W AI najczęściej mówi się o modelach, danych i architekturze. Rzadziej o tym, co naprawdę decyduje o tym, czy laboratorium produkuje wiedzę, czy tylko ją opisuje: o czasie między hipotezą a wynikiem.
Dla nas ten czas to coś więcej niż metryka wydajności. To takt, w którym bije serce zespołu. To tempo, w którym ludzie uczą się, dyskutują i budują razem.
Cykl eksperymentu kształtuje kulturę
Jeżeli jedno uruchomienie treningu zajmuje tydzień, zespół nieświadomie zaczyna optymalizować pod rzadkość prób. Wybiera hipotezy, które wyglądają pewnie na papierze. Pisze dokumenty uzasadniające eksperymenty, zanim je odpali. Buduje konsensus wokół podejścia, bo nikt nie chce zmarnować kolejki.
Jeżeli można odpalić eksperyment tego samego dnia, zmienia się wszystko. Hipotezy stają się tańsze, więc można stawiać ich więcej. Zły pomysł wypada po dwóch godzinach, nie po dwóch tygodniach. Rozmowy przy tablicy kończą się słowami „sprawdźmy" zamiast „wydaje mi się, że". To właśnie wtedy zaczyna się zabawa: kiedy pomysł przechodzi od słów do wyniku jeszcze tego samego dnia.
To nie jest kwestia budżetu — to kwestia tego, co mieści się w czasie jednego sprintu.
Kolejka jako organizacyjna dysfunkcja
Kiedy compute jest ograniczony i nie ma jasnych zasad dostępu, pojawia się problem głębszy niż techniczny. Ludzie zaczynają lobbować za swoimi eksperymentami. Priorytetyzacja przenosi się z „co warto sprawdzić" na „kto ma większy wpływ na decyzję".
Laboratorium, które tak działa, przestaje być laboratorium. Staje się systemem zarządzania zasobami z okazjonalnym badaniem.
Próg wejścia dla nowych osób
Nowy człowiek w laboratorium musi szybko zobaczyć, że może coś sprawdzić samodzielnie — że nikt nie blokuje mu dostępu do środowiska, że jego pierwsze eksperymenty, nawet nieudane, mają szansę dojść do końca.
Jeżeli pierwsze tygodnie to czekanie w kolejce i konfigurowanie środowiska, zostaje i się przyzwyczaja albo odchodzi. Oba scenariusze są złe: pierwszy produkuje ludzi, którzy nauczyli się nie sprawdzać. Drugi eliminuje tych, którzy chcieli.
W dobrze ustawionym zespole nowa osoba nie musi prosić o pozwolenie, żeby nauczyć się czegoś nowego. Dostaje przestrzeń, żeby spróbować.
Dyscyplina, którą compute wymusza
Szybki dostęp do zasobów nie zwalnia z odpowiedzialności — wzmacnia ją. Łatwość odpalenia eksperymentu musi iść w parze z obowiązkiem jego opisania.
Dlatego traktujemy compute jak wspólne dobro laboratorium z prostą zasadą: każdy eksperyment, który zużywa zasoby, musi zostawić po sobie trzy rzeczy. Wynik — nawet negatywny. Koszt w GPU-godzinach. I instrukcja, która pozwoli następnej osobie powtórzyć go albo zmodyfikować bez zaczynania od zera.
Nie chodzi o biurokrację. Chodzi o to, że wiedza wytworzona w laboratorium ma sens tylko wtedy, gdy jest przekazywalna. I że każdy kolejny członek zespołu startuje z lepszego miejsca niż poprzednik.
Compute jako sygnał
Organizacja, która inwestuje w compute dla swojego laboratorium, wysyła sygnał: weryfikacja empiryczna jest tu tańsza od spekulacji. To zmienia nie tylko to co ludzie robią, ale też kogo laboratorium przyciąga i zatrzymuje.
Laboratorium, w którym można szybko sprawdzić pomysł, przyciąga ludzi, którzy chcą sprawdzać pomysły. Laboratorium, w którym się czeka, przyciąga ludzi, którzy wolą czekać.
To jest różnica kulturowa, nie techniczna. I zaczyna się od tego, ile czasu upływa między hipotezą a pierwszym wynikiem.