ახალი კვლევამ გამოავლინა შეკ CLOCK-ისა და კვირის დღის განსაზღვრის მსგავსი სამუშაოების სია, რომლებიც ადამიანს ადვილად ახერხებს, მაგრამ ხელოვნურმა ინტელექტმა (AI) რთულდება — კერძოდ, ანალოგური საათის კითხვასა და კონკრეტული თარიღისთვის კვირის დღის დადგენაში. მიუხედავად იმისა, რომ AI-ი შეუძლია კოდის, სურათების, ადამიანის მსგავსი ტექსტის გენერირება და ზოგჯერ გამოცდით გავლა, ის ხშირად ციტქობს საათის მეხსიერების მდგომარეობას და ვერ სწორად გამოითვლის კალენდრის ისეთ გართულებებს, როგორებიც არის ძირითადი კalendarის გამოთვლები. გამოქვეყნებულია 2025 წლის საერთაშორისო სწავლების შერეული კონფერენციის (ICLR) ფარგლებში და გამოქვეყნებული პრეიპრინტ სერვერ arXiv-ზე (ჯერ არ არის თვითმხილველური განხილვის ქვეშ), ეს კვლევა ხაზგასმით აჩვენებს მნიშვნელოვან ნაკლოვანებებს AI-ის შესაძლებლობაში შესრულდეს „ადამიანის მიერ მარტივად შესრულებად“ სამუშაოები. დიზაინერ ლიდერ რუდიტ სახენამ უნივერსიტეტის ედინბურგიდან აღნიშნა, რომ ეს ნაკლოვანებები უნდა ამოიწუროს, რათა AI-ი ამწუთიერ, რეალურ გარემოზე მორგებული და სასარგებლო იყოს ყოველდღიური ცხოვრების ფუნქციებში, როგორებიც არის გრაფიკის დაგეგმვა, ავტომატიზაცია და დახმარების ტექნოლოგიები. კვლევით ექსპერიმენტები ჩატარდა სხვადასხვა დიდი მოდულის (MLLMs) — მათ შორის Meta-ის ლლამა 3. 2-ვიზია, Anthropic-ის კლოდ-3. 5 სონეტი, Google-ის ჯემინி 2. 0 და OpenAI-ის GPT-4o — გამოყენებით, სადაც გამოიყენეს საკონსტრუქციო მონაცემთა კრება საათებისა და კალენდრის სურათებით. მოდელებმა ვერ შეძლეს სწორად დაადგინონ საათის დრო ან კვირის დღე საილუსტრაციოდ, მტკიცებულებების თანახმად, ზუსადობის მაჩვენებელი სულ მხოლოდ 38. 7%-ია საათებისთვის და 26. 3% კალენდრის დავალებებისთვის. სახენას განმარტა, რომ AI-ის ცუდი საათის კითხვას ძირი უჭირავს სივრცულ გამოთვლას — მათ შორის, რესპუბლიკური საათის ხელების გადაკვეთილობის გაუგებრობა, კუთხის პარამეტრების გამოცნობა და სხვადასხვა საათის სტილის გააზრება, როგორიცაა რომაული რიცხვები ან სტილიზებული დისკები. სურათის საათის სახით აღქმა უფრო ადვილია AI-ისთვის, ვიდრე ზუსტად კითხვის. ერთნაირად, მიუხედავად იმისა, რომ მიმოხილვა და გამოთვლები ბაზის ნაწილია, დიდი მოდლები არ ახდენენ გამოთვლებს ალგორითმებით, არამედ პროგნოზირებენ პასუხებს ნათლობის მოდელის მიხედვით.

ეს გამოიწვიოს დაუზუსტებელი და წესების გარეშე გამოთვლებს, რაც ხსნის მაღალი წარუმატებლობის დონეს თარიღთან დაკავშირებულ გამოთვლებში. ეს კვლევა ამტკიცებს, რომ AI-ის „გაგება“ უპირატესად განსხვავდება ადამიანური გონებისგან. AI უკეთ აღწევს, თუ მას აქვს ბევრი მაგალითი ტრენინგი, მაგრამ გაუჭირდა აბსტრაქტული ლოგიკისა და ზოგადი წარმომავლობის შექმნა, განსაკუთრებით ისეთი დავალებებით, სადაც ერთმანეთშია გაბმული აღქმა და ზუსტი ლოგიკა. ასევე, რარიმის მექანიზმის ამოცანის შეზღუდული მონაცემებით ტრენინგი აფერხებს მას ეფექტიანობას, რადგან AI ვერ ახერხებს საჭირო საკამათო კავშირების გაკეთებას. ფართო ნაყოფი ადასტურებს, რომ AI-ის „გაგება“ ძირითადი რჩება ადამიანური, და მნიშვნელოვანია, დამატებითი მონაცემების და სპეციალიზებული სეგმენტის შექმნა, რომ გაუმჯობესდეს მისი ლოგიკური და სივრცითი გამოთვლების უნარი. ეს ასევე ხაზს უსვამს რისკებს, როდესაც მომხმარებელი მავნე მომენტში依赖ს AI-ის პროდუქტებზე, განსაკუთრებით, სირთულისმიერი დავალებების შესრულებისთვის. სახენა ხაზგასმით აცხადებს, რომ საჭიროა გამჭვირვალე ტესტირება, ალტერნატიული გზები და ხშირად ადამიანი იქნას ჩართული, როცა AI-ის გამოყენება საჭიროებს აღქმის და ზუსტი გამოთვლების კომბინაციას.