NVIDIA IBM 양자 협력에 Fermilab 합류
NVIDIA는 2026년 11월 16일 IBM 및 Fermilab과의 양자 컴퓨팅 협력 확대와 함께, 연구 계산을 최대 13,000배 빠르게 수행한다고 주장하는 디코더를 발표했다. NVIDIA IBM 양자 협력은 일정이 서로 다른 두 가지 발전을 연결한다. 하나는 계획 단계의 연구 플랫폼이고, 다른 하나는 연구자들이 이미 평가할 수 있는 소프트웨어다.
파트너들은 미래 시스템을 연구하기 위해 IBM 양자 컴퓨터와 NVIDIA 가속 컴퓨팅을 결합할 계획이다. 별도로 NVIDIA는 측정 결과를 해석해 발생 가능성이 높은 양자 오류를 식별하는 고전 소프트웨어인 디코더 TCBP-JOBS를 공개했다. 이 제품의 핵심적인 속도 향상 주장은 양자 컴퓨터가 수행하는 모든 계산이 아니라 특정 디코딩 비교에 관한 것이다.
이번 발표 전체에는 긴장 관계가 깔려 있다. 더 빠른 실험은 연구자들이 더 나은 기계를 설계하도록 돕지만, 유용한 기계가 되려면 전체 컴퓨팅 워크플로 전반의 증거가 필요하다. Google의 이전 오류 정정 연구는 이 차이를 이해하는 기준점이 된다. 당장의 과제는 양자 개발자와 컴퓨팅 센터가 개별 개선 사항이 어떻게 신뢰할 수 있는 과학 작업으로 이어지는지 보여주는 데 있다.
NVIDIA IBM 양자 협력이 추가하는 것
이 협력은 연구자들에게 공동 시스템 의제를 제공하지만, 제안된 플랫폼은 아직 개발 단계의 노력이다.
NVIDIA의 양자 컴퓨팅 협력은 IBM 양자 하드웨어, NVIDIA 컴퓨팅 시스템, Fermilab의 과학 전문성을 한데 모은다. 이 계획에는 GPU 기반 컴퓨팅 서버인 NVIDIA DGX B200 시스템을 IBM Quantum Nighthawk를 사용하는 시스템을 포함한 IBM 양자 컴퓨터와 함께 배치하는 방안이 포함된다.
핵심 개념은 공동 설계다. 하드웨어, 소프트웨어, 애플리케이션을 함께 개발해 각각이 서로에게 정보를 제공하도록 하는 방식이다. 여기서 과학자들은 미래 양자 시스템이 달성해야 할 목표를 정하는 데 도움을 줄 수 있다. 그러면 엔지니어들은 하드웨어가 도입된 뒤에야 애플리케이션 개발을 시작하는 것이 아니라, 그러한 요구 사항을 기준으로 아키텍처를 평가하게 된다.
이러한 구성은 실질적인 조율 문제를 다룬다. 하드웨어 팀은 가장 까다로운 과학 워크로드에 도움이 되는지 알지 못한 채 프로세서를 개선할 수 있다. 애플리케이션 팀은 해당 계산에 필요한 고전적 처리를 고려하지 않은 채 계산 방식을 제안할 수 있다. 공동 플랫폼은 이런 가정을 함께 시험할 수 있는 공간을 만든다.
제안된 작업은 여러 양자 프로세서를 더 큰 시스템으로 연결하는 모듈형 아키텍처도 다룬다. 이는 개별 프로세서의 성능을 높이는 것보다 더 폭넓은 설계 문제를 제기한다. 연구자들은 모듈 사이에서 무슨 일이 일어나는지, 정보가 어떻게 이동하는지, 이를 지원하는 고전적 자원이 모듈과 함께 어떻게 확장되는지를 고려해야 한다.
발표를 주시하는 독자라면 동사에 주목할 필요가 있다. 플랫폼을 계획한다는 것은 방향을 설정하고 참여자를 식별하는 일이다. 플랫폼을 운영하려면 설치된 자원, 작동하는 인터페이스, 문서화된 접근 방식, 그리고 다른 연구자들이 검토할 수 있는 실험이 필요하다. 이 단계들은 같은 발표에 함께 등장하더라도 서로 다른 종류의 증거를 제공한다.
