Partnerstwo CERN i Mistral stawia na wspólny model fizyki zderzeń

CERN i Mistral ogłosiły 15 października 2026 roku list intencyjny, który stawia wspólny model fizyki obok wyspecjalizowanych algorytmów stosowanych w tej dziedzinie. Partnerstwo CERN i Mistral ma na celu opracowanie Large Physics Model trenowanego na miliardach symulowanych zderzeń proton-proton. Ta ambicja rodzi konkretne pytanie: jak dużą część rekonstrukcji cząstek można oprzeć na wspólnie wyuczonej bazie, nie tracąc naukowej precyzji?

Proponowane podejście opiera się na modelach fundamentalnych, czyli systemach wstępnie trenowanych, które badacze mogą dostosowywać do różnych zadań. Wcześniejsze projekty, w tym OmniJet-α i OmniLearned, już badały ten kierunek w fizyce cząstek. Ogłoszenie wnosi instytucjonalne partnerstwo do istniejącego nurtu badawczego, z ambicjami obejmującymi cały proces rekonstrukcji.

Dla deweloperów i zespołów obliczeń naukowych kluczowe napięcie dotyczy wspólnych możliwości i wyspecjalizowanej kontroli. Ponowne wykorzystanie modelu zapowiada ograniczenie powtarzalnej pracy rozwojowej. System obsługujący kilka zadań naukowych potrzebuje jednak także przekonujących dowodów dotyczących źródeł błędów, sposobu ich rozprzestrzeniania się oraz tego, czy badacze potrafią odtworzyć jego wyniki.

Co partnerstwo CERN i Mistral faktycznie uruchamia

Ogłoszenie wyznacza kierunek badań i zapowiada partnerstwo, a nie przedstawia ukończony model ani wdrożenie.

Ogłoszenie CERN dotyczące modelu fizycznego opisuje początkowe skupienie na fizyce wysokich energii, czyli badaniu materii poprzez energetyczne oddziaływania cząstek. Proponowane zastosowania obejmują rekonstrukcję zderzeń, identyfikację cząstek, wykrywanie nietypowych sygnałów oraz projektowanie przyszłych detektorów. CERN wnosi wiedzę z zakresu fizyki, danych i obliczeń; Mistral — doświadczenie w trenowaniu modeli na dużą skalę.

Zastosowania te obejmują różne decyzje naukowe. Rekonstrukcja przekształca pomiary detektorów w szacunki tego, co wydarzyło się podczas zderzenia. Identyfikacja cząstek pomaga badaczom interpretować te szacunki. Poszukiwanie nietypowych sygnałów sprawdza, czy obserwacje zasługują na dalsze badanie, natomiast projektowanie detektorów dotyczy instrumentów, które nie zostały jeszcze zbudowane.

Objęcie tych zastosowań wspólnym modelem jest ambitnym wyborem badawczym. Sukces w jednym zastosowaniu dostarczyłby użytecznych dowodów, ale nie potwierdzałby automatycznie przydatności w pozostałych. Model, który dokładnie rozpoznaje znane wzorce, nadal wymaga osobnej oceny, gdy badacze oczekują od niego oznaczania nieznanych.

Oświadczenie pozostawia również bez odpowiedzi kwestie praktyczne. Ogłoszenie nie określa daty udostępnienia modelu, liczby parametrów, budżetu treningowego ani architektury wdrożenia. Nie przesądza też, czy badacze spoza partnerstwa otrzymają modele do pobrania, dostęp przez usługę czy inną formę dystrybucji.

Te braki określają obecny zakres ogłoszenia. Czytelnicy mogą ocenić proponowany kierunek, nie traktując każdej decyzji wdrożeniowej jako przesądzonej. List intencyjny komunikuje organizacyjne zobowiązanie do zbadania współpracy; sam w sobie nie dostarcza dowodów potrzebnych do oceny systemu obliczeń naukowych.

Dla zewnętrznych deweloperów bezpośrednia konsekwencja ma zatem charakter informacyjny. Istnieje nazwany program do śledzenia, z określonymi zastosowaniami i uczestniczącymi instytucjami. Nie ma jeszcze wystarczających publicznych szczegółów technicznych, by planować integrację, szacować wymagania operacyjne lub porównywać proponowany model z istniejącym procesem pracy.

