پشت پرده Mythos؛ هوش مصنوعی ترسناک انتروپیک واقعاً چقدر قدرتمند است؟

شرکت Anthropic به‌تازگی از مدل هوش مصنوعی محرمانه به نام Mythos رونمایی کرده که گفته می‌شود توانسته بدون کمک انسان و در مدتی بسیار کوتاه، بیش از 150 آسیب‌پذیری روز صفر را در نرم‌افزارها و ابزارهای امنیتی پیدا کند. همین ادعا کافی بود تا Mythos ظرف چند روز به بحث‌برانگیزترین نام صنعت AI تبدیل شود. اما آیا واقعاً با مدلی روبه‌رو هستیم که می‌تواند موازنه قدرت میان OpenAI، گوگل و انتروپیک را تغییر دهد، یا بخش مهمی از این روایت صرفاً حاصل بزرگ‌نمایی رسانه‌ای است؟

مقدمه

در کمتر از چند هفته، نام Mythos از یک پروژه تقریباً ناشناخته در داخل شرکت Anthropic به یکی از بحث‌برانگیزترین واژه‌های صنعت فناوری تبدیل شد. از همان نخستین گزارش‌ها، رسانه‌ها تصویری از مدلی ترسیم کردند که نه فقط از Claude و GPT و Gemini قوی‌تر است، بلکه تا اندازه‌ای خطرناک شده که حتی سازنده‌اش هم جرئت انتشار عمومی آن را ندارد.

طی هفته اخیر، توسط رسانه‌های مختلف نقل شده که Mythos موفق شده در ابزارهای فوق‌امن شرکت‌های امنیتی، مرورگرها، سیستم‌عامل‌ها و پروژه‌های متن‌باز، ده‌ها و حتی صدها آسیب‌پذیری روز صفر پیدا کند؛ آن هم نه به کمک تیمی از پژوهشگران، بلکه تقریباً به‌صورت خودکار.

چنین روایتی طبیعتاً برای دنیای فناوری جذاب است. مدلی که می‌تواند به جای یک تیم کامل از تحلیلگران امنیتی، میلیون‌ها خط کد را در چند ساعت بررسی کند، ضعف‌های پنهان را بیرون بکشد، exploit بنویسد و حتی زنجیره حمله طراحی کند، بیش از آنکه شبیه یک ابزار نرم‌افزاری باشد، به یک سلاح دیجیتالی شباهت پیدا می‌کند.

اما درست در همین نقطه، باید میان هیجان رسانه‌ای و واقعیت فنی فاصله گذاشت. آیا واقعاً Mythos همان جهشی است که توازن قدرت میان OpenAI، گوگل و انتروپیک را به هم می‌زند؟ یا با نمونه‌ای دیگر از همان استراتژی قدیمی «خطرناک‌تر از آن‌چه اجازه انتشارش را داشته باشیم» روبه‌رو هستیم؟

Mythos دقیقاً چیست و چرا با مدل‌های عادی فرق دارد؟

بخش مهمی از سوءبرداشت‌ها درباره Mythos از اینجا شروع می‌شود که بسیاری آن را صرفاً نسخه‌ای قوی‌تر از Claude تصور می‌کنند؛ مدلی که متن‌های قدرتمند و منسجمی مانند انسان‌ها می‌نویسد، یک برنامه‌نویس ماهر و بسیار بهتر از رقباست و حتی به سوالات شما هم پاسخ‌های دقیق‌تری می‌دهد. اما شواهدی که تاکنون از داخل Anthropic و شرکای آن بیرون آمده، نشان می‌دهد Mythos اساساً برای هدف دیگری ساخته شده است.

این مدل ظاهراً یک LLM عمومی نیست، بلکه چیزی شبیه به یک سیستم تخصصی برای تحلیل کد، شناسایی ضعف‌های امنیتی و انجام عملیات پیچیده چندمرحله‌ای است.

تفاوت اصلی میتوس با مدل‌های رایج در این است که به‌جای پاسخ‌دادن به یک پرسش ساده، می‌تواند مانند یک پژوهشگر امنیتی عمل کند؛ یعنی ابتدا ساختار یک پروژه نرم‌افزاری را درک کند، وابستگی‌ها و نقاط حساس آن را پیدا کند، بخش‌هایی را که رفتار غیرعادی دارند جدا کرده، سپس برای آن‌ها سناریوی حمله طراحی و در نهایت بررسی کند که آیا آن سناریو واقعاً قابل سوءاستفاده هست یا نه.

