নতুন গবেষণায় একটি এমন কাজের সেট চিহ্নিত করা হয়েছে যা মানুষ সহজেই সম্পন্ন করতে পারে তবে কৃত্রিম বুদ্ধিমত্তা (AI) তার সঙ্গে সংগ্রাম করে—বিশেষ করে অ্যানালগ ঘড়ি পড়া এবং নির্দিষ্ট কোনও তারিখের জন্য সপ্তাহের দিন নির্ণয়। যদিও AI কোড, ছবি, মানুষের মতো টেক্সট তৈরি করতে পারে এবং বিভিন্ন পর্যায়ে পরীক্ষা পাস করতে সক্ষম, তবুও এটি প্রায়ই ঘড়ির হাতের অবস্থান ভুল বোঝে এবং মৌলিক ক্যালেন্ডার অংকের গাণিতিক ভুল করে। ২০২৫ সালে আন্তর্জাতিক শিক্ষণ উপস্থাপন সংস্থা (ICLR) এর সম্মেলনে উপস্থাপন এবং arXiv প্রি-প্রিন্ট সার্ভারে প্রকাশিত (অর্থাৎ এখনও সমীক্ষিত নয়), এই গবেষণায় উল্লেখ করা হয়েছে যে AI এর সেই গুরুত্বপূর্ণ কাজগুলো সম্পাদনে উল্লেখযোগ্য গ্যাপ আছে যা মানুষ ছোটবেলা থেকে আয়ত্ত করে নেয়। ঈদনবার্গ বিশ্ববিদ্যালয়ের প্রধান লেখক রোহিত সাক্সেনা গুরুত্ব দিয়ে বলেছেন যে, এই ত্রুটিগুলি সংশোধন করতে হবে যাতে AI সময়সংবেদনশীল এবং বাস্তব জগৎ-ভিত্তিক প্রয়োগ যেমন সূচি বানানো, স্বয়ংক্রিয়তা এবং সহায়ক প্রযুক্তিতে কার্যকরভাবে ব্যবহার করা যায়। গবেষকরা বিভিন্ন মাল্টিমোডাল লার্জ ল্যাঙ্গুয়েজ মডেল (MLLMs)—অন্তর্ভুক্ত Meta এর Llama 3. 2-Vision, Anthropic এর Claude-3. 5 Sonnet, Google এর Gemini 2. 0, এবং OpenAI এর GPT-4o—একটি কাস্টম ডেটাসেটের মাধ্যমে পরীক্ষা করেন ঘড়ি এবং ক্যালেন্ডার ছবি ব্যবহার করে। মডেলগুলো প্রায় অর্ধেক সময়ই সঠিকভাবে ঘড়ির সময় নির্ণয় বা নির্দিষ্ট তারিখের জন্য সপ্তাহের দিনের হিসাব করতে ব্যর্থ হয়, যেখানে ঘড়ির ক্ষেত্রে মাত্র ৩৮. ৭% এবং ক্যালেন্ডার কাজের ক্ষেত্রে ২৬. ৩% সঠিকতা দেখায়। সাক্সেনা ব্যাখ্যা করেন যে, AI এর খারাপ ঘড়ি পড়ার কারণ হলো এর স্থানিক যুক্তি কম থাকা—যেমন ঘড়ির হাতের ওভারল্যাপ, কোণের পরিমাপ, বিভিন্ন ধরণের ডিজাইন শনাক্তকরণ (যেমন রোমান সংখ্যাগুলি বা স্টাইলিস্টিক ডাইল)—সংক্রান্ত কাজগুলো। একটি ছবি কিরকম ঘড়ি তা শনাক্ত করা AI এর জন্য সহজ হলেও, সেটি নির্ভুলভাবে পড়া অনেক বেশি কঠিন। একইভাবে, গণিত মূল ভিত্তি হলেও, বৃহৎ ভাষার মডেলগুলো গণনা করে না অ্যালগরিদমের মাধ্যমে; এর পরিবর্তে, তারা ট্রেনিং ডেটার প্যাটার্নের উপর ভিত্তি করে আউটপুট পূর্বাভাস করে। এতে তাদের রুটিনহীন এবং অ-নিয়ম ভিত্তিক যুক্তি হওয়ার জন্য তারিখসংক্রান্ত অংকের ভুলের ঘটনা বেশি ঘটে। এই গবেষণাটি আরও প্রমাণ যোগ করে যে, AI এর “বুঝার” পদ্ধতি মানুষের জ্ঞান থেকে মৌলিকভাবে আলাদা। AI তখনই ভাল করে যখন প্রচুর ট্রেনিংউপার্জন হয়, তবে বিমূর্ত যুক্তি এবং সাধারণীকরণের ক্ষেত্রে সংগ্রাম করে—বিশেষ করে এমন কাজগুলিতে যেখানে পারস্পরিক ধারণা ও সূক্ষ্ম যুক্তি মিলিত হয়। তদ্ব্যতীত, লিপ বছরের মতো দুর্লভ ঘটনাগুলির উপর সীমিত ট্রেনিং ডেটার কারণে পারফরম্যান্স ব্যহত হয়, কারণ AI প্রয়োজনীয় ধারণাগত সংযোগগুলো করতে পারে না। ফলাফলগুলি আরও দেখায় যে, গভীর ও লক্ষ্যভিত্তিক ডেটাসেটের প্রয়োজন এবং AI এর যুক্তিগত ও স্থানিক যুক্তি সংযোজনের ক্ষমতা পুনর্বিবেচনার প্রয়োজন, যা অত্যন্ত জটিল কাজের ক্ষেত্রে AI এর উপর নির্ভরশীলতা ঝুঁকির সূচক। সাক্সেনা জোর দিয়ে বলেছেন যে, পরীক্ষা যথাযথভাবে durchführen করা, ব্যাকআপ ব্যবস্থা স্থাপন এবং মানব তদারকি অপরিহার্য যাতে AI যখন পারস্পরিক ধারণা ও নির্দিষ্ট যুক্তি মিলিত কাজ করে তখন এর কার্যকারিতা নিশ্চিত হয়।