лабораториям ИИ придётся потратить более 100 миллиардов долларов на целенаправленный сбор данных, потому что одного масштабирования недостаточно. Он также скептически относится к высоким оценкам ведущих лабораторий, таких как OpenAI и Anthropic, отмечая, что они хронически убыточны и должны постоянно инвестировать, чтобы конкурировать с более дешёвыми соперниками, такими как Qwen или Kimi. Его первые продукты сосредоточены на наборах данных для биоинформатики и повседневной лабораторной работы, где текущие модели, например GPT-5.6 Sol, достигают лишь около 30-процентного уровня успеха. Адам Хант из Кембриджа поддерживает эту точку зрения, замечая, что новейшие модели становятся более специализированными: рост наблюдается в программировании и сложной математике, в то время как другие области стагнируют. Том Захави из Google DeepMind даёт структурное объяснение, утверждая, что языковые модели отлично справляются с дедукцией и индукцией, но терпят неудачу в творческой абдукции. Он предлагает управляемые действием модели мира как возможный выход.