ಮನುಷ್ಯರು ಸುಲಭವಾಗಿ ಕೈಗಾರಿಸಿದರು ವೆಂದು ತಿಳಿಸಿದ ಕೆಲ ಕಾರ್ಯಗಳನ್ನು ಗುರುತಿಸಿದೆ ಆದರೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಗೆ ಸಂಕಷ್ಟವಾಗುತ್ತಿರುವವುಗಳನ್ನು ಗುರುತಿಸಿದೆ — ವಿಶೇಷವಾಗಿ ಅನಾಲಾಗ್ ಘಡಿಮಾಗಳನ್ನು ಓದಲು ಮತ್ತು ನೀಡಲಾದ ದಿನಾಂಕಕ್ಕಾಗಿ ವಾರದ ದಿನವನ್ನು ತಲುಪಿಸುವುದು. AI ಕೋಡ್, ಚಿತ್ರಗಳು, ಮಾನವನಂತೆ ಬರೆಯುವ ಪಠ್ಯವನ್ನು ರಚಿಸಬಹುದು ಮತ್ತು ವಿವಿಧ ಮಟ್ಟಗಳಲ್ಲಿ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಉತ್ತಡಿಸಬಹುದು, ಆದರೂ ಅದು ಘಡಿಯ ಹಸ್ತಗಳ ಸ್ಥಾನವನ್ನು ಸರಿಯಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಿಲ್ಲ ಮತ್ತು ಮೂಲ ಕ್ಯಾಲೆಂಡರ್ ಗಣಿತವನ್ನು ವಿಫಲವಾಗುತ್ತದೆ. 2025ರ ಅಂತಾರಾಷ್ಟ್ರೀಯ ಕಲಿಕೆ ಪ್ರತಿರೂಪಣೆಯ ಸೇಮಿನಾರ್ (ICLR)ದಲ್ಲಿ അവതരിപ്പಿಸಲ್ಪಟ್ಟು, ಅರ್ಜಿ ಹಂಚಿಕೊಂಡ ಮುಂಚಿತ ಸಂಶೋಧನಾ ಸರ್ವರ್ arXivನಲ್ಲಿ (ಪೋಲಿ ಪರಿಶೀಲನೆಯಿಲ್ಲದೆ) ಪ್ರಕಟವಾದ ಈ ಅಧ್ಯಯನವು ಮಾನವರಿದ್ದಂತೆ ಆರಂಭದಲ್ಲಿ ನೆರವೇರಿಸಬೇಕಾದ ಕಾರ್ಯಗಳಲ್ಲಿ AI ಮನಸ್ಸು ಮಾಡಲೇನು ಎನ್ನುವ ಪ್ರಮುಖ ಅಂತರಗಳನ್ನು ಬೆಳಗಿಸುತ್ತದೆ. ಅವರ ಮುಖ್ಯಲೇಖಕ ರോഹಿತ್ ಸಕ್ಸೆನಾ, ಎಡಿನ್‌ಬಷ್ಟಿಯ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ, ಈ ದುರ್ಬಲತೆಗಳನ್ನು ಸರಿ ಮಾಡುವ ಅಗತ್ಯವಿದ್ದಿತು ಎಂದು ತಿಳಿಸಿದರು, ವಿಶೇಷವಾಗಿ ಸಮಯ ಸಂಬಂಧಿತ ಮತ್ತು ವಾಸ್ತವಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಉದಾಹರಣೆಗೆ ವೇಳಾಪಟ್ಟಿ, ಸ್ವಯಂಚಾಲನೆ ಮತ್ತು ಸಹಾಯಾತ್ಮಕ ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ AI ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಬೇಕಾದಾಗ. ಶೋಧಕರು ವಿವಿಧ ಬಹುಮುಖ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳ (MLLMs) - ಮೇಟಾದ ಲೆಮ್ಮಾ 3. 2-ವಿಷನ್, ಥಾನ್ರೋಪಿಕ್ ಕ್ಲೋಡ್-3. 5ಿಸೋನೇಟ್, ಗೂಗಲ್ ಜಿಮ್ಣಿ 2. 0 ಮತ್ತು ಓಪನ್AI ಚಾಟ್GPT-4o - ಬಳಸಿ ಇತ್ಯಾದಿ ಘಡಿಮಾ ಮತ್ತು ಕ್ಯಾಲೆಂಡರ್ ಚಿತ್ರಗಳ ಒಂದು ವಿಶಿಷ್ಟ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಪರೀಕ್ಷેલಿದ್ದಾರೆ. ಆ ಮಾದರಿಗಳು ಉತ್ಪನ್ನವಾಗಿ ಘಡಿಯ ಸಮಯ ತಿಳಿಯಲು ಅಥವಾ ನೀಡಲಾದ ದಿನಾಂಕಕ್ಕಾಗಿ ವಾರದ ದಿನ ನಿರ್ಧರಿಸುವಲ್ಲಿ ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು ಕಾಲ ವಿಫಲವಾದವು ಹಾಗೂ ಅತ್ಯಂತ ಸರಿಯಾಗಲಿಲ್ಲ, ಘಡಿಯ ಸತ್ಯಸಂಧರಣೆ ಸಾಧನಗಳಿಗೆ 38. 7% ಮತ್ತು ಕ್ಯಾಲೆಂಡರ್ ಕಾರ್ಯಗಳಿಗೆ 26. 