Warto odróżniać zamierzoną funkcjonalność od dostępnej funkcjonalności. Rozróżnienie to ma szczególne znaczenie, gdy proponowany system obejmuje kilka etapów pracy naukowej. Każde kolejne zastosowanie zwiększa wagę udokumentowania tego, co model faktycznie otrzymuje, przewiduje i pozostawia innemu oprogramowaniu.

Znaczenie partnerstwa wynika z tego zakresu. Tworzy ono warunki, w których przemysłowa wiedza o trenowaniu modeli i wymagania fizyki eksperymentalnej mogą kształtować ten sam projekt. To, czy zaowocuje użyteczną wspólną podstawą, zależy od decyzji i wyników, które będą musiały wyjaśnić kolejne publikacje techniczne.

Modernizacja zderzacza wywiera presję na zespoły rekonstrukcyjne

Nadchodzący wzrost złożoności eksperymentów nadaje badaniom nad wspólnym modelem konkretny cel operacyjny.

Program CERN High-Luminosity LHC zakłada dziesięciokrotnie większą zintegrowaną świetlność niż w pierwotnym projekcie, czyli większą łączną liczbę okazji do zderzeń w czasie. CERN obecnie oczekuje, że zmodernizowany akcelerator rozpocznie pracę około 2030 roku. Harmonogram ten daje zespołom programistycznym praktyczny powód, by badać takie podejścia przed nadejściem przyszłych wymagań eksperymentalnych.

Presja dotyczy zespołów odpowiedzialnych za to, by pomiary nadawały się do użycia. Większa liczba okazji do zderzeń jest wartościowa tylko wtedy, gdy badacze potrafią przetwarzać obserwacje, oceniać ich jakość i wyciągać wiarygodne wnioski. Decyzje obliczeniowe wpływają więc na to, jaką wartość naukową eksperyment może uzyskać ze swoich instrumentów.

Istotne ograniczenie wykracza poza wynik dokładności modelu. Zespoły muszą uwzględniać także czas przetwarzania, wymagania pamięciowe, utrzymanie oraz nakład pracy potrzebny do walidacji zmian. Podejście poprawiające prognozy kosztem niepraktycznych zasobów stanowi inną propozycję niż takie, które usprawnia cały proces pracy.

Rozważmy zespół rekonstrukcyjny oceniający komponent zastępczy. Pierwsze pytanie dotyczy tego, czy komponent prawidłowo realizuje przypisane mu zadanie. Kolejne dotyczą zgodności z otaczającym oprogramowaniem, zachowania w zmieniających się warunkach oraz wysiłku potrzebnego do zbadania nieoczekiwanych wyników.

Wspólna podstawa dodaje kolejny wymiar do tej oceny. Ulepszenia wyuczone dla jednego zadania mogą przynieść korzyści zadaniom pokrewnym, ograniczając powtarzalną pracę rozwojową. Z drugiej strony zmiana wspólnego modelu może wymagać od kilku zespołów ponownego przeprowadzenia walidacji. Ponowne wykorzystanie może zmniejszać dublowanie pracy, jednocześnie zwiększając potrzebę koordynacji.

Dlatego partnerstwo zasługuje na uwagę deweloperów oprogramowania naukowego. Poddaje analizie organizację rozwoju modeli, obok samego modelu. Wspólna podstawa wpłynęłaby na to, kto utrzymuje wspólne zachowanie, kto zatwierdza aktualizacje i kto decyduje, kiedy nowa wersja jest gotowa.

Dla Mistral proponowana współpraca tworzy także wymagające środowisko do oceny doświadczenia w trenowaniu modeli. Użyteczność naukowa wymaga czegoś więcej niż generowania przekonujących wyników. Badacze potrzebują rezultatów wspierających pomiar, weryfikację i powtarzalną analizę, z ograniczeniami opisanymi wystarczająco jasno, by inni mogli je ocenić.

Presja ma przede wszystkim charakter techniczny i organizacyjny. Nie trzeba tworzyć wizji natychmiastowej rywalizacji handlowej między dostawcami AI, by ją wyjaśnić. Istniejące zespoły rekonstrukcyjne już stoją przed istotną decyzją: które części ich procesów pracy skorzystają ze wspólnego uczenia, a które nadal uzasadniają dedykowane podejście?

