Claude pomaga zdiagnozować problem ze smogiem w Jeepie z 1994 roku
Według relacji Muhammada Zulaliego diagnostyka Jeepa z Claude pomogła mu zbadać jego Cherokee z 1994 roku po kolejnych nieudanych kalifornijskich testach smogowych. Połączył komputer silnika pojazdu z laptopem przez Arduino Nano, niewielką programowalną płytkę elektroniczną. Claude dostarczał wskazówek diagnostycznych, a Codex zajmował się kodowaniem. Zulali podaje, że Jeep ostatecznie przeszedł kontrolę.
Taki wynik stanowi atrakcyjną historię sukcesu AI, lecz składa się na niego kilka odrębnych osiągnięć. Odczyt starego komputera, interpretacja jego pomiarów, zmiana jego zachowania i naprawa problemu z emisjami wymagają różnych dowodów. Zgłoszone zaliczenie kontroli nie dowodzi, że każda wcześniejsza diagnoza była trafna.
Główne napięcie dotyczy dostępu kontra zrozumienie. Agenci programistyczni mogą pomóc właścicielom dotrzeć do informacji ukrytych za nieznanymi interfejsami, ale ten dostęp naraża ich również na mylące odczyty i istotne błędy. Eksperyment Zulaliego stanowi konkretny przykład obu stron, nie dowodząc jednak, że AI może zastąpić wiedzę specjalistyczną z zakresu motoryzacji.
Diagnostyka Jeepa z Claude zaczęła się od braku widoczności
Bezpośrednim problemem była awaria testu emisji związana z tlenkami azotu, powszechnie nazywanymi NOx — grupą zanieczyszczeń mierzonych podczas testów emisji. Według Tom’s Hardware początkowe regulacje nie rozwiązały problemu i pogorszyły późniejsze wyniki. Zulali potrzebował lepszego wglądu w zachowanie silnika, zanim podjął kolejne decyzje.
Relacja publikacji z 13 listopada opisuje drogę od podłączenia laptopa przez zbieranie pomiarów po badanie komputera silnika. Przypisuje ona ostateczny sukces w teście smogowym projektowi Zulaliego. Nadal jest to zgłoszony wynik, a nie niezależnie odtworzone ustalenie. Eksperyment ze smogiem w Jeepie obejmował również eksperymentalne prace nad sterowaniem, wykraczające poza sam odczyt pomiarów.
Istotną zmianą była możliwość badania pojazdu przez właściciela za pośrednictwem interfejsu programowego, który mógł analizować i rozbudowywać.
Zmienia to charakter rozwiązywania problemów. Bez pomiarów regulacja może stać się zgadywaniem, po którym następuje kolejna kontrola. Dzięki zapisanym obserwacjom właściciel może zadawać bardziej konkretne pytania o to, co wydarzyło się przed objawem, w jego trakcie i po nim.
Pytania te nadal wymagają technicznie poprawnych odpowiedzi. Komputer silnika przekazuje własny obraz stanu pojazdu, co nie wyjaśnia automatycznie, dlaczego kontrola zakończyła się niepowodzeniem. Dostęp do oprogramowania dostarcza dowodów do badania; sam nie rozstrzyga badania.
Rozróżnienie to ma znaczenie, ponieważ nagłówek sprowadza złożoną sekwencję do prostego wyniku. „AI pomogła Jeepowi przejść test” opisuje relację właściciela. Nie rozstrzyga, która interwencja miała największe znaczenie, które pomysły zawiodły ani czy końcowa konfiguracja pozostała później właściwa.
Przekonująca ocena powinna połączyć pierwotną awarię, działającą diagnozę, faktyczną interwencję i późniejszy wynik kontroli. Każde takie połączenie wzmacnia wyjaśnienie. Brakujące połączenia pozostawiają miejsce na alternatywne wyjaśnienia, nawet gdy właściciel rzetelnie zgłasza końcowe zaliczenie.
Istnieje też różnica między jednokrotnym uzyskaniem połączenia a stworzeniem niezawodnego narzędzia diagnostycznego. Udany eksperyment potwierdza, że określona ścieżka zadziałała w konkretnych warunkach. Niezawodne narzędzie potrzebuje jasnych granic, zrozumiałych awarii i wyników, które inni mogą sprawdzić.
