Според коосновачот на OpenAI, Иља Суцкевер, индустријата за вештачка интелигенција можеби достигнала "врв на податоци, " што може да доведе до потенцијално забавување на напредокот во вештачката интелигенција поради исцрпување на корисните податоци од интернетот. Ова би можело да влијае на идниот развој на моделите за вештачка интелигенција, кои во голема мера се потпираат на пред-тренирање со обилни податоци. Сепак, многу експерти за вештачка интелигенција истражуваат начини да го заобиколат овој проблем. Еден ветувачки пристап е техниката "компјутинг при тестирање" или "компјутинг при заклучување, " којашто ги подобрува способностите за размислување на вештачката интелигенција со разделување на сложени прашања на помали задачи и процесирање на секоја одделно пред продолжување. Оваа метода им овозможува на моделите за вештачка интелигенција да генерираат поквалитетни резултати, особено во задачи со јасни одговори, како што се математички проблеми. Резултатите од овие модели за размислување може да станат нови податоци за тренирање, формирајќи итеративен круг за подобрување на моделите.

Овој концепт се поддржува од истражување на Google DeepMind, кое предвидува дека овие резултати ќе ги подобрат големите јазични модели (LLMs) дури и откако ќе го достигнат ѕидот на врвот на податоците. OpenAI и слични лаборатории за вештачка интелигенција почнаа со примена на модели кои ја користат оваа техника, како што е OpenAI's "o1, " кој покажува супериорни перформанси на одредени тестирања. Извршниот директор на Microsoft, Сатја Надела, го нарече ова стратегија како есенцијален закон за скалирање на напредокот на моделите за вештачка интелигенција, бидејќи обезбедува начин да се заобиколат ограничувањата на податоците преку рециклирање на излезите од моделите назад во процесите на тренирање. Ефективноста на компјутинг при тестирање ќе се оценува потемелно до 2025 година. Иако истражувачи како Чарли Снел се оптимисти, тие признаваат дека постојат предизвици во генерализирање на техниката за задачи без дефинитивни одговори, како што е пишување есеи. Сепак, постои оптимизам дека синтетичките податоци произведени преку овој метод можат да ги надминат квалитетот на постоечките интернет податоци, потенцијално помагајќи во тренирањето на идните модели за вештачка интелигенција. Веќе, некои шпекулации сугерираат дека компании како DeepSeek ги користеле излезите од OpenAI's o1 за да ги подобрат своите модели, како што е нивниот најнов "DeepSeek V3. " Додека индустријата ги разгледува овие стратегии, потенцијалот за употреба на компјутинг при тестирање за надминување на ограничувањата на податоците е внимателно ветувачки, но сè уште е предмет на истражување.