Uus uuring on tuvastanud hulga ülesandeid, millega inimesed saavad hõlpsalt hakkama, kuid tehisintellekt (TI) võitleb nendega – eriti analoogkellade lugemine ja näidatud kuupäeva järgi nädala päeva määramine. Kuigi TI suudab genereerida koodi, pilte, inimesele sarnast teksti ning isegi erinevatel tasemetel vastata eksamitele, siis sageli valesti tõlgendab kellanäppude asukohti ning ebaõnnestub põhikalendararvutustes. Uuring, mis esitati 2025. aasta Rahvusvahelisel Õppimisrepresentatsioonide Konverentsil (ICLR) ning avaldati preprint-serveril arXiv (veel läbi vaatamata), toob esile olulised lüngad TI võimes sooritada ülesandeid, millega inimesed on juba varakult hakkama saanud. Peamarralihil autor Rohit Saxena Edinburghi Ülikoolist rõhutas, et neid puudujääke tuleb parandada, et TI võiks tõhusalt rakenduda aja tundlikes ja reaalse maailma kontekstides nagu ajakava koostamine, automatiseerimine ja abitehnoloogiad. Uurijad testisid mitmeid multimodaalseid suuri keelemudeleid (MLLM-e) – sealhulgas Meta Llama 3. 2-Vision, Anthropic Claude-3. 5 Sonnet, Google Gemini 2. 0 ning OpenAI GPT-4o – kasutades kohandatud andmestikku kellapiltidest ja kalendritest. Modellid ei suutnud enamiku juhtudest õigesti kellaaega või nädalapäeva määrata, saavutades vaid 38, 7% täpsuse analoogkellade ja 26, 3% kalendriaegsete ülesannete puhul. Saxena selgitas, et TI halb kellalugemine tuleneb selle ruumilise järeldusvõime puudumisest – ülesannetest, mis nõuavad kohakuti olevate käegade eristamist, nurkade mõõtmist ning erinevate kelladisainide, näiteks rooma numbrite või stiliseeritud näidikute, tõlgendamist. Pildi äratundmine kui kell on TI jaoks lihtsam kui selle täpne lugemine.

Samuti, kuigi aritmeetika on arvutiteehnikas põhialus, ei tehta suurte keelemudelite abil arvutusi algoritmide kaudu; pigem prognoositakse väljundit treeningandmete mustrite põhjal. See põhjustab ebajärjepidevat ja mitte-seaduspärast järeldust ning selgitab kõrget läbikukkumise määra kuupäevadega seotud aritmeetilistes ülesannetes. See uuring lisab kasvavale tõendusmaterjalile, et TI “mõistmine” erineb põhimõtteliselt inimlikust kognitsioonist. TI teeb hästi, kui on palju treeningandmeid, kuid võitleb abstraktse järeldamise ja üldistamisega, eriti ülesannete puhul, mis ühendavad tajumise ja täpse loogika. Lisaks piiratud treeningmaterjalide puhul haruldasemate nähtuste, näiteks hüppeaastate, puhul on tulemused halvemad, kuna TI ei suuda teha vajalikke kontseptuaalseid seoseid. Tulemused rõhutavad vajadust rikastamate ja sihitud andmestike järele ning TI võimekuse üle hindamise üle, eriti loogilise ja ruumilise järeldamise integratsioonis, ning näitavad riske, mis kaasnevad TI-ttide ületamatul usaldamisel keerulistes ülesannetes. Saxena leidis, et on ülimalt oluline teha ranget testimist, kasutusele võtta tagasipöörduvad mehhanismid ning hoida sageli inimsuvi jälgimist olukordades, kus TI peab ühendama tajumise ja täpse järeldamise.