Dla czytelników śledzących agentów AI do programowania to właśnie to zdarzenie warto przeanalizować. Projekt wykroczył poza generowanie tekstu o problemie motoryzacyjnym. Stworzył interfejs, za pomocą którego właściciel mógł zbierać dowody bezpośrednio z maszyny.
To twierdzenie bardziej konkretne niż stwierdzenie, że AI naprawiła samochód. Jest też bardziej użyteczne. Wskazuje, gdzie oprogramowanie wniosło wkład, zachowując rolę pracy fizycznej, interpretacji i zewnętrznej kontroli.
Dostępny interfejs nadal wymaga poprawnej interpretacji
Moduł sterowania silnikiem, czyli ECU, to komputer odpowiedzialny za zarządzanie pracą silnika. Podłączenie do niego tworzy kanał komunikacyjny, lecz znaczenie jego komunikatów pozostaje odrębnym problemem. Strumień liczb staje się użyteczny tylko wtedy, gdy interpretacja odpowiada konkretnemu komputerowi.
W tym miejscu diagnostyka Jeepa z Claude staje się ciekawsza niż opowieść o podłączeniu laptopa do starego pojazdu. Trudna ocena dotyczy tego, czy dostępne dowody rzeczywiście potwierdzają proponowane wyjaśnienie. Wiarygodnie brzmiąca interpretacja może skierować właściciela ku niewłaściwemu komponentowi lub niepotrzebnej regulacji.
Czytelny pomiar zasługuje na mniejsze zaufanie niż pomiar, którego znaczenie zostało niezależnie zweryfikowane.
Rozważmy różnicę między otrzymaniem wartości temperatury a zaufaniem jej. Oprogramowanie musi zidentyfikować właściwy komunikat, zinterpretować jego zawartość i przedstawić wynik w zrozumiałych jednostkach. Błąd w dowolnym miejscu tego łańcucha może stworzyć przekonujący wyświetlany wynik.
Sam ekran zapewnia niewielką ochronę przed tym problemem. Dopracowany wykres może równie schludnie przedstawiać błędną interpretację jak poprawną. Wyjaśnienie wygenerowane przez AI może następnie sprawić, że wykres zabrzmi bardziej autorytatywnie, nie dodając niezależnych dowodów.
Tworzy to znaną pułapkę dla programistów wchodzących w świat systemów fizycznych. Kod, który uruchamia się pomyślnie, może nadal przedstawiać błędny model urządzenia. Brak błędu oprogramowania nie dowodzi obecności trafnej diagnozy.
Badanie motoryzacyjne wymaga więc kontroli wykraczających poza własne wyjaśnienie agenta. Odczyt powinien być zgodny z odpowiednią dokumentacją, znanymi warunkami pracy albo innym właściwym pomiarem. Niezgodność powinna uruchamiać badanie, a nie bardziej rozbudowaną narrację broniącą pierwotnej odpowiedzi.
To samo rozumowanie dotyczy kodów usterek, czyli komunikatów wskazujących warunki wykryte przez komputer. Kod może zawęzić poszukiwania, nie wskazując jednak podstawowej przyczyny. Traktowanie każdego kodu jako bezpośredniej instrukcji wymiany czegoś pomija pracę diagnostyczną.
Najbardziej wiarygodna wersja tego procesu pozwala agentowi być w sposób widoczny w błędzie. Zachowuje surowe obserwacje, zapisuje założenia i utrzymuje otwarte konkurencyjne wyjaśnienia, dopóki dowody ich nie rozdzielą. Takie podejście ułatwia identyfikowanie błędów i zmniejsza prawdopodobieństwo, że zostaną wbudowane w późniejsze decyzje.
Wyjaśnia również, jaki wkład wnosi agent programistyczny. Agent może pomóc stworzyć oprogramowanie, które zbiera i organizuje informacje. To, czy te informacje ustanawiają mechaniczną przyczynę, pozostaje pytaniem o pojazd i dowody.
Użytecznym porównaniem jest sesja debugowania dotycząca nieznanej usługi programowej. Logi pomagają, lecz komunikat dziennika może być niepełny albo mylący. Badacz nadal musi zrozumieć, który komponent go wygenerował i jakie warunki przedstawia.
Historia Jeepa przenosi to rozróżnienie do środowiska, w którym interpretacja wpływa na rzeczywiste urządzenie. Lepszy dostęp zwiększa możliwość uczenia się, ale także wagę sprawdzenia, co oznaczają nowo dostępne informacje.
