Uusi tutkimus on tunnistanut joukon tehtäviä, joita ihmiset hoitavat vaivattomasti, mutta tekoäly (AI) kamppailee niiden kanssa—erityisesti analogisten kellojen lukemisessa ja viikonpäivän määrittämisessä tietylle päivämäärälle. Vaikka tekoäly pystyy tuottamaan koodia, kuvia, inhimillisen kaltaista tekstiä ja jopa suoriutumaan kokeista eri vaikutuksin, se tulkitsee usein väärin kellon osoituspisteitä ja epäonnistuu peruskalenterilaskuissa. Vuonna 2025 pidetyssä Kansainvälisessä esitysten oppimisesta (ICLR) -konferenssissa ja julkaistuna preprint-palvelu arXivissä (ei vielä vertaisarvioitu) esitetty tutkimus korostaa merkittäviä aukkoja tekoälyn kyvyssä suorittaa tehtäviä, jotka ihmiset osaavat hallita varhain elämässään. Pääkirjoittaja Rohit Saxena Edinburghin yliopistosta korosti, että näihin puutteisiin on puututtava, jotta tekoälyä voitaisiin käyttää tehokkaasti ajasta riippuvaisissa ja todellisissa sovelluksissa, kuten aikataulutuksessa, automaatiossa ja avustavissa teknologioissa. Tutkijat testasivat useita multimodaalisia suuria kielimalleja (MLLM)—mukaan lukien Meta:n Llama 3. 2-Vision, Anthropicin Claude-3. 5 Sonnet, Googlen Gemini 2. 0 ja OpenAI:n GPT-4o—käyttäen räätälöityä kuvadatana kello- ja kalenterikuvista. Mallit eivät onnistuneet tunnistamaan kellonaikoja tai määrittämään viikonpäiviä esimerkkipäivämäärien kohdalla yli puolessa tapauksista, saavuttaen vain 38. 7 % tarkkuuden kellojen osalta ja 26. 3 % kalenteritehtävissä. Saxena selitti, että AI:n huono kellonlukutaito johtuu sen puutteesta spatiaalisen päättelyn kyvyssä—tehtävissä, jotka vaativat provaamista käsien päällekkäisyyksien, kulmien mittaamisen ja erilaisten kellojen, kuten roomalaisten numeroiden tai tyyliteltyjen kellotaulujen, tulkintaa. Kuvan tunnistaminen kelloksi on AI:lle helpompaa kuin sen tarkka lukeminen. Samoin, vaikka laskenta on olennaista tietojenkäsittelyssä, suuret kielimallit eivät tee laskelmia algoritmien avulla; ne ennustavat sen sijaan tulokset koulutusdatan mallien perusteella.

Tämä johtaa epäjohdonmukaiseen ja sääntöjä vailla olevaan päättelyyn, mikä selittää korkeaa epäonnistumisprosenttia päivämääräperusteisissa laskutoimituksissa. Tämä tutkimus lisää kasvavaa todistusaineistoa siitä, että tekoälyn tapa "ymmärtää" poikkeaa perustavanlaatuisesti ihmisen kognitiosta. Tekoäly pärjää hyvin, kun laajoja koulutusmateriaaleja on saatavilla, mutta sillä on vaikeuksia abstraktissa päättelyssä ja yleistämisessä, erityisesti tehtävissä, joissa yhdistyvät havainnointi ja tarkka logiikka. Lisäksi harvinaisempien ilmiöiden, kuten karkausvuosien, rajallinen koulutusaineisto haittaa suorituskykyä, koska AI ei kykene muodostamaan vaadittavia käsitteellisiä yhteyksiä. Tulokset korostavat tarvetta rikkaammille, kohdennetummille datakoosteille ja AI:n kyvyn uudelleenarviointiin yhdistää loogista ja spatiaalista päättelyä. Lisäksi ne tuovat esiin riskin liiallisesta luottamuksesta AI:n tuottamiin tuloksiin monimutkaisissa tehtävissä. Saxena painotti tarvetta tiukalle testaukselle, varajärjestelmille ja usein ihmisen valvonnalle, kun AI:ta käytetään havainnoinnin ja tarkan päättelyn yhdistämisessä.