Decyzja ta wpływa także na planowanie zakupów i infrastruktury. Przed zaangażowaniem zasobów instytucje powinny odróżnić badania eksploracyjne od wspieranej zależności. Obiecujący prototyp może uzasadniać eksperyment. System osadzony w rutynowej analizie wymaga jaśniejszego określenia odpowiedzialności, dokumentacji i oczekiwań dotyczących jego dalszej dostępności.

Szersza lekcja dla AI w nauce jest praktyczna. Rozwój modeli zyskuje mocniejszy cel, gdy łączy się z określoną potrzebą eksperymentalną. Tutaj program akceleratora zapewnia ten kontekst, pozostawiając badaczom obowiązek ustalenia, czy proponowane podejście programistyczne go spełnia.

Wspólny model mierzy się z łańcuchem specjalistów

Główny zakład architektoniczny polega na tym, że powiązane zadania fizyczne mogą skorzystać na uczeniu wspólnej reprezentacji.

Reprezentacja to wewnętrzne kodowanie przez model użytecznych wzorców w danych wejściowych. Dzielenie tej reprezentacji stanowi alternatywę wobec opracowywania każdego zadania całkowicie osobno. Partnerstwo CERN i Mistral czyni ten wybór szczególnie istotnym, ponieważ jego proponowane zastosowania obejmują różne interpretacje powiązanych informacji o zderzeniach.

Atrakcyjność tego rozwiązania łatwo zrozumieć na przykładzie hipotetycznego procesu rekonstrukcji. Załóżmy, że osobne komponenty uczą się wzorców na podstawie podobnych informacji z detektorów. Wspólna podstawa mogłaby nauczyć się części tych wzorców raz, a następnie wspierać adaptacje specyficzne dla zadań. Fine-tuning, czyli dodatkowy trening dla konkretnego zastosowania, połączyłby wspólną podstawę z węższym celem.

Ta możliwość nie dowodzi, że każdy etap powinien korzystać z tego samego mechanizmu. Niektóre zadania mogą czerpać korzyści ze wspólnych cech, podczas gdy inne wymagają wyspecjalizowanych danych wejściowych lub celów. Wiarygodna architektura powinna wyjaśniać te granice, zamiast traktować jednolitość jako cel sam w sobie.

Porównanie musi także zachować mocne strony wyspecjalizowanego oprogramowania. Dedykowany komponent ma określoną odpowiedzialność, co pomaga deweloperom izolować zmiany i analizować awarie. Jeśli jego wynik się zmienia, zespoły mogą zbadać ten komponent bez zakładania, że cały proces pracy wymaga ponownego rozważenia.

Wspólny model zmienia ten układ. Aktualizacja mająca poprawić identyfikację cząstek może również zmienić zachowanie w innych miejscach. Taka interakcja wymagałaby starannego testowania, nawet jeśli średni wynik by się poprawił. Badacze muszą wiedzieć, czy zyski są szeroko rozłożone, czy skupione w łatwiejszych przypadkach.

Ujemny transfer, czyli sytuacja, w której wspólne uczenie zadań szkodzi pojedynczemu zadaniu, jest użyteczną możliwością do przetestowania. Nie należy przedstawiać go jako wykazanej wady tego projektu. Zamiast tego daje on oceniającym konkretne pytanie: czy wspólny trening pomaga każdemu zamierzonemu zastosowaniu w istotnych warunkach?

To samo rozumowanie dotyczy efektywności. Ponowne wykorzystanie treningu może ograniczyć część dublowanej pracy, lecz powstały model nadal ma wymagania operacyjne. Uczciwe porównanie powinno uwzględniać wysiłek związany z adaptacją, wykonaniem i walidacją, zamiast wybierać etap, który przedstawia dane podejście w najkorzystniejszym świetle.

Proponowany Large Physics Model powinien zatem zostać poddany kilku rodzajom porównań. Należy ocenić go względem metod dedykowanych, prostszych wspólnych alternatyw oraz jego własnych komponentów. Badanie ablacyjne, czyli eksperyment usuwający wybrane cechy, pomogłoby określić, które decyzje projektowe przynoszą zgłaszaną korzyść.

Dla deweloperów spoza fizyki jest to rozpoznawalny problem architektoniczny. Wspólna infrastruktura ogranicza powtarzalność, ale tworzy wspólne zależności. Użyteczne pytanie dotyczy tego, gdzie współdzielenie poprawia cel systemu, a nie jak wiele oprogramowania można umieścić za wspólnym interfejsem.