Projekt rozwija wcześniejsze prace, a nie zaczyna od zera
Publiczny projekt o nazwie xj-scanner dostarcza bardziej konkretnego artefaktu niż szerokie twierdzenie o możliwościach AI. Jego dokumentacja skanera opisuje odczytywanie kodów usterek, podgląd bieżących pomiarów, rejestrowanie jazd oraz uruchamianie wbudowanych testów. Wskazuje także testowany pojazd: jeden Cherokee XJ z 1994 roku z silnikiem 4,0 l i komputerem o numerze części 56030117.
Ta szczegółowość ma znaczenie. Sama nazwa modelu nie definiuje wszystkich istotnych szczegółów sprzętowych ani programowych. Deklarowane zainteresowanie projektu pokrewnymi pojazdami nie powinno przekształcać się w ogólne twierdzenie o kompatybilności.
Repozytorium przypisuje również istniejącym pracom definicje komunikatów, wzory przeliczeniowe i opisy kodów usterek. Wśród wskazanych podstaw znajdują się oprogramowanie diagnostyczne Chryslera autorstwa László Dániela — istniejący projekt sprzętowy i programowy służący do komunikacji ze starszymi systemami Chryslera. Opublikowany skaner korzysta z licencji open source GPLv3.
Wartość eksperymentu obejmuje uczynienie zgromadzonej wiedzy technicznej użyteczną za pomocą nowego procesu pracy.
To znaczące osiągnięcie, które nie wymaga twierdzenia, że agenci odkryli wszystko niezależnie. Inżynieria często rozwija się poprzez integrację: łączenie istniejącej wiedzy, dostosowywanie narzędzi i rozwiązywanie luk między nimi.
Dla właściciela luki te mogą być najtrudniejszą częścią. Istotne informacje mogą znajdować się w dokumentach technicznych, projektach programistycznych i wcześniejszych badaniach. Przekształcenie ich w działający system wymaga decyzji dotyczących tego, które szczegóły mają zastosowanie, a które założenia wymagają sprawdzenia.
Proces wspierany przez agenta oferuje sposób interaktywnego poruszania się po tych materiałach. Jego atrakcyjność częściowo wynika z ciągłości. Ta sama rozmowa może śledzić badanie od nieudanego połączenia przez mylący pomiar aż po zmienione wyjaśnienie.
Ciągłość tworzy również ryzyko. Wczesne nieporozumienie może zostać przeniesione do późniejszego kodu i analizy. Utrzymywanie dostępności podstawowej dokumentacji pozwala właścicielowi lub innemu recenzentowi zakwestionować ten łańcuch.
Dla programistów projekt sugeruje praktyczny standard oceny podobnych demonstracji. Wynik powinien ujawniać wystarczająco dużo struktury, aby ktoś inny mógł sprawdzić deklarowane osiągnięcie. Nagranie imponującej interakcji zapewnia mniejszą odpowiedzialność techniczną niż udokumentowany artefakt możliwy do przeglądu.
Nie oznacza to, że publiczny kod automatycznie potwierdza każde twierdzenie. Repozytorium może zawierać użyteczne oprogramowanie, jednocześnie pozostawiając końcowy wynik niedostatecznie udokumentowany. Artefakt i wynik należy analizować oddzielnie.
To samo rozdzielenie pomaga w zarządzaniu wiedzą. Dokumenty źródłowe, surowe logi, interpretacje i potwierdzone wyniki służą różnym celom. Mieszanie ich utrudnia odróżnienie obserwacji od wyjaśnienia dodanego później.
Zespoły organizujące podobne badania mogą wykorzystywać przeszukiwalną bazę wiedzy, aby zachować możliwość wyszukiwania dokumentów technicznych i dowodów roboczych. Korzyść wynika z zachowania kontekstu i pochodzenia informacji, a nie z traktowania wygenerowanego podsumowania jako ostatecznego autorytetu.
Szersza lekcja jest mniej efektowna niż autonomiczne wynalazczość, lecz łatwiejsza do przeniesienia na inne sytuacje. Agenci programistyczni stają się użyteczni, gdy pomagają ludziom zbudować możliwe do zweryfikowania badanie. Jakość tego badania zależy od jego źródeł i kontroli w takim samym stopniu jak od wygenerowanego kodu.
