再現性があれば、個人用GPUクラスタが真剣な研究に貢献できるという主張は強まる。失敗が繰り返されるなら、ソフトウェアとドキュメントが依然として主なボトルネックであることを示すだろう。

第2のシグナルは、シミュレーションを超えた転移である。ロボットポリシーは物理ハードウェアで機能すべきであり、最適化されたプロペラは測定性能を改善すべきである。

分子手法は、未知の系を探索する前に、既知の参照挙動を再現すべきだ。合成データのパイプラインは、未使用の実画像で結果を改善すべきである。

転移が完全である必要はない。手法が失敗する条件を含め、正直に測定されなければならない。

転移の成功は、閉ループ戦略を裏づける。ギャップが持続するなら、追加の計算資源が現実の不完全なモデルを最適化しただけであることが示される。

第3のシグナルは、元のワークステーションの外部で採用されることである。データセット、ベンチマーク、スケジューラ、シミュレータ拡張、あるいはネガティブ結果が、別のプロジェクトを助けるべきだ。

外部採用は、オンライン上の注目よりも厳しい基準である。それは、他者がその成果物を明確で信頼でき、基盤として利用するに値すると判断したことを意味する。

その貢献は小さくてもよい。GPU分子ポテンシャルの信頼できるベンチマークは、裏づけのない主張を含む広範なシステムより重要になり得る。

同じことは、文書化されたロボットシミュレーションの失敗にも当てはまる。危険な死角を特定することは、1つの成功したデモンストレーションを生み出すより価値がある場合がある。

これらのシグナルは、この思考実験によって誰が圧力を受けるかにも答えている。その圧力は、ハードウェアの規模をプロジェクトの重要性と同一視する研究者や愛好家に向けられる。

また、エンドツーエンドの向上を示さずにGPUアクセラレーションを売り込むソフトウェアベンダーにも向けられる。データ、検証、通信が支配的なら、カーネルが高速化しても意味は小さい。

クラウドプラットフォームは、より微妙な比較に直面する。ローカルのカードは制御性と予測可能なアクセスを提供し、クラウドシステムは柔軟なスケールと管理されたインフラを提供する。

より良い選択は、利用率とワークフローによって決まる。断続的に行う巨大な実験と、機密性の高い、あるいは容量の大きいデータを扱う継続的な小規模ジョブとでは事情が異なる。

ローカルクラスターが正当化できるのは、明確に定義されたタスクで常に稼働している場合だ。そうでなければ、計算資源を提供したり、一時的なリモート容量を利用したりする方が、投入した労力当たりの研究成果を増やせるかもしれない。

Redditのスレッドは、その判断に結論を出したわけではない。その価値は、最も身近な用途がなくなった後に、選択肢の幅を明らかにした点にある。

真剣に検討すべき選択肢は、一つの原則に収束する。GPUは、結果をGPUの外部で検証できる実験を増幅するために使うべきだ。

つまり、物理測定で検証するシミュレーション、参照計算で検証する学習済みポテンシャル、実際の観測で検証する合成データである。

また、生の出力量ではなく、人間との相互作用によって検証される創造的なシステムも含まれる。終わりのない生成は、発見と同義ではない。

したがって、最も少し常軌を逸したプロジェクトは、自動化された研究ワークショップになるだろう。仮説を生成し、試行を予定し、失敗を記録し、人によるレビューを求める。

GPUは反復的な数値処理を担う。センサー、ベンチマーク、そして協力者が、その作業に意味があったかどうかを判断する。

この役割分担こそ、言語モデルの先にある機械学習の本当の地平だ。計算能力は探索を広げるが、探索の向かう先を決めるのは証拠である。

GPUラックが机の上に届いたなら、まずは測定可能な問いを一つ設定し、単一カードで再現するところから始めよう。結果が厳しい検証に耐えてから、カードを追加すればよい。

そして、行き止まりも含めてセットアップを公開する。最高の成果は、より熱いラックやより派手なデモではなく、他の誰かが信頼できる実験だ。