To rozróżnienie utrzymuje analizę w konkretnych ramach. Ogłoszenie opisuje ambicję badawczą, podczas gdy argument architektoniczny pozostaje czymś, co należy ustalić eksperymentalnie. Mocne dowody wyjaśniałyby zarówno, gdzie wspólne podejście działa, jak i gdzie zachowanie specjalistycznego rozwiązania pozostaje lepszą decyzją inżynieryjną.

Wcześniejsze modele fizyczne komplikują narrację o pierwszeństwie

Istniejące badania zapewniają partnerstwu naukowy punkt wyjścia i wymagają ostrożności w twierdzeniach o byciu pierwszym.

Artykuł z 2024 roku dotyczący międzyzadaniowego modelu fizyki przedstawił OmniJet-α. Jego autorzy opisali transfer uczenia między generowaniem dżetów cząstek a ich klasyfikacją. Dżet to skupiona struga cząstek powstająca w oddziaływaniach wysokoenergetycznych. Praca ta już badała, czy uczenie dla jednego zadania fizycznego może przynosić korzyści w innym.

Zakres ma znaczenie. Wykazanie transferu między zadaniami związanymi z dżetami nie oznacza całkowitego zastąpienia rekonstrukcji zderzeń. Pokazuje jednak, dlaczego czytelnicy powinni odróżniać szerokie ambicje instytucjonalne od pierwszych badań nad modelami fundamentalnymi w fizyce zderzaczy.

OmniLearned dostarcza kolejnego istotnego punktu odniesienia. Jego ramy dla fizyki dżetów, po raz pierwszy zgłoszone w październiku 2025 roku, a następnie poprawione, opisują trening na ponad miliardzie dżetów. Autorzy przedstawiają ewaluacje obejmujące klasyfikację cząstek i wykrywanie anomalii, czyli poszukiwanie obserwacji odbiegających od oczekiwanych wzorców.

Autorzy ci raportują dobre wyniki w wybranych zadaniach. Ich ustalenia stanowią dowody badawcze w warunkach, które analizowali, a nie uniwersalny ranking zastosowań zderzaczowych. Porównanie nowego partnerstwa z tą pracą będzie wymagało dopasowania definicji zadań, danych i procedur ewaluacji.

Tworzy to użyteczne rozróżnienie między precedensem naukowym a rozwojem organizacyjnym. Wcześniejsze badania analizują konkretne metody i zastosowania. Komunikat CERN opisuje planowaną współpracę wokół szerszego programu modelowego. Oba aspekty mogą mieć znaczenie, bez konieczności usuwania wcześniejszych prac z tej historii.

Dlatego określenie przez CERN jego ambicji jako pierwszego modelu fundamentalnego dla fizyki zderzaczy wymaga przypisania źródła i doprecyzowania zakresu. Opublikowane precedensy utrudniają utrzymanie nieograniczonej interpretacji „pierwszego w historii”. Jaśniejszy opis techniczny powinien precyzyjnie wyjaśniać, jaka kombinacja danych wejściowych, zadań lub etapów rekonstrukcji wyróżnia proponowany projekt.

Odrebne porównanie oferuje program naukowych modeli fundamentalnych AuroraGPT w Argonne National Laboratory. Argonne opisuje projekt łączący rozwój modeli z naukowymi przepływami pracy, ewaluacją, wydajnością obliczeniową i infrastrukturą wspierającą. Jego zakres różni się od rekonstrukcji zderzeń, ale ilustruje szersze instytucjonalne zainteresowanie AI dla nauki.

Porównanie nie oznacza, że AuroraGPT i projekt CERN są wymiennymi konkurentami. Odpowiadają na różne potrzeby. Pokazuje jednak, że programy modeli naukowych wymagają czegoś więcej niż samego treningu, w tym metod oceny użyteczności i wsparcia badaczy zależnych od powstających systemów.

Dla inicjatywy CERN wcześniejsze prace stanowią potencjalne punkty porównawcze, a nie kłopot, który należy wyjaśnić. Dobra publikacja techniczna powinna wskazać istotne precedensy, opisać, co dziedziczy, i przetestować, co zmienia. Ułatwiłoby to społeczności naukowej ocenę wkładu.