Claude i Codex podzieliły pracę, nie kontrolowany benchmark
Relacja Zulaliego przypisuje wskazówki diagnostyczne głównie Claude, a pracę związaną z kodowaniem lub pamięcią głównie Codex. Taki podział wyjaśnia, jak korzystał z narzędzi. Nie dowodzi, jak którekolwiek z nich działałoby w innym układzie.
Dla każdego, kto szuka informacji o diagnostyce Claude vs Codex, to rozróżnienie jest kluczowe. Projekt nie powierzył obu systemom identycznego zadania w identycznych warunkach. Opisany wkład odzwierciedla sposób pracy właściciela, a nie kontrolowane porównanie.
Eksperyment stanowi argument na rzecz modelu współpracy, a nie ranking konkurencyjnych produktów AI.
Rzetelne porównanie wymagałoby zdefiniowanego zadania, wspólnych danych wejściowych i jasnych kryteriów sukcesu. Musiałoby też uwzględniać interwencję człowieka. W przeciwnym razie pozorny wynik mogą wyjaśniać różnice w promptach, dostępnym kontekście lub przydziale zadań.
Eksperyment z Jeepem stawia inne pytanie: jaki rodzaj pracy powinien pozostać możliwy do przypisania po dochodzeniu wspieranym przez agenta? Właściciel powinien potrafić wyjaśnić, które obserwacje pochodziły z pojazdu, która interpretacja pochodziła z oprogramowania, a która decyzja wymagała ludzkiego osądu.
Taki zapis staje się szczególnie istotny, gdy uczestniczy kilka narzędzi. Jeden agent może wygenerować moduł zbierający dane, podczas gdy drugi interpretuje jego wyniki. Jeśli moduł zbierający zawiera błąd, rozumowanie drugiego agenta może być wewnętrznie spójne, a mimo to błędne.
Podział pracy jest więc użyteczny tylko wtedy, gdy granice pozostają widoczne. Każdy wkład potrzebuje możliwego do zidentyfikowania wejścia i wyniku, który można sprawdzić. W przeciwnym razie odpowiedzialność znika w łańcuchu pozornie rozsądnych kroków.
Presja, jaką to tworzy, w pierwszej kolejności spada na osoby oceniające narzędzia wspierane przez agentów. Udana demonstracja zachęca do szerszych oczekiwań, ale kupujący i deweloperzy potrzebują dowodów odpowiadających tym oczekiwaniom. „Pomogło temu właścicielowi” i „działa niezawodnie w tej kategorii” to zasadniczo różne twierdzenia.
Twórcy narzędzi stają przed powiązanym wyzwaniem produktowym. Asystenta, który potrafi wyjaśnić swoje dowody i ujawnić niepewność, łatwiej ocenić niż takiego, który po prostu ogłasza diagnozę. Pewność powinna wynikać z jakości dochodzenia, a nie płynności jego końcowego akapitu.
Projekt pokazuje też, dlaczego zastępowanie ekspertów jest niewłaściwym natychmiastowym wnioskiem. Opisana praca nadal zależała od osoby podłączającej sprzęt, obserwującej pojazd i decydującej o kolejnym kroku. Pomoc oprogramowania zmienia możliwości tej osoby, nie eliminując jej odpowiedzialności.
Dla profesjonalistów zajmujących się naprawami interesującą możliwością jest lepiej poinformowany klient lub lepiej zorganizowane dochodzenie. To, czy oszczędza to czas, zależy od jakości zebranych dowodów. Stos niezweryfikowanych interpretacji AI może zamiast tego tworzyć dodatkową pracę.
Nie ma tu zmierzonego wyniku produktywności, który rozstrzygałby tę kwestię. Przypadek lepiej rozumieć jako przykład procesu pracy, który stał się technicznie możliwy dla jednego właściciela. Jego powtarzalność i praktyczna wartość pozostają otwarte na analizę.
Diagnostyka Claude vs Codex pomija także najsilniejszą cechę projektu: narzędzia wykorzystano razem do rozwiązania obserwowalnego problemu. Istotne porównanie dotyczy nieprzejrzystego dochodzenia i takiego, którego dowody można sprawdzić.
Zgłoszone zaliczenie testu Smog pozostawia ważne pytania bez odpowiedzi
Opublikowane wytyczne Kalifornii jasno wskazują, że Smog Check obejmuje więcej niż korzystny odczyt na laptopie. Wymagania dotyczące Smog Check opisują inspekcje wizualne i funkcjonalne, a także testy emisji spalin dla starszych pojazdów. Agencja ostrzega również przed zmodyfikowanym lub niezatwierdzonym oprogramowaniem pojazdu.
