Historický osmnáctý týmový titul, návrat Álexe Paloua a závodní prostředí, ve kterém nestačí mít jen rychlý vůz. Příběh spolupráce Chip Ganassi Racing s OpenAI ukazuje, jak důležité je rozpoznat podstatné informace, správně nastavit techniku a po nepovedeném závodě rychle změnit zkušenost v další krok.
V centru dění stojí jednoduchá myšlenka: buď vyhraji, nebo se něco naučím. V podání závodního týmu nejde o útěšnou větu po porážce. Je to pracovní přístup, který propojuje přípravu vozu, rozhodování nad daty i schopnost pokračovat po náročném dni v Nashvillu.
Za nejzajímavější na tomto příběhu považuji právě spojení lidské odbornosti s umělou inteligencí. Technologie zde nevystupuje jako náhrada zkušených inženýrů. Pomáhá jim určit, co je v příchozích datech důležité, a rozšířit možnosti práce, kterou už dobře znají. Výsledkem není slib snadného vítězství, ale konkrétnější představa o tom, jak může výzkum a vývoj podpořit tým bojující na špičce IndyCar.
Obsah
- 🏆 Osmnáctý titul jako historická sázka
- 🏎️ Álex Palou a příběh, který nekončí prvním problémem
- 🤝 Spolupráce s OpenAI staví na odbornosti týmu
- 📊 Důležité není jen mít data, ale poznat jejich význam
- 🔧 Pružiny, tlumiče a stabilizátory: technika za závodním výsledkem
- 🛣️ Přilnavost a aerodynamika musí fungovat společně
- ⏱️ Po příjezdu na trať rozhoduje rychlost přizpůsobení
- 🧩 Závodní víkend jako skládání puzzle
- ⚠️ Na hranici výkonu zůstává skutečné riziko
- 🌧️ Nashville přináší nezdar, nikoli konec směru
- 📚 „Buď vyhraji, nebo se něco naučím“ jako pracovní princip
- 🎯 Milwaukee mění poučení v další úkol
- 🔬 Umělá inteligence jako další kapitola technického vývoje
- 🔎 Co příběh ukazuje a co zůstává otevřené
- 🚀 Od mistrovského úspěchu k cíli číslo devatenáct
🏆 Osmnáctý titul jako historická sázka
Chip Ganassi Racing vstupuje do příběhu s mimořádně vysokou motivací. Ve hře je osmnáctý týmový titul, který je představen jako historický milník. Jeho získání má tým posunout do pozice nejúspěšnějšího v historii IndyCar podle počtu těchto prvenství.
Taková ambice dává každému rozhodnutí širší význam. Nejde pouze o výsledek jednoho závodu ani o dobře zvládnutý víkend. Nastavení vozu, práce se strategií a reakce na nezdar se spojují do sezony, jejímž cílem je být na konci vpředu. Jednotlivé kroky mohou působit technicky a nenápadně, ale jejich společný dopad míří k velmi viditelnému výsledku.
Právě tady vidím důvod, proč je spolupráce s OpenAI zasazena do závodního příběhu, nikoli do izolované technologické ukázky. Umělá inteligence má hodnotu tehdy, když pomáhá řešit skutečný problém. V tomto případě je problém jasný: jak z dostupných informací vytěžit lepší přípravu a přizpůsobit se podmínkám dostatečně rychle.
Historická sázka zároveň nemění základní povahu závodění. Úspěch není předem zajištěný a pověst týmu sama o sobě další titul nepřinese. Chip Ganassi Racing musí své zkušenosti znovu převést do výkonu na trati. Technologie do tohoto procesu vstupuje jako podpora, nikoli jako záruka.
Pro širší orientaci v šampionátu je užitečným výchozím bodem oficiální web IndyCar. Samotný příběh však stojí především na cestě od ambiciózního cíle přes komplikace až k dalšímu pokusu o vítězství.
🏎️ Álex Palou a příběh, který nekončí prvním problémem
Sportovní osu událostí tvoří Álex Palou. Objevuje se jako lídr šampionátu i jako jezdec schopný návratu ve chvíli, kdy situace vypadá nepříznivě. Zmínka o nejrychlejším čase v kvalifikaci zdůrazňuje jeho rychlost, zatímco následné dramatické momenty připomínají, že výchozí pozice ještě neuzavírá celý závodní příběh.