Czytelnicy powinni zatem śledzić genealogię badań równie uważnie jak nazwy instytucji. Najbardziej wartościowym rozwojem byłby wynik wyjaśniający wcześniej nierozwiązany problem. Szerokie twierdzenie o nowości daje mniej wskazówek niż odtwarzalne wyjaśnienie, która zdolność uległa poprawie i w jakich warunkach.

Wiarygodność naukowa zależy od tego, czego trening nie może zagwarantować

Trening na dużą skalę sam w sobie nie dowodzi, że model nadaje się do pomiarów naukowych.

Proponowane wykorzystanie symulowanych zderzeń czyni walidację kwestią kluczową. Symulacja tworzy przykłady przy określonych założeniach, oferując kontrolowane środowisko do uczenia i ewaluacji. W przypadku każdego późniejszego zastosowania pytanie dotyczy tego, jak dobrze wydajność przenosi się na obserwacje różniące się od tych założeń.

Problem ten często nazywa się przesunięciem domeny — różnicą między warunkami użytymi podczas rozwoju a tymi napotykanymi podczas użytkowania. W tym projekcie ewaluatorzy powinni pytać, które zmiany mają znaczenie, jak są wykrywane i co dzieje się, gdy model napotyka nieznany przypadek.

To wymóg ewaluacyjny, a nie dowód, że proponowane podejście zawiodło. Publiczny komunikat nie przedstawia wyników, na podstawie których można byłoby wyciągnąć taki wniosek. Sceptycyzm jest bardziej użyteczny, gdy wskazuje eksperyment potrzebny do rozstrzygnięcia niepewności, niż gdy z góry zakłada odpowiedź.

Kalibracja niepewności to kolejny istotny wymóg: raportowana pewność powinna odpowiadać obserwowanej wiarygodności. Predykcja może być użyteczna, pozostając niepewna, pod warunkiem że użytkownicy dalszych etapów rozumieją tę niepewność. Pewnie błędny wynik stanowi inny problem, ponieważ może wprowadzać w błąd decyzje dotyczące tego, co zasługuje na dalsze zbadanie.

Badacze powinni również analizować wydajność poza ogólną średnią. Wynik zbiorczy może ukrywać słabsze zachowanie w nietypowych warunkach lub w mniej częstych przykładach. Ewaluacja naukowa powinna uwidaczniać te różnice, szczególnie gdy zamierzone zastosowanie obejmuje identyfikowanie zdarzeń odbiegających od znanych wzorców.

Program ewaluacji modeli naukowych w Argonne oferuje istotne odniesienie metodologiczne. Jego zespół łączy benchmarki, zadania badawcze w stylu laboratoryjnym, badania rzeczywistego użycia w nauce oraz prace związane z niepewnością. Podejścia te pokazują, dlaczego pojedynczy wynik nie może odpowiedzieć na każde pytanie dotyczące użyteczności naukowej.

Dostęp i odtwarzalność wprowadzają kolejny zestaw decyzji. Badacze oceniający wspólny model skorzystaliby na jasnej dokumentacji danych treningowych, procedur ewaluacji, wersji i znanych ograniczeń. Bez takiego zapisu zmieniony wynik staje się trudniejszy do zinterpretowania, nawet gdy bazowy model jest technicznie zaawansowany.

Problem przeszukiwalnej bazy wiedzy jest tutaj istotny jako praktyka inżynierska. Zespoły muszą być w stanie odnaleźć założenia i decyzje związane z wynikiem. Porządkowanie tych zapisów wspiera badanie, chociaż sama dokumentacja nie może ustalić, że predykcja naukowa jest poprawna.

Warunki dystrybucji mają znaczenie z podobnych powodów. Dostęp przez usługę hostowaną tworzy inne zależności niż dostęp do plików modelu do pobrania. Żaden z tych modeli udostępniania nie przesądza automatycznie o jakości naukowej. Kluczowe pytania dotyczą tego, czy badacze mogą zachować wersję, zrozumieć jej zachowanie i powtórzyć analizę, gdy jest to wymagane.

Dostępne dziś dowody wspierają ambicję badawczą, a nie ocenę wiarygodności. Przyszłe publikacje powinny określać, które twierdzenia zostały zmierzone, które pozostają celami, a które zastosowania wykraczają poza wykazany zakres modelu. Takie rozróżnienia pomogłyby potencjalnym użytkownikom zdecydować, gdzie eksperymentowanie jest uzasadnione.