Te ramy ograniczają to, co czytelnicy powinni wnioskować ze zgłoszonego wyniku. Sukces eksperymentu hobbystycznego nie stanowi potwierdzenia dla jego metod ani ogólnego zwolnienia dla podobnych zmian. Kalifornia osobno publikuje informacje o wymaganiach dotyczących części aftermarketowych.
Zgłoszone zaliczenie inspekcji powinno pozostać oddzielone od twierdzeń o trwałej naprawie, ogólnym bezpieczeństwie lub zgodności z przepisami.
Dostępne relacje przypisują zaliczenie opisowi Zulaliego. Ten artykuł nie zweryfikował niezależnie dokumentacji inspekcji jego pojazdu. Na podstawie przeanalizowanych materiałów nie można też ustalić dokładnie, która interwencja doprowadziła do końcowego wyniku.
Są to ograniczenia relacji, a nie dowody na to, że opis właściciela jest fałszywy. Określają one dystans między wiarygodną osobistą demonstracją a w pełni udokumentowanym wnioskiem technicznym. Zmniejszenie tego dystansu wymaga dodatkowych dowodów.
Pierwsze pytanie dotyczy związku przyczynowego. Gdy dochodzenie obejmuje kilka korekt i eksperymentów, końcowa poprawa nie identyfikuje automatycznie decydującego kroku. Jasna chronologia pomogłaby oddzielić użyteczne interwencje od działań ubocznych.
Drugie dotyczy trwałości. Wynik uzyskany podczas jednej inspekcji nie opisuje wszystkich późniejszych warunków eksploatacji. Dowody z dalszego użytkowania wsparłyby szersze twierdzenie o tym, czy podstawowy problem pozostał rozwiązany.
Trzecie dotyczy konfiguracji. Czytelnicy muszą znać istotny stan pojazdu w chwili zaliczenia testu, zamiast zakładać, że każda eksperymentalna funkcja pozostała aktywna. Bez tego rozróżnienia późniejsze relacje mogą połączyć niezgodne etapy projektu w jedną historię.
Te pytania wyjaśniają również, dlaczego dostęp diagnostyczny i kontrola eksperymentalna zasługują na odmienne traktowanie. Obserwowanie komputera może ujawnić użyteczne informacje. Zmiana jego zachowania rodzi dodatkowe pytania o zamierzone skutki, niezamierzone skutki oraz sposób ich sprawdzenia.
Ograniczony zakres testów publicznego projektu ma tu znaczenie. Udokumentowany sukces w konkretnym pojeździe nie może potwierdzić równoważnego działania w powiązanych komputerach. Podobne nazwy i wspólne pochodzenie nie eliminują potrzeby weryfikacji rzeczywistego sprzętu.
Ta sama ostrożność dotyczy sformułowania „AI to naprawiła”. Takie sformułowanie łączy generowanie oprogramowania, diagnozę, interwencję fizyczną i inspekcję w jedno przypisane działanie. Może ukrywać ludzką pracę i nierozstrzygnięte elementy wyjaśnienia.
Dokładniejszy opis zachowuje kolejność zdarzeń. Zulali wykorzystał pomoc AI do zbadania i interakcji z komputerem silnika swojego Jeepa, a następnie zgłosił zaliczenie testu smogowego. Dalsze twierdzenia wymagają dowodów wykraczających poza tę sekwencję.
W przypadku diagnostyki Claude Jeep zachowanie tego rozróżnienia chroni użyteczną część tej historii. Eksperyment może pozostać technicznie interesujący, nie stając się uniwersalnym zaleceniem naprawczym ani twierdzeniem, że zgodność z normami emisji jest jedynie wyzwaniem programistycznym.
Niezależne kontrole zdecydują, co wykracza poza tego Jeepa
Kolejna faza powinna być oceniana na podstawie dowodów, które wzmacniają lub zawężają pierwotny opis. Sama większa liczba publikacji nie potwierdzi szerszej niezawodności. Powtarzane relacje mogą rozpowszechniać to samo twierdzenie bez dodawania niezależnej obserwacji.
Najbardziej użyteczne uzupełnienie połączyłoby udokumentowany wynik z odtwarzalnym dochodzeniem.