따라서 즉각적인 분석 질문은 구체적이다. 이 팀들을 한데 모으면 과학적 요구 사항에서 검증 가능한 시스템 설계에 이르는 경로가 짧아지는가? 이는 폭넓은 상업적 유용성을 주장하기 이전의 진전을 의미한다. 또한 연구자들이 개별적으로는 좋은 성능을 내지만 완전한 워크플로 내에서는 부진한 설계를 더 명확히 배제할 수 있게 한다.
책임성 측면의 이점도 있다. 협력이 공동 워크로드를 정의하면, 참여자들은 어느 구성 요소가 진전을 제한하는지와 어떤 변화가 그 제약을 해소하는지를 설명할 수 있다. 이는 프로세서 사양, 소프트웨어 벤치마크, 애플리케이션 목표를 서로 관련 없는 성과로 제시하는 것보다 더 많은 정보를 제공한다.
플랫폼의 중요성은 그것이 가능하게 하는 실험에 달려 있다. 제안된 구조는 그러한 실험을 조직하기 쉽게 만들지만, 독자가 찾아야 할 증거는 여전히 그 결과다.
Fermilab은 과학적 요구 사항을 설계에 반영한다
과학 사용자들은 플랫폼 아키텍처가 연구자들이 실제로 필요로 하는 계산을 지원하는지라는 구체적인 시험 기준을 제공한다.
Fermilab의 모듈형 양자 플랫폼 제안은 고에너지 물리학과 핵물리학에 초점을 맞춘다. 연구소는 입자 상호작용, 중성미자 물리학, 핵 시뮬레이션을 잠재적 연구 분야로 제시한다. Superconducting Quantum Materials and Systems Center는 애플리케이션 전문성과 함께 하드웨어 및 인터커넥트 연구에 기여할 예정이다.
이는 연구 목표다. 이를 나열한다고 해서 제안된 플랫폼이 이미 이러한 문제를 해결하거나 기존 컴퓨팅 방식보다 뛰어난 성능을 낸다는 뜻은 아니다. 현 단계에서 그 가치는 파트너들이 미래 설계를 평가할 수 있는 요구 사항을 만든다는 데 있다.
이것이 엔지니어링 논의를 어떻게 바꾸는지 생각해 보자. 프로세서 사양은 장치가 무엇을 지원하는지 설명한다. 과학 워크로드는 그러한 지원이 유용한 정확도의 답을 만들기에 충분한지 묻는다. 워크로드를 논의에 포함하면, 이용 가능한 연산과 과학자가 원하는 완전한 계산 사이의 격차가 드러난다.
압박을 받는 대상도 바뀐다. 애플리케이션 연구자들은 양자 처리가 정당화되는 문제의 부분을 식별해야 한다. 하드웨어 개발자들은 자신의 시스템이 그 부분을 어떻게 지원하는지 설명해야 한다. 컴퓨팅 전문가는 준비, 데이터 처리, 분석을 포함해 그 주변의 모든 요소를 고려해야 한다.
그 결과로 생기는 엄격성은 모호한 성공 주장을 막을 수 있다. 어떤 시연은 한 단계를 개선하면서도 전체 계산은 바꾸지 못할 수 있다. 다른 시연은 더 많은 지원 자원을 요구하면서 정확도를 높일 수 있다. 둘 다 연구를 진전시킬 수 있지만, 어느 쪽도 그 절충점을 설명하지 않고 소개해서는 안 된다.
과학적 참여는 비교 중 무엇을 동일하게 유지해야 하는지 정하는 데 도움이 된다. 경쟁 접근법이 서로 다른 정확도 수준을 목표로 하거나 약간 다른 질문에 답한다면, 완료 시간은 거의 의미를 드러내지 못한다. 유용한 벤치마크는 합의된 과학적 목표에서 시작하며 비교 조건을 명확히 보여준다.
이는 NVIDIA IBM 양자 협력을 실험 컴퓨팅과 확립된 과학적 관행을 연결하려는 더 폭넓은 노력 안에 위치시킨다. 가장 강력한 결과는 다른 팀이 원래 문제에서 보고된 답까지 따라갈 수 있는 증거의 사슬일 것이다. 헤드라인 성과는 그 사슬의 일부만 제공한다.
Fermilab은 이 제안이 IBM, Oak Ridge National Laboratory, AMD가 참여하는 별도의 공동 설계 플랫폼을 보완할 것이라고도 밝혔다. 이는 이번 발표를 단순한 하드웨어 경쟁으로 만들지 않으면서 관련 경쟁 맥락을 제공한다. 서로 다른 협력은 애플리케이션과 인프라의 서로 다른 조합을 시험할 수 있다.