V tom je důležitý rozdíl mezi jednotlivým výkonem a dlouhodobou úspěšností. Kvalifikační rychlost potvrzuje, že tým dokáže připravit konkurenceschopný vůz. Nepovedený den ale prověří jinou schopnost: zda dokáže zachovat směr, pochopit problém a pokračovat bez zbytečného uvíznutí v tom, co už změnit nelze.
Palouův návrat proto nepovažuji jen za dramatickou sportovní kulisu. Doplňuje hlavní téma spolupráce s OpenAI: učení má cenu teprve tehdy, když vede k další akci. Rozbor nezdaru není konečným produktem. Je přípravou na další rozhodnutí a další závod.
Je přitom důležité nepřipsat všechny výsledky jediné technologii. Příběh zahrnuje jezdce, týmovou práci, technické nastavení, strategii i rychlé přizpůsobení. Umělá inteligence je jednou součástí tohoto celku. O výsledku nerozhoduje samostatně a její přínos se zde nevyjadřuje konkrétním časovým ziskem.
Takto podaný návrat působí přesvědčivěji než jednoduchý příběh o neporazitelnosti. I tým na špičce může zažít špatný den. Rozdíl se ukáže v tom, co s ním následně udělá.
🤝 Spolupráce s OpenAI staví na odbornosti týmu
Základní rozdělení rolí je srozumitelné. Členové Chip Ganassi Racing jsou odborníky ve svém oboru a spolupráce s OpenAI jim otevírá možnosti, jak tuto odbornost posunout dál. Nezačínají od nuly a neučí se závodění prostřednictvím univerzálního nástroje. Hledají způsob, jak lépe využít znalosti, které už mají.
To je podle mě nejpodstatnější sdělení celé technologické části. Debata o umělé inteligenci se snadno zúží na otázku, co zvládne místo člověka. Zde je užitečnější jiná otázka: co dokáže zkušený člověk navíc, když má lepší podporu při práci s informacemi?
V závodním prostředí se tato podpora vztahuje k přípravě strategie a nastavení vozu. OpenAI pomáhá odlišit důležité informace od těch méně podstatných. Odborníci pak řeší, jak zjištění zapadá do konkrétní situace a co znamená pro další postup.
Nemám důvod z tohoto popisu vyvozovat autonomní řízení závodní strategie nebo automatické nastavování všech částí automobilu. Popsaná spolupráce má užší, ale prakticky významnou podobu: pomáhá týmu lépe se orientovat v datech a rozšiřuje prostor pro odborné rozhodování.
Právě tím si zachovává věrohodnost. Technologie není prezentována jako kouzelné řešení všech potíží. Je součástí práce lidí, kteří už vědí, jak náročné je dostat závodní vůz na hranici jeho možností. Další informace o samotném týmu nabízí oficiální web Chip Ganassi Racing.
📊 Důležité není jen mít data, ale poznat jejich význam
Nejkonkrétnější úloha OpenAI v tomto příběhu spočívá v pomoci při určování toho, co je v příchozích datech důležité a co nikoli. To může znít méně efektně než představa stroje, který sám navrhne vítězný vůz. Pro rozhodování je to ale zásadní rozdíl.
Množství informací samo o sobě ještě neříká, jakou úpravu provést. Tým potřebuje spojit údaje s otázkou, kterou právě řeší. Pokud připravuje nastavení automobilu nebo zvažuje strategii, podstatné je, které informace pomohou zvolit další krok.
Za užitečné považuji rozdělit tento proces do tří srozumitelných úrovní:
- Orientace: jaké informace má tým k dispozici a k jakému problému se vztahují.
- Význam: které z nich mohou být důležité pro nastavení nebo strategii.
- Rozhodnutí: jak zjištěné souvislosti převést do konkrétního postupu.
Toto rozdělení není popisem konkrétního softwarového systému. Pomáhá vysvětlit, proč má rozlišování podstatných údajů praktickou cenu. Bez něj mohou informace zůstat pouze souborem hodnot, zatímco tým potřebuje vědět, co s nimi udělat.
Příběh neuvádí přesný model, architekturu nástroje ani způsob technického zapojení. Stejně tak nepředkládá měřítko, které by samostatně vyčíslovalo přínos AI. Zůstávám proto u doloženého použití: podpora práce s daty při přípravě vozu a strategie. I tak jde o jasný příklad, jak se výzkum umělé inteligence může přiblížit každodenní odborné praxi.