Pierwszym sygnałem, na który warto zwrócić uwagę, jest wyraźniejszy zapis zgłoszonej naprawy i inspekcji. Opublikowana chronologia łącząca awarię, interwencje, końcową konfigurację i dokumentację inspekcji wzmocniłaby wyjaśnienie przyczynowe. Pomogłaby czytelnikom odróżnić skuteczną ścieżkę od eksperymentów po drodze.
Taka dokumentacja ułatwiłaby również ocenę wyniku bez jego wyolbrzymiania. Zaliczenie może wspierać twierdzenie dotyczące tej inspekcji. Szczegółowy opis może wspierać bardziej informacyjne wyjaśnienie, dlaczego pojazd osiągnął taki wynik.
Drugim sygnałem są niezależne testy na jasno zidentyfikowanych pojazdach i komputerach. Relacje powinny określać użyty sprzęt i faktycznie sprawdzone funkcje. Udane połączenie, wiarygodny odczyt i zweryfikowany wynik diagnostyczny reprezentują różne poziomy walidacji.
Niepowodzenia również byłyby informacyjne. Projekt dokumentujący, gdzie nie działa, daje użytkownikom bardziej realistyczny obraz kompatybilności. Uczciwe ograniczenia mogą ułatwić zaufanie do narzędzia, ponieważ zmniejszają pokusę uogólniania na podstawie korzystnego przykładu.
Trzecim sygnałem jest rozdzielenie funkcji obserwacyjnych od działań wpływających na sprzęt. Jasna dokumentacja tej granicy pomogłaby recenzentom zrozumieć, co oprogramowanie odczytuje, co zmienia oraz jakie dowody wspierają każdą z tych operacji. Wzmocniłoby to podstawy do oceny go jako poważnego artefaktu technicznego.
Sygnały te powinny kierować uwagą w nadchodzących miesiącach, nie stając się przewidywaniami dotyczącymi zaplanowanych premier. Przeanalizowane źródła nie potwierdzają formalnego programu walidacji ani nadchodzącego etapu certyfikacji. Postęp należy oceniać na podstawie opublikowanych dowodów, a nie zakładać go ze względu na widoczność projektu.
Dla deweloperów szersze znaczenie dotyczy interfejsów. Nieznany system fizyczny może stać się bardziej przystępny, gdy oprogramowanie tłumaczy jego zachowanie na informacje możliwe do sprawdzenia. Jakość tego tłumaczenia decyduje o tym, czy nowy dostęp przynosi zrozumienie, czy jedynie bardziej rozbudowaną formę zgadywania.
Dla użytkowników produktów AI ten przypadek stanowi użyteczny sprawdzian oceny. Zapytaj, co agent zaobserwował bezpośrednio, co wywnioskował i co ktoś sprawdził poza rozmową. Te pytania mają zastosowanie w wielu dochodzeniach, nawet gdy nie dotyczy to pojazdu.
Fraza xj-scanner explained powinna ostatecznie prowadzić czytelników do tych rozróżnień, a nie stanowić obietnicę, że chatbot rozumie każdy starzejący się silnik. Artefakt ma znaczenie, ponieważ udostępnia do inspekcji części dochodzenia. Jego szersza użyteczność będzie zależeć od tego, co znajdą niezależni recenzenci.
Zanim potraktujesz diagnostykę Claude Jeep jako powtarzalne podejście do naprawy, prześledź dowody stojące za wynikiem. Zapoznaj się z ograniczeniami projektu, odróżnij pomiary od interpretacji i poszukaj dokumentacji łączącej interwencję ze zgłoszonym zaliczeniem. Jeśli zawodowo oceniasz pracę wspieraną przez agentów, wymagaj takiego samego łańcucha dowodowego. Przekonująca demonstracja powinna wzbudzić ciekawość wystarczającą do dalszego zbadania, podczas gdy odtwarzalny wynik powinien wyjaśniać, co przetestowano i co pozostaje nieznane. Jeep Zulaliego stanowi konkretny punkt wyjścia dla tej dyskusji. Kolejnym użytecznym wkładem będzie jaśniejszy zapis, który inni mogą przeanalizować, zakwestionować i rozwinąć. Co musiałbyś zobaczyć, zanim zaufałbyś temu samemu rozumowaniu w przypadku sprzętu, od którego zależysz?