컴퓨팅 센터에 주는 시사점은 실용적이다. 경쟁 플랫폼을 평가할 때 과학적 질문을 유지해야 한다. 최고 성능 벤치마크가 인상적이라는 이유로 기술을 선택하는 일은, 그 벤치마크가 유용한 작업을 예측하는지 판단하는 일보다 쉽다. 후자가 바로 이런 공동 설계 노력이 연구자들의 판단을 도와야 하는 결정이다.
더 빠른 디코딩이 연구 루프를 바꾼다
더 빠른 디코더는 완전한 양자 시스템이 개선되기 전에도 연구자들이 실행할 수 있는 실험의 범위를 넓힐 수 있다.
양자 오류 정정은 양자 정보를 저장하고 조작하는 하드웨어 단위인 여러 물리 큐비트에 정보를 분산해 보호한다. 논리 큐비트는 이러한 인코딩을 통해 만들어지는 보호된 정보 단위다. 디코딩은 측정 증거를 사용해 어떤 오류가 발생했을 가능성이 높은지 추론한다.
연구 기회는 반복에 있다. 오류 정정 설계를 평가하려면 정해진 조건에서 그 설계가 어떻게 동작하는지 시험해야 한다. 연구자들은 후보 설계를 비교하고, 실패를 검토하며, 가정을 조정하고, 이 과정을 반복해야 한다. 디코딩이 이 작업의 대부분을 차지한다면, 이를 가속하는 것은 더 폭넓은 조사를 실용적으로 만들 수 있다.
NVIDIA는 오류 정정 소프트웨어 라이브러리 CUDA-Q QEC 0.9.0을 통해 TCBP-JOBS를 공개했다. 관련 GPU 디코딩 연구는 11월 16일 제출됐으며, 많은 계산을 동시에 수행하는 데 적합한 프로세서인 GPU에서 병렬 탐색을 안내하는 확률 추정치를 설명한다.
이 메커니즘이 중요한 이유는 디코더가 계산 노력과 정확도 사이의 균형을 맞춰야 하기 때문이다. 더 광범위하게 탐색하면 더 오래 걸리는 대신 추론된 답을 개선할 수 있다. 탐색을 다르게 구성하는 것은 또 다른 경로를 제시한다. 단순히 탐색량을 줄이는 대신 계산을 더 효과적으로 사용하는 방식이다.
논문은 선택된 오류 정정 코드에서 특정 Tesseract 디코더 구성과 비교해 최대 13,000배의 속도 향상을 보고한다. 다른 Tesseract 설정과 비교한 보고 범위는 다르다. 저자들은 Tesseract가 더 정확한 낮은 오류 조건도 식별한다. 이는 독립적인 확인이 아니라 제안 팀의 연구 결과다.
운영상의 의미는 연구자들이 평가할 또 하나의 후보를 얻는다는 것이다. 디코더의 유용성은 조사 중인 설계, 필요한 정확도, 이용 가능한 하드웨어에 따라 달라진다. 극적인 결과는 시험된 비교 범위 안에 상당한 개선이 있음을 보여주지만, 모든 실험에 가장 적합한 디코더를 선택해 주지는 않는다.
더 빠른 연구는 기존 작업을 더 빨리 끝내는 것 이상의 가치도 가진다. 팀은 추가 역량을 사용해 가정에 이의를 제기하고, 예상치 못한 실패를 조사하거나, 덜 편리한 대안을 비교할 수 있다. 이러한 선택은 또 다른 극적인 속도 향상 수치를 만들지 않더라도 설계 결정의 품질을 높일 수 있다.
이것이 소프트웨어 공개를 해석하는 가장 건설적인 방식이다. 이 공개는 연구 프로세스를 개선할 기회를 만들며, 결과는 연구자들이 이를 어떻게 활용하는지에 달려 있다. 실험을 더 많이 한다고 해서 더 나은 결론이 보장되는 것은 아니다. 실험은 그럴듯한 설명들을 구별할 수 있어야 한다.
