Greenblatt, model ilerlemesinin artık yalnızca ham işlem gücüyle değil, insan emeğinin yüksek maliyeti ve düşük hızıyla sınırlanması nedeniyle bu değişimin gelişim sürecinde ciddi bir yavaşlama yarattığını vurguluyor.
Sektörün mevcut kamuya açık verilerden öğrenebileceği bilgilerin sınırına dayanması, bu dönüşümü kritik hale getiriyor.
Yazılım mühendisliği veya karmaşık muhakeme (reasoning) gibi teknik alanlarda performansı artırmak isteyen yapay zeka şirketleri, model çıktılarını doğrulamak ve nitelikli veri setleri oluşturmak için uzmanları sürece dahil etmek zorunda kalıyor.
Bu durum, yapay zeka araştırma ve geliştirme faaliyetlerini büyük ölçekli uzman iş güçlerini yönetmenin temel rekabet avantajına dönüştüğü bir lojistik ve insan kaynakları mücadelesi haline getiriyor.
Bu sınırlamaları aşmak için sektör, bir yapay zeka modelinin diğerini eğitmek üzere bilgi ürettiği sentetik veri (synthetic data) gibi teknik çözümlere yöneliyor.
Greenblatt, yapay zeka altyapısının geleceğinin, sürekli insan müdahalesi gerektirmeden kendi kendini değerlendirip geliştirebilen sistemlere bağlı olduğunu belirtiyor.
Bu teknolojik kayma, geliştiricilerin yeni sistemleri ne kadar hızlı ölçeklendirebileceğini ve hangi kurumların gelişmiş model eğitimi maliyetlerini karşılayabileceğini tayin edecek.