طبق گزارش‌هایی که از آزمایش‌های داخلی منتشر شده، Mythos در محیط‌هایی به کار گرفته شده که برای مدل‌های متعارف تقریباً غیرقابل مدیریت هستند. صحبت از پروژه‌هایی با میلیون‌ها خط کد است؛ از هسته سیستم‌عامل‌ها گرفته تا موتورهای مرورگر، کتابخانه‌های رمزنگاری، ابزارهای پردازش تصویر و حتی نرم‌افزارهای قدیمی سازمانی که طی سال‌ها بارها تغییر کرده‌اند و حالا تقریباً هیچ انسانی درک کاملی از ساختار آن‌ها ندارد.

در چنین شرایطی، بزرگ‌ترین مزیت Mythos نه صرفاً «باهوش‌تر بودن»، بلکه توانایی آن در حفظ زمینه، دنبال کردن چند مسیر تحلیلی به‌صورت هم‌زمان و ساختن ارتباط میان خطاهای پراکنده است. بسیاری از آسیب‌پذیری‌های جدی در دنیای واقعی، حاصل یک باگ واحد نیستند. مهاجم باید چند ضعف کوچک و به ظاهر بی‌اهمیت را به هم وصل کند تا در نهایت بتواند از sandbox خارج شود، حافظه را تخریب کند یا به اجرای کد دلخواه برسد. گفته می‌شود Mythos دقیقاً در همین نقطه از رقبا جلوتر است.

ماجرای 150 آسیب‌پذیری روز صفر؛ واقعیت یا اغراق؟

همانطور که گفتیم، بخش بزرگی از جلب توجه رسانه‌ای با انتشار خبر «کشف 150 حفره روز صفر» آغاز شد. این خبر خیلی زود به تیتر اصلی رسانه‌ها تبدیل شد، اما وقتی به جزئیات نگاه می‌کنیم، ماجرا پیچیده‌تر از چیزی است که در نگاه اول به نظر می‌رسد.

در گزارش‌های اولیه گفته شد Mythos موفق شده بیش از 150 آسیب‌پذیری ناشناخته را در محصولات شرکت‌های امنیتی و نرم‌افزارهای مهم کشف کند. چند روز بعد، برخی منابع نزدیک به Anthropic پا را فراتر گذاشتند و از «هزاران آسیب‌پذیری بالقوه» حرف زدند.

این همان نقطه‌ای است که باید با دقت بیشتری به اصطلاحات نگاه کرد، چون در دنیای امنیت سایبری، میان یک crash ساده، یک رفتار مشکوک، یک ضعف بالقوه و یک exploit واقعی، فاصله بسیار زیادی وجود دارد.

بخش قابل‌توجهی از مواردی که Mythos پیدا کرده، ظاهراً هنوز در مرحله اولیه هستند؛ یعنی مدل توانسته شرایطی را پیدا کند که در آن برنامه کرش می‌کند، حافظه به شکل غیرمنتظره‌ای تغییر می‌کند یا بخشی از کد رفتاری غیرعادی نشان می‌دهد. اما این لزوماً به آن معنا نیست که مهاجم می‌تواند از همان ضعف برای نفوذ واقعی استفاده کند. در بسیاری از پروژه‌ها، شاید ده‌ها یا حتی صدها crash ثبت شود، اما تنها یکی از آن‌ها در نهایت به یک آسیب‌پذیری عملی و خطرناک تبدیل شود.

از سوی دیگر، بخش مهمی از یافته‌های Mythos مربوط به کدهای قدیمی و پروژه‌های legacy بوده‌اند؛ نرم‌افزارهایی که سال‌هاست توسعه‌دهندگان مختلف روی آن‌ها کار کرده‌اند و کسی دیگر تصویر کاملی از معماری آن‌ها ندارد. در چنین پروژه‌هایی، وجود باگ‌های قدیمی چندان عجیب نیست.

جالب است بدانید، گزارش‌هایی وجود دارد که Mythos موفق شده یک ضعف 27 ساله را در OpenBSD و یک باگ 16 ساله را در FFmpeg پیدا کند؛ مسائلی که سال‌ها از نگاه توسعه‌دهندگان پنهان مانده بودند.