계획된 플랫폼에는 이것이 유용한 피드백 루프를 만든다. 연구자들은 후보 접근법을 평가하고, 유망한 구성을 식별한 뒤, 그러한 구성이 하드웨어와 애플리케이션 요구 사항에 부합하는지 물을 수 있다. 소프트웨어 결과는 더 큰 시스템 문제를 해결하지 않으면서도 이 과정을 뒷받침한다.
이 구분은 발표를 중요하면서도 측정 가능하게 유지한다. 미래 컴퓨팅 아키텍처에 관한 증거가 계속 축적되는 동안, 연구 도구는 그 자체의 기준으로도 가치를 가질 수 있다.
속도 향상은 전체 시스템의 질문을 남긴다
디코딩 벤치마크가 답하는 질문은 양자 컴퓨터가 유용한 작업을 신뢰성 있게 완료할 수 있는지보다 더 좁다.
디코더 비교는 명시된 경계 안에서의 성능을 측정한다. 과학 사용자는 답에 이르는 전체 경로에 관심을 둔다. 이 두 관점 사이에는 준비, 통신, 실행, 분석, 반복 사용에 관한 질문들이 놓여 있다. 한 구성 요소를 개선했을 때 전체 워크플로가 어떻게 달라지는지는 그 구성 요소가 얼마나 큰 제약을 가하는지에 따라 결정된다.
이것이 헤드라인의 배수 표현에 분모가 필요한 이유다. 독자는 어떤 경쟁 구성이 사용되었는지, 각 접근 방식이 어느 정도의 정확도를 제공했는지, 어떤 하드웨어가 작업을 수행했는지 알아야 한다. 이러한 조건을 제거하면 재현 가능한 연구 주장은 실질적 의미가 거의 없는 숫자로 바뀐다.
실험 데이터를 사후 처리하는 것과 실행 중인 계산에 대응하는 것 사이에도 차이가 있다. 후자는 시스템이 정한 마감 시간 안에 결과를 제공해야 한다. 기록된 대규모 측정값 집합을 효율적으로 처리하는 방법이라도 시간 민감한 운영을 위해서는 별도의 평가가 필요하다.
2024년 12월에 발표된 Google's below-threshold error correction은 유용한 역사적 참고 사례를 제공한다. 연구진은 부호화된 양자 메모리의 크기를 늘리면서 보호 성능이 향상됐다고 보고했으며, 실시간 디코딩 실험도 함께 수행했다. 논문은 실용적 계산으로 확장하는 과정에 남아 있는 과제도 설명했다.
이 참고 사례는 다른 범주의 증거를 보여 준다. 이는 명시적인 실험 조건에서 작동 중인 양자 메모리에서 관찰된 거동에 관한 것이다. NVIDIA의 디코더 연구는 고전 소프트웨어가 테스트된 워크로드 전반에서 오류 증거를 어떻게 해석하는지에 관한 것이다. 이를 경쟁하는 헤드라인 배수로 비교하면 각각이 실제로 무엇을 측정하는지 가려질 수 있다.
NVIDIA IBM quantum collaboration에서 핵심 과제는 이러한 범주를 연결하는 것이다. 더 나은 디코딩 연구는 궁극적으로 하드웨어, 제어 및 애플리케이션이 함께 작동하는 시스템에 정보를 제공해야 한다. 구성 요소의 개선이 통합 후에도 자동으로 이점을 유지하는 것은 아니므로, 각 연결에는 증거가 필요하다.
관련 비교를 재현하고 어떤 조건에서 이점이 달라지는지 설명하는 독립적인 평가가 특히 유용할 것이다. 한계를 파악하는 결과는 또 다른 최대 속도 향상 수치보다 엔지니어에게 더 유용할 수 있다. 이를 통해 어떤 곳에 방법을 적용하고 어디에 대안을 유지할지 결정할 수 있다.
제안된 모듈형 아키텍처에도 같은 논리가 적용된다. 프로세서를 연결하면 고립된 디코더 벤치마크로는 답할 수 없는 질문이 생긴다. 연구진은 설계가 확장될 때 지원 연산이 여전히 관리 가능한지를 포함해 전체 구성의 작동 방식을 확립해야 한다.
이러한 한계를 인식하기 위해 소프트웨어 결과를 폄하할 필요는 없다. 신뢰할 수 있는 해석은 더 좁고 실행 가능하다. 연구진은 시험해 볼 가치가 있는 새로운 도구를 확보했다. 유용한 오류 허용 컴퓨팅, 즉 작업 전반에 걸쳐 오류로부터 보호되는 계산에 관한 주장은 더 폭넓은 증거 축적을 필요로 한다.