Trzy sygnały pokażą, jak rozwija się partnerstwo

Kolejnymi użytecznymi oznakami będą zdefiniowany program, porównywalne dowody techniczne oraz praktyczna ścieżka uczestnictwa dla badaczy.

Pierwszym sygnałem będzie bardziej szczegółowy model realizacji. W nadchodzących miesiącach warto obserwować nazwane strumienie prac, zakresy odpowiedzialności i kamienie milowe. Ramy oddzielające eksperymenty badawcze od planowanych zastosowań operacyjnych ułatwiłyby ocenę postępów bez zakładania harmonogramu wydania, którego nie ogłoszono.

Takie szczegóły wzmocniłyby argument, że deklaracja intencji staje się programem możliwym do realizacji. Wyjaśniłyby również, które organizacje odpowiadają za decyzje dotyczące treningu, ewaluacji i integracji. Jeśli odpowiedzialności te pozostaną nieokreślone, zewnętrzni czytelnicy powinni zachować węższą interpretację dojrzałości partnerstwa.

Drugim sygnałem będzie publikacja techniczna zawierająca znaczące porównania. Najsilniejsze dowody porównywałyby wspólne uczenie ze specjalizowanymi podejściami w jasno określonych zadaniach. Powinna ona wyjaśniać podział danych, wymagania dotyczące zasobów i wyniki w istotnych warunkach, pozwalając czytelnikom dostrzec zarówno poprawę, jak i pozostałe słabości.

Stanowiłoby to bezpośredni test centralnego pytania artykułu o wspólne fundamenty i specjalizowaną kontrolę. Spójne korzyści w kilku zastosowaniach wzmocniłyby argument architektoniczny. Mieszane wyniki nadal byłyby pouczające, gdyby ujawniły, gdzie współdzielenie działa, a gdzie dedykowany komponent pozostaje lepszym wyborem.

Imponująca demonstracja byłaby mniej rozstrzygająca, gdyby jej porównanie pomijało istotne koszty operacyjne lub opierało się na niedopasowanych zadaniach. Czytelnicy powinni przeanalizować konfigurację eksperymentu przed interpretacją twierdzenia o wydajności. Odpowiednim standardem jest to, czy dowody wspierają zamierzone zastosowanie naukowe.

Trzecim sygnałem będzie konkretna polityka uczestnictwa i dostępu. Warto obserwować dokumentację wyjaśniającą, kto może oceniać system, jakie materiały staną się dostępne i jak będą utrzymywane wersje. Decyzje te określą, czy zewnętrzni badacze mogą bezpośrednio badać podejście, czy też muszą polegać na opublikowanych opisach.

Odtwarzalny pakiet ewaluacyjny wzmocniłby zaufanie do zdolności programu do wspierania szerszej kontroli. Ograniczony dostęp nie dowodziłby słabej wydajności, lecz ograniczałby niezależną ocenę. Wpływ na adopcję zależałby od tego, którzy badacze mogliby uzyskać informacje wymagane przez ich pracę.

Żaden z tych sygnałów nie wymaga ukończenia uniwersalnego modelu w ciągu najbliższych kilku miesięcy. Wczesne postępy mogą być węższe, a mimo to merytoryczne. Starannie udokumentowany wynik w określonym zadaniu dostarczyłby więcej dowodów niż rozszerzona lista zastosowań bez towarzyszących eksperymentów.

Czytelnicy śledzący partnerstwo CERN i Mistral powinni zacząć od twierdzeń badawczych, które mogą faktycznie przeanalizować. Porównajcie proponowany zakres z OmniJet-α i OmniLearned, a następnie zapytajcie, czy kolejne wyniki odnoszą się do szerszego problemu w porównywalnych warunkach. Jeśli tworzycie oprogramowanie naukowe, określcie, który komponent własnego przepływu pracy skorzystałby ze wspólnego uczenia, a który wymagałby silniejszej izolacji. Jeśli oceniacie infrastrukturę badawczą, szukajcie zachowania wersji, odtwarzalnych testów i jasno określonych obowiązków utrzymaniowych. Zachowajcie te pytania przy każdym nowym komunikacie, zamiast pozwalać, by prestiż instytucjonalny odpowiadał na nie za was. Gdy pojawią się pierwsze dowody techniczne, oceńcie konkretne zadanie, które wspierają, oraz decyzje, które pozostawiają nierozstrzygnięte.