🔧 Pružiny, tlumiče a stabilizátory: technika za závodním výsledkem
Vedle velkých slov o mistrovském titulu se objevují velmi konkrétní součásti vozu: pružiny, tlumiče a stabilizátory. Právě tento přechod od cíle sezony k technickým detailům ukazuje, kde se závodní výkon skutečně připravuje.
Pro čtenáře bez technického zázemí je důležité hlavně to, že tyto prvky nejsou izolovanými položkami. Patří do nastavení vozu, které tým přizpůsobuje podmínkám tratě. Smyslem není najít jednu neměnnou konfiguraci, ale takovou kombinaci, která bude v dané situaci fungovat co nejlépe.
Jako názorný příklad slouží rozdíl mezi hladkým a nerovným povrchem. Na hladší trati může tým zvolit tužší pružiny. Na nerovném povrchu potřebuje měkčí nastavení, aby vůz získal co nejlepší přilnavost a současně vhodné aerodynamické chování.
Nečtu tento příklad jako univerzální návod k seřízení závodního automobilu. Je to vysvětlení rozhodovacího principu: správná volba závisí na podmínkách. Stejná změna proto nemusí mít stejnou hodnotu všude. Důležité je pochopit, proč je pro konkrétní trať vhodná.
Právě zde se propojují data a zkušenost. Informace pomáhají upřesnit situaci, ale technický tým musí chápat souvislosti mezi nastavením a chováním vozu. Umělá inteligence může tuto práci podpořit, nikoli odstranit její odbornou podstatu. Výsledek stále vzniká skládáním více rozhodnutí do jednoho funkčního celku.
🛣️ Přilnavost a aerodynamika musí fungovat společně
Zmínka o přilnavosti a aerodynamice otevírá další důležitou část závodní přípravy. Nastavení se nehodnotí pouze podle jedné vlastnosti. Tým hledá takové chování vozu, které bude odpovídat trati jako celku.
V uvedeném příkladu nejde jen o to, zda jsou pružiny tuhé, nebo měkké. Podstatné je, proč se jejich nastavení mění. Nerovný povrch vyžaduje jinou reakci než hladký a cílem úpravy je dostat z vozu co nejvíce z hlediska přilnavosti i aerodynamického fungování.
Za praktické poučení považuji to, že technická rozhodnutí nelze posuzovat bez kontextu. Samotné označení „tužší“ nebo „měkčí“ neříká, která možnost je lepší. Potřebuji znát podmínky a zamýšlený výsledek. Teprve potom lze změnu hodnotit jako vhodnou, nebo nevhodnou.
To také vysvětluje, proč tým potřebuje rozlišovat význam jednotlivých dat. Informace je užitečná tehdy, když pomáhá pochopit konkrétní vztah: jaké podmínky nastaly, jak na ně vůz reaguje a které nastavení dává smysl přehodnotit.
Nejde o soutěž mezi intuicí a výpočtem. V popsané spolupráci se obě roviny doplňují. Zkušenost pomáhá položit správnou otázku a práce s daty může zpřesnit odpověď. Závodní technika tak zůstává odbornou disciplínou, ve které je důležitá schopnost vidět celek, nejen jednotlivé hodnoty.
⏱️ Po příjezdu na trať rozhoduje rychlost přizpůsobení
Tým zdůrazňuje, že po příjezdu na místo se musí rychle přizpůsobit. Příprava předem je důležitá, ale skutečné podmínky vyžadují další práci. Plán není hotovým výsledkem. Je výchozím bodem, který se musí potkat s konkrétní tratí.
Tady nacházím jeden z nejpřesvědčivějších důvodů pro využití AI. Pokud je potřeba rychle určit, které informace mají význam, může podpora při jejich vyhodnocování pomoci odborníkům soustředit se na podstatné otázky. Samotná rychlost však nestačí. Závěr musí dávat smysl také technicky.
Časový tlak proto nezbavuje tým odpovědnosti za rozhodnutí. Naopak zdůrazňuje hodnotu dobře připraveného pracovního postupu. Rozpoznání důležitého signálu je užitečné pouze tehdy, když na něj může navázat vhodná úprava nebo změna strategie.
Příběh nepopisuje, kolik času konkrétní nástroj šetří, ani neporovnává práci s ním a bez něj. Není tedy namístě slibovat určité zrychlení. Doložená je potřeba rychlé adaptace a role OpenAI při rozlišování důležitosti dat.
