لقد حدّدت بحوث جديدة مجموعة من المهام التي يتعامل معها البشر بسهولة، لكن الذكاء الاصطناعي يواجه صعوبة فيها — وبشكل خاص قراءة الساعات التناظرية وتحديد يوم الأسبوع لشهر معين. على الرغم من أن الذكاء الاصطناعي يمكنه توليد الأكواد والصور ونصوص شبيهة بالبشر، وحتى اجتياز الامتحانات بدرجات متفاوتة، إلا أنه غالبًا ما يخطئ في تفسير مواضع عقارب الساعة ويفشل في الحسابات الأساسية للتقويم. قدمت الدراسة في المؤتمر الدولي لعام 2025 حول تمثيلات التعلم (ICLR)، ونُشرت على منصة الأبحاث المسبقة arXiv (ولم تُراجع علميًا بعد)، وتسلط الضوء على الفجوات الكبيرة في قدرة الذكاء الاصطناعي على أداء المهام التي يتقنها الإنسان منذ سن مبكرة. وأكد المؤلف الرئيسي، روهيت ساكسينا من جامعة إدنبره، أن معالجة هذه النقائص ضرورية لكي يُطبّق الذكاء الاصطناعي بشكل فعال في السياقات التي تتطلب حساسية زمنية، مثل الجدولة والأتمتة والتقنيات المساعدة. اختبر الباحثون نماذج لغة متعددة الوسائط كبيرة (MLLMs) — بما في ذلك Llama 3. 2-Vision من ميتا، وClaude-3. 5 Sonnet من أنثروبيك، وGemini 2. 0 من جوجل، وGPT-4o من أوبن إيه آي — باستخدام مجموعة بيانات مخصصة من صور الساعات والتقاويم. فشلت النماذج في التعرف بشكل صحيح على أوقات الساعات أو تحديد أيام الأسبوع لتواريخ عينة في أكثر من نصف الحالات، حيث بلغت درجات الدقة فقط 38. 7% عند قراءة الساعات و26. 3% في مهام التقويم. وأوضح ساكسينا أن ضعف أداء الذكاء الاصطناعي في قراءة الساعات يرجع إلى نقص قدرته على التفكير المكاني — وهو المهارة التي تتطلب اكتشاف العقارب المتداخلة وقياس الزوايا وتفسير تصاميم الساعات المتنوعة، مثل الأرقام الرومانية أو الواجهات المنمقة. فالتعرف على الصورة كساعة هو أسهل بالنسبة للذكاء الاصطناعي من قراءتها بدقة.

وبالمثل، على الرغم من أن الحساب هو أساس البرمجة، فإن نماذج اللغة الكبيرة لا تقوم بالحسابات عبر خوارزميات، وإنما تتوقع المخرجات استنادًا إلى أنماط البيانات التي تدربت عليها. هذا يؤدي إلى استنتاجات غير منتظمة وغير قائمة على قواعد، وهو ما يفسر ارتفاع معدلات الفشل في العمليات الحسابية المتعلقة بالتواريخ. تضيف هذه الدراسة إلى الأدلة المتزايدة على أن طريقة “فهم” الذكاء الاصطناعي تختلف جوهريًا عن الإدراك البشري. يتفوق الذكاء الاصطناعي عندما تتوفر أمثلة تدريبية كثيرة، لكنه يواجه صعوبة في التفكير المجرد والتعميم، خاصة عند أداء مهام تتطلب دمج الإدراك مع المنطق الدقيق. بالإضافة إلى ذلك، فإن محدودية البيانات التدريبية حول ظواهر نادرة، مثل السنوات الكبيسة، تعيق الأداء، حيث يفشل الذكاء الاصطناعي في بناء الروابط المفاهيمية الضرورية. وتؤكد النتائج على ضرورة وجود مجموعات بيانات أغنى وأكثر تخصصًا، وإعادة تقييم قدرة الذكاء الاصطناعي على دمج التفكير المنطقي والمكاني، مع التحذير من المخاطر الناتجة عن الاعتماد المفرط على نتائج الذكاء الاصطناعي في المهام المعقدة. وشدد ساكسينا على أهمية الاختبارات الصارمة، ووجود آليات استرجاع، والدور المستمر للرصد البشري عند تكليف الذكاء الاصطناعي بمهام تتطلب الجمع بين الإدراك والتفكير الدقيق.