این ادعا نخستین‌بار در گزارش مشترک The Information و سپس در پوشش رسانه‌ای Ars Technica مطرح شد؛ جایی که منابع نزدیک به Anthropic مدعی شدند مدل Mythos هنگام بررسی خودکار پروژه‌های قدیمی، خطاهایی را پیدا کرده که از دهه 1990 و اوایل دهه 2000 در کد باقی مانده بودند.

دستاوردهای فعلی میتوس بدون تردید قابل‌توجه هستند؛ اما هنوز به معنای آن نیست که مدل به شکل جادویی می‌تواند هر سامانه‌ای را بشکند.

آنچه تاکنون به‌نظر محتمل‌تر می‌رسد این است که Mythos واقعاً در کشف ضعف‌های امنیتی از بسیاری از مدل‌های فعلی جلوتر است، اما عددهای مطرح‌شده تا حدی با بزرگ‌نمایی رسانه‌ای همراه شده‌اند.

به بیان دقیق‌تر، Anthropic احتمالاً مجموعه‌ای از صدها یافته واقعی و ارزشمند را به‌عنوان نشانه‌ای از وجود «هزاران ضعف دیگر» معرفی کرده است. این تفاوت ظریفی، نکته‌ای است که برای درک جایگاه واقعی Mythos اهمیت بالایی دارد.

چرا Mythos تا این اندازه ترس ایجاد کرده است؟

آنچه باعث شده Mythos بیش از هر مدل دیگری واکنش ایجاد کند، صرفاً قدرت آن نیست؛ بلکه این است که برای نخستین بار یک مدل زبانی به حوزه‌ای وارد شده که تا همین چند سال پیش در انحصار گروه کوچکی از متخصصان فوق‌حرفه‌ای بود.

در گذشته، حتی بهترین مدل‌های AI نهایتاً می‌توانستند یک قطعه کد را توضیح دهند، آسیب‌پذیری‌های شناخته‌شده را تشریح کنند یا exploitهای قدیمی را بازنویسی کنند. اما آنچه درباره Mythos مطرح شده، چیزی فراتر از این‌هاست. گفته می‌شود این مدل می‌تواند چند میلیون خط کد را هم‌زمان بخواند، میان ده‌ها مؤلفه ارتباط برقرار کند، فرضیه بسازد، آن‌ها را آزمایش کند و در نهایت به یک زنجیره حمله کامل برسد.

اگر ادعاهای پیرامون میتوس واقعاً عملیاتی باشد، پیامد آن بسیار مهم‌تر از صرفاً پیدا شدن چند باگ جدید خواهد بود.

در حال حاضر، کشف یک آسیب‌پذیری پیچیده ممکن است برای یک تیم حرفه‌ای هفته‌ها یا حتی ماه‌ها زمان ببرد. حالا تصور کنید مدلی وجود داشته باشد که همین فرایند را در چند ساعت انجام دهد و بتواند صدها پروژه را به‌طور موازی بررسی کند. در آن صورت، نه‌تنها سرعت کشف آسیب‌پذیری‌ها افزایش پیدا می‌کند، بلکه اساساً توازن میان مهاجمان و مدافعان تغییر خواهد کرد.

دقیقاً به همین دلیل است که برخی تحلیلگران از Mythos به‌عنوان نخستین «مدل دوکاربرده واقعی» یاد می‌کنند؛ ابزاری که می‌تواند هم برای دفاع استفاده شود و هم برای حمله.

شرکتی که امروز با Mythos باگ‌های محصولات خود را پیدا می‌کند، باید این نگرانی را هم داشته باشد که فردا همان فناوری در اختیار مهاجمان قرار بگیرد.

اما آیا Mythos واقعاً از همه رقبا بهتر است؟

در فضای رسانه‌ای این‌طور به نظر می‌رسد که Mythos با فاصله‌ای بسیار زیاد از همه مدل‌های دیگر جلوتر است، اما داده‌های منتشرشده چنین تصویری را تأیید نمی‌کنند.

تحلیل‌هایی که پس از معرفی Mythos منتشر شدند، به‌ویژه پژوهش Aisle و بررسی Tom’s Hardware، نشان می‌دهند که اگرچه Mythos در بسیاری از تست‌های امنیتی بهترین عملکرد را داشته، اما فاصله آن با رقبایش بسیار کمتر از چیزی است که در تبلیغات اولیه دیده می‌شود.