Pro mě z toho vyplývá širší, ale střízlivé poučení: technologie má být zasazena do okamžiku, kdy je potřeba udělat rozhodnutí. Pokud poskytne zajímavou informaci až poté, co už není možné jednat, její praktická hodnota se zmenšuje. Závodní prostředí tento vztah mezi poznáním a akcí ukazuje velmi názorně.
🧩 Závodní víkend jako skládání puzzle
Jedním z nejvýstižnějších přirovnání je závodní víkend jako skládání puzzle. Tým přijede v pátek, vysype obsah krabice a začne hledat, jak jednotlivé části patří k sobě. Klíčová otázka zní, kdo celou skládačku sestaví nejrychleji.
Toto přirovnání propojuje techniku, data i časový tlak do jednoho obrazu. Nestačí mít dílky. Je třeba poznat jejich vztahy a vytvořit z nich funkční celek. Jednotlivé informace o trati nebo nastavení nejsou cílem samy o sobě.
V příběhu si pod těmito dílky mohu představit zejména:
- podmínky, kterým se musí vůz přizpůsobit,
- volbu pružin, tlumičů a stabilizátorů,
- požadavky na přilnavost a aerodynamiku,
- informace důležité pro závodní strategii,
- zkušenosti získané z předchozího průběhu sezony.
Smyslem seznamu není doplňovat neznámé technické podrobnosti. Ukazuje, proč žádná z těchto oblastí sama nevysvětluje celý výsledek. Tým potřebuje, aby do sebe zapadaly.
Za zvlášť důležitou považuji rychlost sestavení. Dlouhé přemýšlení může vést k dobrému závěru, ale v závodním prostředí je nutné dospět k němu včas. Spolupráce s OpenAI se do tohoto obrazu hodí jako pomoc při hledání souvislostí. Neodebírá týmu jeho skládačku. Pomáhá mu lépe určit, které dílky stojí za pozornost a jak mohou zapadat do připravovaného řešení.
⚠️ Na hranici výkonu zůstává skutečné riziko
Závodní tlak vystihuje i velmi ostré vyjádření: vítěz bude jen jeden a na hranici výkonu je rozdíl mezi rychlostí a nárazem do zdi. Beru ho jako zdůraznění náročnosti soutěže, nikoli jako doslovný popis všech možných výsledků závodu.
Podstatná je zpráva za tímto obrazem. Tým nemůže pracovat pouze s pohodlnou představou, že každá změna přinese zlepšení a každé rozhodnutí bude mít příznivý výsledek. Závodění obsahuje nejistotu a důsledky chyb mohou být bezprostřední.
Právě proto mi připadá důležité odlišit podporu rozhodování od slibu jistoty. Lepší práce s daty může pomoci odborníkům, ale neruší skutečnost, že soutěž je náročná. Umělá inteligence neproměňuje závod v předem vyřešenou úlohu.
Ambice být nejrychlejší navíc musí být převedena do konkrétní přípravy. Nestačí ji opakovat. Je potřeba zvolit nastavení, vyhodnotit podmínky a včas reagovat. Tato každodenní práce stojí za dramatickými okamžiky, které pak určují sportovní výsledek.
V tomto bodě se technická a lidská stránka příběhu nejvíce propojují. Data pomáhají orientaci, zkušenost pomáhá jejich výkladu a tým musí jednat. Ani úspěšná minulost nezaručuje správnou odpověď pokaždé. Smyslem spolupráce proto není nejistotu popřít, ale lépe se v ní rozhodovat.
🌧️ Nashville přináší nezdar, nikoli konec směru
Nashville je v příběhu označen jako špatný den pro celý tým. Tento moment narušuje jednoduchou představu přímé cesty od technické přípravy k vítězství. I dobře fungující tým může narazit na situaci, která neodpovídá jeho očekávání.
Reakce však není postavena na hledání výmluv. Tým se vrací k zásadě, že buď vyhraje, nebo se něco naučí. Důraz zůstává na práci směřující ke konci sezony a na původním cíli být vpředu.
Za důležité považuji, že se mluví o společném nezdaru. Nejde o izolovaný příběh jednoho člověka. Pokud tým společně připravuje vůz a strategii, musí také společně zpracovat situaci, která nevyšla. Takové pojetí udržuje pozornost na řešení, nikoli jen na jednotlivém výsledku.
