지수적인 컴퓨팅 스케일링 (compute scaling)이 지속됨에 따라, 프런티어 AI 모델 (frontier AI models)의 역량이 소규모의 고정된 예산을 가진 개발자들이 접근할 수 있는 수준을 앞지를 것인가? 아니면 역량이 수렴하여 "겸손한 모델들이 세상을 물려받게" 될 것인가? Gundlach et al. (2025b)의 연구를 바탕으로, 우리는 그 답이 우리가 AI 역량을 어떻게 가치 매기고 측정하느냐에 달려 있음을 보여준다. 우리는 전통적인 성능 측정 지표들을 논의하며, 검증 손실 (validation loss)은 격차가 줄어드는 것을 보여주는 반면, 다른 지표들에서는 프런티어 모델들이 영원히 격차를 벌려 나간다는 것을 보여준다. 훈련 (및 추론) 컴퓨팅과의 관계에 따른 기능적 형태별로 성능 지표를 분류함으로써, 우리는 어떤 지표가 겸손한 모델들에게 유리한지를 결정하는 엄격한 수학적 조건을 제공하며, 유계 성능 지표 (bounded performance metrics)는 항상 그러하다는 것을 보여준다. 하지만 성능 지표에 대한 신중한 해석은 필수적이다. 우리는 많은 일반적인 유계 지표들이 서로 밀접하게 연관된 비유계 (unbounded) 대응 지표를 가지고 있음을 (그 반대의 경우도 마찬가지임) 보여준다. 유계 지표와 비유계 지표는 서로 상반된 정책 대응을 시사할 수 있으므로, 특정 도메인에서 적절한 지표를 결정하는 것은 정책 수립의 전제 조건이다. 만약 소프트웨어 엔지니어링, 합성 생물학, 또는 수사적 설득력과 같은 특정 역량이 우리가 중요하게 여기는 관점에서 비유계라면, 프런티어 수준의 역량은 소수의 부유한 행위자들에게 집중될 가능성이 높다. 반대로, 만약 그 역량이 유계라면, 프런티어 수준의 역량은 겸손한 모델들을 통해 다수의 손으로 확산될 것이다.