در مقاله Tom’s Hardware به‌صراحت آمده که مدل‌های سبک‌تر و ارزان‌تر، در بسیاری از سناریوها به 70 تا 90 درصد عملکرد Mythos رسیده‌اند و اختلاف اصلی بیشتر در پروژه‌های بسیار پیچیده و چندمرحله‌ای دیده می‌شود. پژوهش Aisle نیز در ارزیابی خود نتیجه گرفته که Mythos «بهترین مدل امنیتی موجود» است، اما نه با آن فاصله‌ای که انتروپیک و برخی رسانه‌ها در روزهای نخست در بوق و کرنا می‌کردند!

بحث مهم دیگر، در خصوص هزینه‌ است. به تناسبی که در خصوص عملکرد عنوان شد، در برخی سناریوها نیز مدل‌های ارزان‌تر و سبک‌تر توانسته‌اند چیزی بین 70 تا 90 درصد عملکرد Mythos را با هزینه‌ای بسیار پایین‌تر تکرار کنند.

فاصله عملکرد تسک‌های عادی یا حتی نیمه پیشرفته بین Mythos و رقبا چندان فاحش نیست.

به‌عنوان مثال، وقتی مسئله صرفاً پیدا کردن یک خطای شناخته‌شده، بازنویسی exploit یا تحلیل محدود یک فایل بوده، مدل‌هایی مانند نسخه‌های تخصصی GPT، Gemini و حتی بعضی مدل‌های متن‌باز عملکردی نزدیک به Mythos داشته‌اند.

مزیت واقعی Mythos زمانی ظاهر می‌شود که مسئله بسیار پیچیده، چندلایه و زمان‌بر باشد؛ مثلاً تحلیل یک سیستم‌عامل کامل، پیدا کردن زنجیره‌ای از چند باگ مرتبط یا بررسی محصولی که ده‌ها سال کد legacy در آن انباشته شده است. در این شرایط، اختلاف 10 یا 20 درصدی میان مدل‌ها دیگر فقط یک عدد نیست. اگر مدلی بتواند به جای چند هفته، در چند ساعت به نتیجه برسد، همین اختلاف می‌تواند برای یک شرکت امنیتی یا یک دولت، میلیاردها دلار ارزش داشته باشد.

با این حال، Mythos حتی در همین حوزه هم چندان بی‌نقص نیست. برخی پژوهشگران گفته‌اند که این مدل با وجود دقت بالا، همیشه پایدار نیست. گاهی تحلیل‌های بسیار درخشان ارائه می‌کند و گاهی در همان پروژه، نتیجه‌ای ناقص یا حتی اشتباه تحویل می‌دهد.

در منابع فوق اشاره شده که گزارش‌هایی نیز درباره uptime پایین، ناپایداری در جلسات طولانی و پاسخ‌های متناقض وجود دارد. این یعنی Mythos هنوز بیشتر شبیه یک پژوهشگر بسیار بااستعداد اما غیرقابل‌پیش‌بینی است تا یک ابزار صنعتی کاملاً بالغ.

Mythos دقیقاً برای چه کارهایی ارزش دارد؟

بزرگ‌ترین کاربرد Mythos در پروژه‌هایی است که برای انسان‌ها بیش از حد بزرگ، پیچیده یا خسته‌کننده‌اند. وقتی یک شرکت باید امنیت میلیون‌ها خط کد را در هسته سیستم‌عامل، مرورگر، شبکه بانکی یا سامانه‌های مخابراتی بررسی کند، مدل‌هایی مانند Mythos می‌توانند زمان و هزینه را به شکل چشمگیری کاهش دهند.

در چنین سناریوهایی، Mythos احتمالاً بیش از هر چیز به یک دستیار فوق‌پیشرفته برای تیم‌های امنیتی تبدیل می‌شود. در این شرایط باید بگوییم که میتوس، نه به عنوان جایگزین کامل انسان، بلکه به عنوان ابزاری که ده‌ها فرضیه را سریع‌تر از هر تیمی بررسی می‌کند، می‌تواند کد را زیرورو کرده، ارتباط‌های پنهان را پیدا نموده و در نهایت چند مسیر محتمل را برای تحلیلگران انسانی باقی بگذارد.