Zároveň není uvedena konkrétní technická příčina potíží v Nashvillu. Bylo by nepřesné doplňovat, že šlo o určité nastavení, chybu strategie nebo selhání konkrétní součásti. Jisté je pouze to, že den nevyšel a tým se rozhodl soustředit na poučení a další závod.
Právě tato zdrženlivost je pro pochopení příběhu užitečná. Podstatou není podrobná rekonstrukce problému. Je jí pracovní reakce: připustit nepovedený výsledek, neztratit dlouhodobý cíl a připravit další pokus. Učení se zde měří ochotou pokračovat jinak a lépe, ne samotným pojmenováním zklamání.
📚 „Buď vyhraji, nebo se něco naučím“ jako pracovní princip
Tato zásada spojuje sportovní a výzkumnou část příběhu. Pro tým představuje způsob, jak přistupovat k výsledkům. Pro výzkum a umělou inteligenci je důležitá podobná logika: získat zkušenost, udělat další krok a zjistit, co přinesl.
Neznamená to, že neúspěch je automaticky stejně hodnotný jako vítězství. Z nepovedeného výsledku se poznatek nestane sám. Je potřeba pochopit, co lze použít při dalším rozhodování. Teprve tehdy má řeč o učení skutečný obsah.
Já tuto zásadu čtu jako posloupnost čtyř úkolů:
- Přijmout výsledek: rozlišit mezi přáním a tím, co se skutečně stalo.
- Vybrat podstatné informace: hledat poznatky použitelné pro další práci.
- Navázat rozhodnutím: nenechat rozbor oddělený od přípravy.
- Ověřit další krok: sledovat, zda změna pomáhá přiblížit se cíli.
Jde o vysvětlení principu, nikoli o popis zveřejněného interního postupu týmu. Důležité je spojení mezi zkušeností a následnou akcí. Bez něj by heslo zůstalo jen povzbuzením po špatném dni.
Výzkumná perspektiva OpenAI přitom zdůrazňuje právě radost z podobného procesu: získat poučení, posunout se a vidět výsledek. Pro širší kontext této oblasti nabízí další informace oficiální přehled výzkumu OpenAI. V závodním příběhu však tento princip dostává velmi konkrétní podobu, protože další příležitost přichází na další trati.
🎯 Milwaukee mění poučení v další úkol
Po Nashvillu se pozornost přesouvá k Milwaukee. Tým chce zaměřit úsilí na další závod a pokusit se ho vyhrát. Tento přechod je krátký, ale pro celý příběh zásadní: minulý výsledek už neurčuje, čemu se bude věnovat veškerá další energie.
Milwaukee představuje nový praktický úkol. Zkušenost z předchozího dne má smysl tehdy, když pomůže připravit další vystoupení. Cíl sezony přitom zůstává stejný. Tým pracuje na tom, aby na jejím konci byl v čele.
Vidím zde důležitou rovnováhu mezi dlouhodobým směrem a krátkodobým soustředěním. Historický titul je velká ambice, ale nelze ho získat jedním abstraktním rozhodnutím. Je třeba zvládnout další přípravu a další závod. Právě tento konkrétní horizont pomáhá převést ambici do práce.
Změna pozornosti ovšem neznamená zapomenout na Nashville. Smyslem není nepříjemnou zkušenost vymazat. Je potřeba odnést si z ní to, co může být užitečné, a nepřenášet dál pouze zklamání.
Vztah mezi oběma zastávkami proto není jen kalendářní. Nashville je zdrojem poučení, Milwaukee příležitostí jednat. V tomto spojení se ukazuje praktická hodnota celého přístupu: odborná práce, data a týmová odolnost se mají projevit v dalším pokusu, ne pouze v dobře formulovaném rozboru minulosti.
🔬 Umělá inteligence jako další kapitola technického vývoje
Spolupráce s OpenAI je představena jako další kapitola příběhu týmu, který chce zůstávat na technologické špičce i na vrcholu soutěže. Umělá inteligence tedy nevytváří jeho ambici od začátku. Navazuje na dlouhodobou snahu hledat nové možnosti.
To je podle mě podstatnější rámec než tvrzení, že AI náhle mění všechno. Chip Ganassi Racing už má odbornost, zkušenosti a soutěžní cíle. Nová technologie vstupuje do existujícího prostředí a její hodnota závisí na tom, zda se v něm dokáže prakticky uplatnit.
