비의료 분야에서 대규모 자기 지도 학습 및 멀티모달 학습을 통해 컴퓨터 비전 및 언어 처리에 혁명을 가져온 파운데이션 모델(FMs)이 암 진단, 예후 예측, 멀티모달 검색 분야에서도 획기적인 발전을 가져올 것으로 예상되었으나, 최근의 체계적인 평가에서 낮은 진단 정확도, 열악한 견고성, 기하학적 불안정성, 높은 계산 요구량, 안전 문제 등의 근본적인 약점이 드러났다. 본 논문은 이러한 단점들을 분석하고, 이는 일반적인 파운데이션 모델링의 기본 가정과 인간 조직의 본질적인 복잡성 간의 개념적 불일치에서 기인한다고 주장한다. 생물학적 복잡성, 비효율적인 자기 지도 학습, 과도한 일반화, 과도한 아키텍처 복잡성, 도메인별 혁신의 부족, 불충분한 데이터, 조직 패치 크기와 관련된 근본적인 설계 결함 등 7가지 상호 관련된 원인을 제시하며, 현재의 병리 파운데이션 모델이 조직 형태의 특성과 개념적으로 일치하지 않으며, 패러다임 자체에 대한 근본적인 재고가 필요함을 강조한다.
