नई रिपोर्ट ने उन कार्यों का सेट पहचाना है जिन्हें मनुष्य आसानी से संभाल लेते हैं, लेकिन कृत्रिम बुद्धिमत्ता (एआई) को इसमें परेशानी होती है—विशेष रूप से एनालॉग घड़ियों को पढ़ना और किसी दिए गए तिथि के आधार पर सप्ताह का दिन निर्धारित करना। यद्यपि एआई कोड, चित्र, मानव जैसी टेक्स्ट जेनरेट करने और विभिन्न स्तरों पर परीक्षाएँ पास करने में सक्षम है, फिर भी यह अक्सर घड़ी की सुइयों की स्थिति का गलत अर्थ लगा लीता है और बुनियादी कैलेंडर गणित में असमर्थ रहता है। यह अध्ययन, जो 2025 के इंटरनेशनल कांफ्रेंस ऑन लर्निंग रिप्रेजेंटेशंस (ICLR) में प्रस्तुत किया गया और आर्काइव (arXiv) पर पब्लिश किया गया है—अभी पीयर-रिव्यू से नहीं गुजरा है—एआई की उन महत्वपूर्ण कमियों को रेखांकित करता है जिनमें मानव बचपन से ही निपुण हो जाते हैं। एडिनबर्ग विश्वविद्यालय के प्रमुख लेखक रोहित सक्सेना ने जोर देते हुए कहा कि इन कमियों को दूर करना आवश्यक है ताकि एआई का प्रभावी इस्तेमाल समय-संवेदनशील और वास्तविक विश्व के संदर्भों जैसे शेड्यूलिंग, ऑटोमेशन और सहायक तकनीकों में किया जा सके। शोधकर्ताओं ने विभिन्न मल्टीमोडल बड़े भाषा मॉडल (MLLMs) का परीक्षण किया—जिनमें मेटा का ल्लामा 3. 2-विजन, एंथ्रोपिक का क्लाउड 3. 5 सोननेट, गूगल का जेमिनी 2. 0, और ओपनएआई का जीपीटी-4o शामिल हैं—एक कस्टम डेटासेट के जरिए, जिसमें घड़ी और कैलेंडर की छवियां थीं। इन मॉडल्स ने आधे से अधिक समय तक सही ढंग से घड़ी का समय नहीं पहचान पाया या किसी दी गई तिथि का सप्ताह कादिन निर्धारित नहीं किया, जिसमें घड़ियों के लिए केवल 38. 7% और कैलेंडर कार्यों के लिए सिर्फ 26. 3% सटीकता दर दर्ज हुई। सक्सेना ने समझाया कि एआई की घड़ी पढ़ने में कमी उसकी स्थानिक तर्क क्षमता के अभाव के कारण है—ऐसे कार्य जिनमें सुइयों का ओवरलैप देखना, कोण मापना, और अलग-अलग डिजाइनों जैसे रोमन अंकों या स्टाइलिस्ट डायल को पहचानना शामिल है। किसी छवि को घड़ी के रूप में पहचानना आसान है, लेकिन उसे ठीक से पढ़ना कठिन। इसी तरह, गणित कंप्यूटिंग का मूलभूत हिस्सा होने के बावजूद, बड़े भाषा मॉडल गणितीय गणना एल्गोरिदम के माध्यम से नहीं करते; बल्कि, वे अपने प्रशिक्षण डेटा के पैटर्न पर आधारित आउटपुट की भविष्यवाणी करते हैं। यह असंगत और नियम-आधारित reasoning की कमी का कारण बनता है, जिससे तिथियों से संबंधित गणित में उच्च असफलता दर देखने को मिलती है। यह अध्ययन इस बात का भी प्रमाण देता है कि एआई का “समझना” मानव cognition से बुनियादी रूप से अलग है। जब प्रशिक्षण के उदाहरण प्रचुर मात्रा में होते हैं, तब एआई अच्छा प्रदर्शन करता है, लेकिन यह अमूर्त reasoning और सामान्यीकरण में कठिनाई महसूस करता है—विशेष रूप से ऐसे कार्यों में जो perception और सटीक तर्क को मिलाते हैं। इसके अतिरिक्त, लीप ईयर जैसी विरल घटनाओं पर सीमित प्रशिक्षण डेटा प्रदर्शन को प्रभावित करता है, क्योंकि एआई आवश्यक अवधारणा संबंध बनाने में विफल रहता है। इन निष्कर्षों से पता चलता है कि विशिष्ट और लक्षित डेटासेट की आवश्यकता है और यह भी कि एआई की तर्क और स्थानिक reasoning को समेकित करने की क्षमता का पुनर्मूल्यांकन जरूरी है, ताकि जटिल कार्यों में एआई पर अत्यधिक निर्भरता के जोखिमों को कम किया जा सके। सक्सेना ने जोर दिया कि जब एआई को perception और सटीक reasoning के संयोजन का कार्य सौंपा जाए, तो कठोर परीक्षण, बैकअप तंत्र, और मानवीय निगरानी का अभ्यास आवश्यक है।