Tým popisuje spolupráci jako zkušenost, která mu otevřela oči ohledně toho, co je možné. Takové vyjádření ukazuje změnu v představě o dostupných nástrojích a příležitostech. Samo o sobě však není přesným měřením výkonnostního přínosu.
Rozlišuji proto dvě roviny. První je doložený účel: pomoc s rozpoznáváním významných dat pro strategii a nastavení. Druhou je širší očekávání: možnost posunout odbornou práci ještě dál. Obě jsou důležité, ale není vhodné je zaměňovat za konkrétní statistický důkaz.
Nejpřesvědčivější technologický příběh zde nevzniká z velikosti slibu. Vzniká z návaznosti. Tým ví, co potřebuje řešit, a spolupráce mu ukazuje další způsob, jak k tomu přistupovat. AI je tak součástí vývoje, který pokračuje, nikoli závěrečnou odpovědí na všechny budoucí otázky.
🔎 Co příběh ukazuje a co zůstává otevřené
Ve zprávě o technologické spolupráci považuji za důležité oddělit konkrétní obsah od dojmu. Závodní úspěch, mistrovské ambice a pozitivní zkušenost s nástrojem mohou působit jako jedno souvislé potvrzení. Přesto jde o různé druhy informací.
Popsaná spolupráce poskytuje jasný obrázek o zaměření práce. OpenAI pomáhá týmu s daty při přípravě strategie a nastavení vozu. Zkušenost odborníků zůstává ústřední a tým vnímá nové možnosti. To jsou podstatná sdělení, která není potřeba přikrášlovat.
Naopak chybí podrobnosti, které by umožnily přesně určit samostatný dopad AI:
- konkrétní použitý model a jeho technické zapojení,
- podrobný rozsah zpracovávaných dat,
- vyčíslení úspory času nebo zlepšení výkonu,
- srovnání výsledků s využitím nástroje a bez něj,
- přesné rozdělení jednotlivých rozhodovacích úkolů.
Tento nedostatek detailů příběh neruší. Jen určuje, jaké závěry z něj mohu odpovědně vyvodit. Je to příklad použití umělé inteligence v odborném prostředí a svědectví o jejím vnímaném přínosu, nikoli úplná technická studie.
Takové čtení zároveň chrání hlavní myšlenku před přehnanými očekáváními. Hodnota spolupráce nemusí spočívat v tom, že technologie sama „vyhrála titul“. Může spočívat v tom, že pomohla zkušenému týmu lépe pracovat s informacemi v náročném rozhodovacím procesu.
🚀 Od mistrovského úspěchu k cíli číslo devatenáct
Závěr příběhu přechází k oslavě mistrovského úspěchu a okamžitě otevírá další výzvu: devatenáctý titul. Tento posun dobře vystihuje prostředí, v němž dosažený milník není konečnou stanicí. Je potvrzením práce a současně začátkem dalšího cyklu.
Za hlavní zprávu nepovažuji samotné spojení slavného závodního týmu s umělou inteligencí. Důležitější je konkrétní způsob jejich spolupráce. Chip Ganassi Racing potřebuje rychle skládat dohromady podmínky tratě, technické nastavení, strategii a zkušenosti. OpenAI pomáhá orientaci v informacích, které tuto práci podporují.
Příběh přitom nezakrývá nezdar. Nashville zůstává součástí cesty stejně jako Palouův návrat, kvalifikační rychlost a mistrovská ambice. Právě díky tomu má zásada o vítězství a učení praktickou váhu. Neplatí jen ve chvíli úspěchu, ale také tehdy, když je potřeba začít znovu.
Odnáším si z toho tři hlavní závěry. Data potřebují význam, odbornost potřebuje prostor a zkušenost potřebuje pokračování. Umělá inteligence může pomoci s prvními dvěma úkoly, ale tým musí všechny tři převést do jednání.
Výzva číslo devatenáct proto není jen další položkou v seznamu ambicí. Připomíná, že výzkum a vývoj nikdy nekončí jedním povedeným výsledkem. Další trať znovu přinese vlastní skládačku a bude potřeba ji sestavit včas. V tom vidím nejtrvalejší hodnotu této spolupráce: ne ve slibu neomylnosti, ale v ochotě spojit zkušenosti s novými nástroji a po každém výsledku hledat další krok.
