تحقیقات جدید مجموعه‌ای از وظایف را شناسایی کرده است که انسان‌ها بدون زحمت انجام می‌دهند اما هوش مصنوعی (AI) در آن‌ها مشکل دارد، به‌ویژه خواندن ساعت‌های آنالوگ و تعیین روز هفته برای یک تاریخ معین. اگرچه هوش مصنوعی می‌تواند کد، تصاویر، متن‌های شبیه انسان تولید کند و در آزمون‌ها به درجات مختلفی موفق باشد، اما اغلب در تفسیر صحیح موقعیت عقربه‌های ساعت و انجام حساب‌های پایه تقویم دچار اشتباه می‌شود. این مطالعه که در کنفرانس بین‌المللی نمایش‌های یادگیری (ICLR) در سال ۲۰۲۵ ارائه و در سرور پیش‌چکیده arXiv منتشر شده است (و هنوز مورد ارزیابی همتا قرار نگرفته است)، بر شکاف‌های قابل توجه در توانایی‌های هوش مصنوعی در انجام وظایفی که انسان‌ها در اوایل زندگی مهارت آن را دارند، تأکید می‌کند. روهیٹ ساکسنا، نویسنده مسئول و استاد دانشگاه ادینبورگ، بر این موضوع تأکید کرد که باید این کمبودها برطرف شوند تا هوش مصنوعی بتواند در زمینه‌های حساس به زمان و دنیای واقعی، مانند برنامه‌ریزی، اتوماسیون و فناوری‌های کمکی، مؤثر واقع شود. محققان چندین مدل بزرگ زبانی چندحسی (MLLM) از جمله Llama 3. 2-Vision شرکت Meta، Claude-3. 5 Sonnet از شرکت Anthropic، Gemini 2. 0 گوگل و GPT-4o شرکت OpenAI را با استفاده از مجموعه داده‌های مخصوص تصاویر ساعت و تقویم مورد آزمایش قرار دادند. این مدل‌ها در حدود نیمی از موارد نتوانستند زمان دقیق ساعت یا روزهای هفته برای تاریخ‌های نمونه را شناسایی کنند، و نرخ دقت آن‌ها فقط ۳۸. ۷٪ در تشخیص ساعت‌ها و ۲۶. ۳٪ در وظایف مربوط به تقویم بود. ساکسنا توضیح داد که ضعف در خواندن ساعت توسط هوش مصنوعی ناشی از نبود استدلال فضایی است—وظایفی که نیازمند تشخیص تداخل عقربه‌ها، اندازه‌گیری زاویه و تفسیر نوع‌های مختلف طراحی ساعت‌ها، مانند اعداد رومی یا صفحه‌های استیل، است. برای هوش مصنوعی، تشخیص تصویر به عنوان یک ساعت آسان‌تر است از خواندن دقیق آن.

به همین شکل، علیرغم اینکه حساب و ریاضیات بخش بنیادی محاسبات است، مدل‌های بزرگ زبانی عملیات حسابی را با استفاده از الگوریتم انجام نمی‌دهند؛ بلکه خروجی را بر اساس الگوهای داده‌های آموزشی پیش‌بینی می‌کنند. این امر منجر به استدلال‌های ناسازگار و غیرقانونی می‌شود که نرخ بالای شکست در حساب‌های مربوط به تاریخ‌ها را توضیح می‌دهد. این مطالعه به شواهد رو به رشد نشان می‌دهد که روش “درک” هوش مصنوعی با شناخت انسانی از نظر بنیادی متفاوت است. هوش مصنوعی در زمانی که نمونه‌های آموزشی فراوان وجود دارد، برتری دارد، اما در استدلال انتزاعی و تعمیم‌پذیری، به‌ویژه در وظایف ترکیبی از ادراک و منطق دقیق، ضعیف عمل می‌کند. علاوه بر این، کمبود داده‌های آموزشی درباره پدیده‌های نادرتر مانند سال کبیسه، عملکرد آن را مختل می‌کند، زیرا هوش مصنوعی توانایی برقراری ارتباطات مفهومی لازم را ندارد. این یافته‌ها بر ضرورت وجود مجموعه‌ داده‌های غنی‌تر و هدفمند تأکید دارند و نیاز به ارزیابی مجدد توانایی هوش مصنوعی در ادغام استدلال منطقی و فضایی را برجسته می‌سازند، و هشدار می‌دهند که تکیه بیش از حد بر خروجی‌های هوش مصنوعی در وظایف پیچیده می‌تواند خطرناک باشد. ساکسنا بر اهمیت آزمایش‌های دقیق، مکانیزم‌های پشتیبان، و نظارت انسانی مکرر زمانی که هوش مصنوعی وظیفه ادغام ادراک و استدلال دقیق را بر عهده دارد، تأکید کرد.