Du öffnest einen Tab, und die GPU, die ohnehin in deinem Rechner steckt, fängt an zu arbeiten. Du zeichnest einen Workflow; das Studio macht daraus GPU-Code und führt ihn auf dem Gerät vor dir aus — deine Daten müssen es nie verlassen, und Training ist echte Arbeit, kein Demo. Alles, womit du rechnest — Blöcke, Modelle, Viewer, Konnektoren — kommt aus dem Katalog, sobald du danach greifst; deshalb taucht neue Fähigkeit ohne Installation auf.
Jedes Ergebnis, das du festschreibst, bekommt eine zitierfähige Identität: Workflow, Eingaben, Engine-Version und der Lauf werden zu einem Link verbunden, den du in ein Paper, eine Nachricht oder ein README legen kannst. Wer den Link öffnet, sieht keinen Screenshot — dieselbe Berechnung läuft auf seiner eigenen Hardware erneut. Und weil die ganze Plattform über einen einzigen Satz von Befehlen gesteuert wird, sind dein Klick, ein Skriptaufruf und das, was ein Assistent für dich tut, dieselben Aktionen unter denselben Garantien.
Und ein Workflow ist weder an eine Maschine noch an eine Person gebunden. Denselben gezeichneten Workflow können mehrere Menschen gleichzeitig live bearbeiten, während Daten und Berechnung jeder Person auf ihrem eigenen Gerät bleiben — und wenn eine Maschine nicht reicht, verteilt sich die Arbeit auf einen Geräte-Pool: dein Laptop und dein Desktop, die Rechner eines Partnerlabors oder eine offene Crowd, die ungenutzte GPUs beisteuert; jedes zurückkommende Ergebnis wird verifiziert, bevor es zählt. Ein Pool aus einem Gerät ist ein ganz normaler Solo-Lauf auf demselben Weg — nichts, was du baust, hängt also davon ab, dass jemand anderes auftaucht.