따라서 이 발표는 연구 도구 체계와 협업 구조를 변화시킨다. 이러한 변화가 신뢰할 수 있는 과학 시스템으로 이어질지는 여전히 실험적으로 확인해야 할 문제다.
하이브리드 애플리케이션은 통합을 측정 가능하게 만든다
애플리케이션 결과는 연구진이 전체 워크플로가 무엇을 기여했는지와 비교에서 무엇을 동일하게 유지했는지를 설명할 때 의미를 갖는다.
IBM의 관련 quantum workflow integration 발표는 컴퓨팅 작업과 자원을 스케줄링하는 소프트웨어인 Slurm 관련 작업을 설명한다. IBM의 Quantum Resource Management Interface는 양자 자원을 이러한 스케줄링 방식과 연결한다. 의도된 이점은 익숙한 컴퓨팅 센터 절차 내에서 양자 및 고전 작업을 관리하는 것이다.
이는 디코더 결과 및 제안된 Fermilab 플랫폼과는 별개의 지원 인프라다. 그 관련성은 연구자가 답을 받기 전에 애플리케이션이 자원을 확보하고 워크플로를 거쳐야 한다는 점에 있다. 더 쉬운 오케스트레이션은 기초 과학적 정확도를 바꾸지 않으면서 운영상의 마찰을 줄일 수 있다.
컴퓨팅 센터 운영자에게 이는 프로세서 비교와는 다른 평가 과제를 만든다. 이들은 자원 할당이 어떻게 작동하는지, 장애가 어떻게 보고되는지, 사용자가 자신의 작업을 어떻게 점검할 수 있는지 이해해야 한다. 기술적으로 유망한 애플리케이션도 사람들이 반복할 수 있는 운영 프로세스를 여전히 필요로 한다.
구체적인 과학 사례는 IBM, RIKEN, NVIDIA가 철-황 분자 클러스터를 대상으로 수행한 연구에서 찾을 수 있다. 연구팀의 hybrid chemistry calculations는 양자 생성 샘플과 고전 계산을 결합한다. 이 사전 공개 논문은 계산의 초기 근사를 바꾸자 결과 에너지 추정치가 크게 개선됐다고 보고한다.
이 발견이 유용한 이유는 워크플로의 구성에 주목하게 하기 때문이다. 양자 장치는 더 큰 방법론의 일부로 참여하며, 장치 외부의 선택이 최종 결과에 영향을 미친다. 하드웨어만 평가한다면 개선의 원인 중 일부를 놓치게 된다.
이는 또한 애플리케이션 비교에 주의가 필요한 이유를 보여 준다. 하이브리드 방법의 이전 버전보다 개선됐다는 것은 해당 방법 내부의 진전을 입증한다. 이용 가능한 최선의 고전적 접근 방식보다 우위가 있음을 입증하려면 목표를 맞추고 자원 사용을 적절히 계산한 별도의 비교가 필요하다.
기업 연구팀에게 이 구분은 파일럿을 어떻게 구성해야 하는지에 영향을 미친다. 파일럿은 과학적 실현 가능성, 운영 요건 또는 잠재적 성능을 조사할 수 있다. 이를 별개의 질문으로 다루면 결과를 더 쉽게 해석할 수 있고 상업적 결론을 성급하게 주장해야 한다는 압박도 줄어든다.
따라서 관련 구매자는 일반 컴퓨팅을 즉시 대체할 제품을 기대하는 사람이 아니라 연구 방향을 선택하거나 인프라를 평가하는 사람이다. 이 발표는 특정 워크플로를 조사할 이유를 제공한다. 관련 없는 비즈니스 애플리케이션이 동일한 하드웨어와 소프트웨어 조합의 혜택을 받을 것이라고 입증하지는 않는다.
문서화는 증거의 일부가 된다. 팀은 소프트웨어 버전, 실험 설정, 기준선 및 변경 사항에 대한 설명을 보존해야 한다. searchable knowledge base는 그러한 기록을 정리하는 데 도움이 될 수 있지만, 기초 실험 산출물은 여전히 필수적이다.
종합하면, 스케줄링과 애플리케이션 작업은 이 협업을 더 쉽게 평가할 수 있게 한다. 이는 개별 기술 개선과 다른 연구자가 실행하고 점검하며 비교할 수 있는 계산 사이의 거리를 드러낸다.