استفاده از Mythos برای کارهای عادی مانند تولید متن و برنامه‌نویسی مانند استفاده از ابررایانه به عنوان ماشین حساب حسابداری است

از سوی دیگر، Mythos برای بسیاری از استفاده‌های رایج، عملاً توجیهی ندارد. برای تولید محتوا، ترجمه، برنامه‌نویسی روزمره، خلاصه‌سازی متن یا حتی توسعه عادی نرم‌افزار، مدل‌های بسیار ارزان‌تر می‌توانند تقریباً همان نتیجه را ارائه دهند.

استفاده از مدلی که برای یافتن آسیب‌پذیری در هسته لینوکس طراحی شده به عنوان دستیاری که از آن می‌خواهید تا یک مقاله بنویسد یا یک وب‌سایت ساده بسازد، تقریباً مانند این است که از یک ابررایانه به عنوان ماشین حساب برای حسابداری مالی استفاده کنید.

به همین دلیل، برخلاف هیجانی که پیرامون Mythos شکل گرفته، این مدل احتمالاً قرار نیست به ابزار عمومی همه کاربران تبدیل شود. جایگاه واقعی این مدل در لایه‌ای بسیار خاص‌تر و گران‌تر از بازار است؛ جایی که شرکت‌های امنیتی، دولت‌ها، آزمایشگاه‌های تحقیقاتی و غول‌های فناوری حاضرند برای چند درصد عملکرد بیشتر، هزینه‌های بسیار سنگینی بپردازند.

آیا Anthropic در حال تکرار همان بازی تبلیغاتی OpenAI است؟

اما پیرامون گسترش جو رسانه‌ای نیز فرضیات زیادی مطرح شده که می‌گوید انتروپیک در حال تکرار تکنیک شناخته‌شده اوپن‌ای‌آی در بزرگنمایی بیش‌ازحد محصولاتش است. اصولاً این گزاره را نمی‌توان نادیده گرفت، چون شباهت‌های جوی که امروز پیرامون Mythos شکل گرفته با محصولات OpenAI بسیار زیاد هستند.

در چند سال گذشته، OpenAI بارها متهم شد که از روایت «مدل بیش از حد خطرناک برای انتشار» برای جلب توجه رسانه‌ها و سرمایه‌گذاران استفاده می‌کند. نتیجه این روایت، شکل‌گیری تصویری از فناوری‌ای بود که هم ترسناک است و هم وسوسه‌انگیز؛ چیزی که همزمان هم دولت‌ها را نگران می‌کند و هم آن‌ها را به سرمایه‌گذاری بیشتر در حوزه AI سوق می‌دهد.

Anthropic حالا دقیقاً از همان الگو استفاده می‌کند. نشریه Financial Times در گزارشی در اواخر ماه گذشته میلادی نوشت که استراتژی رسانه‌ای انتروپیک پیرامون Mythos شباهت زیادی به رویکرد پیشین OpenAI در مورد GPT-4 و پروژه Q* دارد؛ یعنی تأکید بر «بیش از حد خطرناک بودن برای انتشار» در کنار دسترسی محدود و کنترل‌شده.

فایننشال تایمز معتقد است که همین روایت باعث شده نام Mythos ظرف چند روز به یکی از پربحث‌ترین موضوعات در صنعت هوش مصنوعی تبدیل شود.

‌شرکت‌ها با تکنیک جو رسانه‌ای می‌خواهند محصول «خیلی خوب» خود را «فوق عالی» جلوه دهند!

 Mythos معرفی می‌شود، سپس گفته می‌شود انتشار عمومی آن ممکن نیست، بعد پروژه‌ای مانند Glasswing مطرح می‌شود که هدفش محافظت از اینترنت پیش از آزاد شدن مدل است و در نهایت رسانه‌ها وارد چرخه‌ای از هیجان، ترس و گمانه‌زنی می‌شوند.

با این حال، تفاوت مهمی بین این دو مسیر وجود دارد. در بسیاری از موارد قبلی، شرکت‌ها صرفاً درباره توانایی‌های آینده حرف می‌زدند، اما در مورد Mythos، چند شرکت بزرگ فناوری ظاهراً تأیید کرده‌اند که این مدل واقعاً موفق به کشف ضعف‌های جدی شده است.

همین مسئله باعث می‌شود روایت Anthropic را نتوان صرفاً یک نمایش تبلیغاتی دانست. احتمالاً واقعیت این است که شرکت، هم به یک دستاورد مهم رسیده و هم به‌خوبی می‌داند چگونه آن را به یک داستان بزرگ و پرسر و صدا تبدیل کند.