3% ಮಾತ್ರ ಶುದ್ಧತೆ. ಸಕ್ಸೆನಾ ವಿವರಿಸುತ್ತಾರೆ, AIಗೆ ಘಡಿಯ ಓದುವಿಕೆಯ ದುರ್ಬಲತೆ ಕಾಲದ ಜಾಗತಿಕ ಯುಕ್ತಿಯನ್ನು ತಿಳಿಯದದರಿಂದ ಸಡುಪಿ ಇದೆ—ಅದೇ ಕಾರ್ಯಗಳಲ್ಲಿ ಹಸ್ತಗಳ ಓವರ್‌ಲ್ಯಾಪ್, ಕೋನದ ಅಳತೆ ಮತ್ತು ನಾನಾ ರೀತಿಯ ಘಡಿಮಾಡಗಳ ಚಿತ್ರವನ್ನಾಡಿಸುವುದು ಇರಬಹುದು, ಉದಾಹರಣೆಗೆ ರೋಮನ ಅಂಕೆಗಳು ಅಥವಾ ಸ್ಟೈಲೈಷ್ಡ್ ಡಯಲ್. ಚಿತ್ರವನ್ನು ಘಡಿಯಂತೆ ಗುರುತಿಸುವುದು AIಗೆ ಹೀಚೆಸಿಗುತ್ತದೆ, ಆದರೆ ಅದನ್ನು ಸರಿಯಾಗಿ ಓದುವುದು ಸುಲಭವಲ್ಲ. ಇದೇ ರೀತಿ, ಗಣಿತವು ಗಣನೀಯದಲ್ಲಿ ಮೂಲಭೂತವಿದ್ದರೂ, ದೊಡ್ಡ ಭಾಷಾವಾದ ಮಾದರಿಗಳು ಗೂಡಾದ ಅಲ್ಗರಿದಮಗಳ ಮೂಲಕ ಗಣನೆಗಳನ್ನು ಮಾಡಲಿಲ್ಲ; ಅವು ಬದಲು ತರಬೇತಿ ಡೇಟಾ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿ ಫಲಿತಾಂಶಗಳನ್ನು ಭವಿಷ್ಯವಾಣಿಯಾಗುತ್ತವೆ.

ಇದರ ಪರಿಣಾಮವಾಗಿ ನಿರ್ವಹಣೆಯಲ್ಲಿಯೇ ಭಿನ್ನ ತರ್ಕ ಮತ್ತು ನಿಯಮ-ಆಧಾರಿತವಲ್ಲದ ವಿವರಣೆಗಳನ್ನು ನೀಡುತ್ತವೆ, ಇದರಿಂದ ದಿನಾಂಕ ಸಂಬಂಧಿತ ಗಣಿತದಲ್ಲಿ ಹೆಚ್ಚಿನ ವಿಫಲತೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಈ ಅಧ್ಯಯನವು ಹೆಚ್ಚಾದ ಸಾಕ್ಷ್ಯಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ, AIಯ "ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ" ಮಾದರಿ ಮಾನವ ಚೇತನದಿಂದ ಮೂಲಭೂತವಾಗಿ ವಿಭಿನ್ನವಾಗಿದೆ. ಅತ್ಯಂತ ಪೂತ್ರ ತರಬೇತಿ ಮಾದರಿಗಳು ಇದ್ದಾಗ AI ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡುತ್ತದೆ ಮತ್ತು ಪರಿಪೂರ್ಣವಾದ ತರ್ಕ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣದಲ್ಲಿ δυσಾರೋಪಿಯಾಗುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಅರಿವಿನಿಂದ ನಮೂದಿಸುವ ಕಾರ್ಯಗಳಲ್ಲಿ. ಜಾರಿಯಲ್ಲಿ ಇಲ್ಲವೆ ಇತರ ಅಪರೂಪದ ಘಟನೆಗಳಂತಹ ಲೀಪ್ ವರ್ಷಗಳಂತಹ ವಿಷಯಗಳ ಬಗ್ಗೆ ತರಬೇತಿ ಡೇಟಾ ಕೊರತೆ ಇದನ್ನು ಕುಸಿತಗೊಳಿಸುತ್ತದೆ, ಏನುಮಾದರಿಯೂ ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಗ್ರಹಿಸುವಿಕೆಯೂ ತಪ್ಪುತ್ತದೆ. ಫಲಿತಾಂಶಗಳು, ಸಮಗ್ರ ಮತ್ತು ಗುರಿಯಡಿಸಿದ ಡೇಟಾಶೀಟ್‌ಗಳ ಅವಶ್ಯಕತೆಯನ್ನೋ, ಮತ್ತು ತಾಂತ್ರಿಕ, ಲಾಜಿಕ್ ಮತ್ತು ಜಾಗತಿಕ ಯುಕ್ತಿಯನ್ನು ಏಕಗೂಡಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಮರುವಿಚಾರಿಸುವ ಅಗತ್ಯವನ್ನೋ ಒತ್ತಿಹೇಳುತ್ತವೆ. ಒಟ್ಟು, ಕುಸುಮೆಯ ಕಾರ್ಯಗಳಲ್ಲಿ AI ಫಲಿತಾಂಶಗಳನ್ನು ಗರಿಷ್ಠವಾಗಿ ಅವಲಂಬಿಸುವ ಅಪಾಯಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಸಕ್ಸೆನಾ, ಕಠಿಣ ಪರೀಕ್ಷೆಗಳು, ಹಿನ್ನಡೆಯ ಬಗ್ಗೆ ಹೊಂದಾಣಿಕೆ ವಿಧಾನಗಳು ಮತ್ತು ಮಾನವರ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವನ್ನು, AI ಸ್ವೀಕೃತ ಕಾರ್ಯಕ್ರಮಗಳ ಸಂಯೋಕ್ತಿಯಿಂದಗಿನ ವಿವರಣೆ ಮತ್ತು ತರ್ಕದ ಸಮರ್ಥನೆಯನ್ನು ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಮುಖ್ಯವಾಗಿ ಒತ್ತಿಹೇಳುತ್ತಾರೆ.