Es gibt eine zunehmende Überzeugung im Silicon Valley, dass die Fortschritte bei großen KI-Modellen möglicherweise langsamer werden, was die erwartete Ankunft von KI auf menschlichem Niveau beeinträchtigen könnte. Anfangs nahm man an, dass mit ausreichend Daten und Rechenleistung künstliche allgemeine Intelligenz (AGI) sich natürlich entwickeln würde. Dieser Glaube veranlasste Technologieunternehmen zu erheblichen Investitionen, wie im Fall von OpenAI, das 6, 6 Milliarden Dollar aufbrachte, und Elon Musks xAI, das Gelder für fortschrittliche Nvidia-Chips sammelte. Insider beobachten jedoch, dass diese großen Sprachmodelle (LLMs) trotz erheblicher Investitionen nicht so schnell voranschreiten wie erwartet. Kritiker wie Gary Marcus argumentieren, dass LLMs, die AGI erreichen, schon immer ein Mythos waren. Eine Herausforderung besteht darin, dass es nur begrenzte sprachbasierte Daten für das KI-Training gibt, was ein potenzielles Hindernis für weiteren Fortschritt darstellt.

Einige Experten, wie Sasha Luccioni, glauben, dass der Branchenfokus auf Modellgröße anstelle von Zweckmäßigkeit den Fortschritt gebremst hat. Trotz dieser Bedenken sind Branchenführer im KI-Sektor optimistisch, letztlich AGI zu erreichen. Der Strategiewechsel bei OpenAI, bedingt durch langsamer als erwartete Verbesserungen, beinhaltet die Verbesserung der aktuellen Modellfähigkeiten, anstatt sich ausschließlich auf mehr Daten und Rechenleistung zu verlassen. Ihr neues o1-Modell konzentriert sich darauf, das Denken zu verbessern, um genauere Antworten zu liefern. OpenAI und andere schlagen vor, dass es an der Zeit ist, bestehende KI-Fähigkeiten für spezifische Aufgaben zu verfeinern, ähnlich wie man Feuer effektiv nutzt, anstatt nur mehr Brennstoff hinzuzufügen. Dies spiegelt den Gedanken wider, von häufigen Fehlern zu einem durchdachten Problemlösen überzugehen, ähnlich wie Schüler während ihrer Bildungskarriere einen Wandel durchlaufen.