ماجرای وزارت دفاع آمریکا و بازگشت همکاری با Anthropic

یکی از حساس‌ترین ابعاد پرونده Mythos، ارتباط آن با دولت آمریکا و به‌ویژه وزارت دفاع ایالات متحده است. چند ماه پیش، گزارش‌هایی منتشر شد که نشان می‌داد Anthropic به دلیل نگرانی از استفاده نظامی و تهاجمی از مدل‌هایش، حاضر نشده همکاری گسترده‌تری با پنتاگون داشته باشد. در آن زمان گفته می‌شد این شرکت نگران است که مدل‌هایش در تحلیل اهداف، طراحی عملیات سایبری یا حتی سامانه‌های تسلیحاتی نیمه‌خودکار به کار گرفته شوند.

اما حقیقت این است که حالا شرایط تغییر کرده است. با ظهور Mythos، ارزش استراتژیک Anthropic برای دولت آمریکا چند برابر شده است. مدلی که می‌تواند آسیب‌پذیری‌های ناشناخته را در زیرساخت‌های حیاتی پیدا کند، برای ارتش و نهادهای اطلاعاتی بیش از حد مهم است که نادیده گرفته شود.

ابزارهای که چند ماه پیش نگران سوءاستفاده نظامی از آن بودند حالا به راحتی در اختیار کاربردهای نظامی قرار خواهد گرفت.

همین موضوع باعث شده دوباره زمزمه‌هایی درباره آغاز همکاری میان Anthropic و وزارت دفاع امریکا شنیده شود. خبرگزاری Bloomberg در گزارشی که چند روز پیش منتشر شده نوشته که پس از چند ماه توقف مذاکرات، وزارت دفاع آمریکا بار دیگر گفتگو با انتروپیک را از سر گرفته و این بار محور اصلی مذاکرات، دسترسی محدود به Mythos برای بررسی امنیت زیرساخت‌های حیاتی و سامانه‌های نظامی است.

نکته جالب اینجاست که همان شرکتی که چند ماه پیش از خطر سوءاستفاده نظامی حرف می‌زد، حالا قدرتمندترین ابزار خود را در حوزه‌ای عرضه کرده که بیش از هر چیز برای نهادهای نظامی و اطلاعاتی ارزش دارد.

این تناقض احتمالاً در ماه‌های آینده به یکی از مهم‌ترین موضوعات بحث درباره Mythos تبدیل خواهد شد. اگر مدل واقعاً تا این اندازه توانمند باشد، تقریباً غیرممکن است که دولت‌ها بخواهند بیرون از این رقابت بمانند و شاید به زودی شاهد همکاری انتروپیک با دولت‌های دیگر قدرتمند دنیا نیز باشیم (و شاید هم نباشیم!).

آیا Mythos واقعاً موازنه قدرت در دنیای AI را تغییر می‌دهد؟

پاسخ به این سوال، دست‌کم در کوتاه‌مدت، منفی است. Mythos هنوز آن‌قدر از رقبا جلوتر نیست که OpenAI یا گوگل را از میدان خارج کند. اما اهمیت واقعی آن جای دیگری است. این مدل نشان می‌دهد رقابت آینده دیگر بر سر این نیست که کدام چت‌بات بهتر متن می‌نویسد یا کدام مدل بهتر به پرسش‌های عمومی جواب می‌دهد.

نسل بعدی رقابت احتمالاً حول مدل‌های فوق‌تخصصی شکل می‌گیرد؛ مدل‌هایی که برای یک حوزه خاص ساخته می‌شوند و در همان حوزه، چندین برابر ارزشمندتر از مدل‌های عمومی هستند.

میدان اصلی رقابت ابرمدل‌های فوق‌پیشرفته، امنیت سایبری، طراحی تراشه، کشف دارو، زیست‌فناوری و تحلیل نظامی خواهند بود.

از این زاویه، Mythos شاید هنوز تغییر‌دهنده کامل بازی نباشد، اما به‌وضوح نخستین نشانه از دوره‌ای تازه است. دوره‌ای که در آن، برنده لزوماً شرکتی نیست که بزرگ‌ترین مدل عمومی را دارد؛ بلکه شرکتی برنده است که بتواند برای مهم‌ترین و پیچیده‌ترین مسائل جهان، مدل‌های تخصصی‌تر، بهتر و حتی خطرناک‌تری بسازد.