접근성, 재현 및 완전한 워크플로를 주시하라
다음으로 유용한 증거는 연구자가 무엇을 사용할 수 있는지, 다른 이들이 무엇을 재현할 수 있는지, 완전한 애플리케이션 전반에서 무엇이 개선되는지를 보여 줄 것이다.
향후 몇 달 동안 가장 먼저 주시할 신호는 접근성 세부 정보여야 한다. 연구 플랫폼은 운영자가 이용 가능한 자원, 지원 소프트웨어, 참여 사용자 및 실험 실행 절차를 설명할 때 더 구체화된다. 이러한 세부 사항은 협업이 작동하는 연구 환경이 되고 있다는 근거를 강화할 것이다.
그 질문에 대해서는 추가적인 의향 표명이 더 적은 증거를 제공할 것이다. 우선순위를 명확히 할 수는 있지만, 독자는 파트너들이 연구자가 조사할 것이라고 말한 내용과 연구자가 실제로 시험을 시작할 수 있는 내용을 구분해야 한다.
두 번째 신호는 명확히 설명된 조건에서 디코더 결과가 재현되는지다. 외부 팀은 테스트된 문제를 식별하고 기준선을 재현하며, 실행 시간과 정확도를 모두 보고할 수 있어야 한다. 성공적인 재현은 그 비교의 경계 안에서 신뢰를 강화할 것이다.
더 제한적인 이점도 중요하다. 결과가 하드웨어, 구성 또는 요구 정확도에 따라 달라진다면 이는 주장에 대한 실질적 적용 범위를 더 정교하게 만들 것이다. 원래 실험을 무효화하지는 않지만, 개발자가 그 결론을 적용하는 방식은 바뀔 것이다.
세 번째 신호는 신뢰할 수 있는 기준선을 갖춘 완전한 애플리케이션 워크플로다. 연구진은 과학적 목표, 각 컴퓨팅 자원의 기여, 결과 정확도 및 필요한 총 작업량을 설명해야 한다. 이 전체 프로세스에 걸친 개선은 협업의 구성 요소들을 더 설득력 있게 연결할 것이다.
한 단계를 가속하지만 전체 성능은 바뀌지 않는 결과는 더 제한적인 결론을 뒷받침할 것이다. 이는 진전을 식별하고 다음 제약 조건을 드러낼 것이다. 보고가 그 경계를 명확히 한다면, 이 또한 유용한 엔지니어링 증거다.
개발자에게 이러한 신호는 구체적인 읽기 전략을 제시한다. 실험 목표에서 시작해 비교 조건을 점검한 뒤, 그 결과가 검토 중인 시스템에 적용되는지 물어야 한다. 최대 배수는 그 의미가 확립된 후 평가의 끝부분에 놓여야 한다.
기업 구매자에게도 같은 접근 방식은 연구 참여와 구매 결정을 구분한다. 실험 플랫폼에 대한 접근은 전문성을 구축하고 가정을 시험하는 데 도움이 될 수 있다. 프로덕션 사용에 대한 약속에는 관련 애플리케이션과 운영 환경에 관한 증거가 필요하다.
다른 기술 사용자에게 이 발표만으로 일상적인 AI 도구가 바뀔 것이라고 기대할 근거는 없다. 즉각적인 의미는 과학 컴퓨팅 연구와 미래 양자 시스템을 평가하는 데 필요한 인프라에 있다.
NVIDIA IBM quantum collaboration은 독자에게 하나의 종착점이 아니라 추적할 만한 유용한 주장들의 집합을 제공한다. 제안된 플랫폼이 접근 가능해지는지, 독립 팀이 관련 디코딩 성능 향상을 재현하는지, 완전한 애플리케이션이 신뢰할 수 있는 대안과 비교해 개선되는지를 추적하라. 향후 업데이트를 비교할 때는 소프트웨어 결과와 아키텍처 계획을 분리해서 보라. 각 벤치마크는 정확도 목표와 기준선을 함께 살펴본 다음, 그러한 세부 사항을 유용한 과학적 답변과 연결하는 실험을 찾아야 한다. 완전한 워크플로 중 어느 부분이 개선됐으며, 다른 팀이 유사한 조건에서 그 개선을 검증할 수 있는가? 이것이 다음 발표까지 가져가야 할 질문이다.



