പുതിയ ഗവേഷണം മനുഷ്യർ എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യുന്ന ചില ജോലികൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) യെതിരെ ബുദ്ധിമുട്ടാണ് സാക്ഷ്യമാക്കുന്നത്—বিশേഷിച്ച് അനലോജClock വായിക്കുന്നത് ഉൾപ്പെടെ, നൽകിയ തീയതിക്ക് ആഴ്ചയുടെ ദിനം നിശ്ചയിക്കുന്നത്. എയ്ആയ് കോഡ്, ചിത്രങ്ങൾ, മനുഷ്യരാരുപോലെ ടെക്സ്റ്റ് സൃഷ്ടിക്കുക തുടങ്ങി വ്യത്യസ്ത തലങ്ങളിൽ പരീക്ഷകളിലും വിജയിക്കുന്നത് സൗകര്യപ്രദമായിരുന്നുവെങ്കിലും, അവ താളക്കൽകൾയുടെ സ്ഥിതിവിവരണവുമായി അസൗകര്യപ്പെടുകയും അടിസ്ഥാന കലണ്ടർ ഗണിതം പബ്ലിക്കുകയും ചെയ്യുന്നു. ഐസിഎൽ‌آർ 2025 അന്താരാഷ്ട്ര പഠന പ്രതിനിധീകരണ സമ്മേളനത്തിൽ (ICLR) അവതരിപ്പിച്ചു, ക്രമീകൃതപ്രതിഷ്ഠിത ഏവാരിയെ (arXiv) പ്രസിദ്ധീകരിച്ചിരിക്കുന്നു (അതിൽ ഇപ്പോഴും പരിഗണന തേടപ്പെടുന്നില്ല), ഈ പഠനം മനുഷ്യർ ആദ്യകാലം പഠിക്കുന്ന ജോലികളിൽ ആർടിഫിഷ്യൽ ഇന്റലിജൻസ് നമുക്കാകെ കാണിക്കുന്ന വലിയ അപര്യാപ്തതകളെ തെളിയിക്കുന്നു. യൂണിവേഴ്‌സിറ്റി ഓഫ് എഡിന്ബിര്ഡിന്റെ ലീഡ് എഴുത്തുകാരനായ റോഹിത് സാക്സേന ഈ ലംഘനങ്ങൾ പരിഹരിക്കേണ്ടത് അത്യന്താപേക്ഷിതമെന്ന് ഊന്നിമTow പിടിക്കുന്നു, കാരണം അതൊപ്പം സമയംസങ്കടങ്ങളായ സമയക്രമമോ സ്വയംക്കാർമം, സഹായകരമായ സാങ്കേതികവിദ്യകൾ പോലുള്ള യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിലുമാണ് AI പ്രയോഗം ഫലപ്രദമായുള്ളത്. ഗവേഷകർ വിവിധ മൾട്ടിമോഡൽ ലാംഗ്വേജുമായി എല്ലാ വലിയ മോഡലുകളെയും (MLLMs)—മേറ്റയുടെ ല്ലാമ 3. 2-വിജൻ, ആന്റ്രോപിക് ക്ലോഡ് 3. 5 സോനെറ്റ്, ഗൂഗിളിന്റെ ജെമിനി 2. 0, ഓപ്പൺഎഐയുടെ GPT-4o —കളുടെ പ്രത്യേക ഡേറ്റാസെറ്റുകളെ ഉപയോഗിച്ച് പരീക്ഷിച്ചു. മോഡലുകൾ നമૂനകളിൽ ടൈമിംഗ് ശരിയായി തിരിച്ചറിയാനായില്ല, ആഴ്ചകൾ കണക്കാക്കാനായില്ല; കണക്കുകൂട്ടലിലും കണക്കുകൂട്ടലുകളുടെ ശരിയായ നില തിരിച്ചറിയലും നിരവധി തവണ എളുതുകെഴുതിയതും മരുന്ന്, കൃത്യത നിരക്കുകൾ അനുമാനിച്ച് 38. 7% മാത്രമാണ് മണിക്കൂറുകൾക്ക്, 26. 3% മാത്രമാണ് കലണ്ടർ പ്രവർത്തനങ്ങളിൽ. സാക്സേന വിശദീകരിച്ചു, AI-യുടെ തെറ്റായ ടൈം വായനയിൽ ഇന്ന് സ്പേസ് റീസണിംഗിന്റെ കുറവാണ്—ഏതാനും ജോലികളിൽ ഹാൻഡുകളുടെ ഓവർലാപ്പ്, കോണങ്ങളുടെ അളവെടുപ്പുകൾ, മറ്റുമുള്ള വ്യത്യസ്ത ഘടനകൾക്കായ് നോക്കേണ്ടതും, റോമൻ അക്കങ്ങൾ അല്ലെങ്കിൽ സ്റ്റൈലൈസ് ചെയ്ത ഡയലുകൾ പോലുള്ളവ ഉൾപ്പെടുന്നു. ചിത്രത്തെ ഒരു ക്ലോക്കായി തിരിച്ചറിയുന്നത് എളുപ്പമാണ്, എന്നാൽ അതിന് കൃത്യമായ വായന കൈവരിക്കാൻ കഷ്ടമാണ്.

സമാനമായി, ഗണിതം കണക്കുകൂട്ടലിന്റെ അടിസ്ഥാനത്തിൽ ആയിരിക്കുമ്പോഴെങ്കിലും, വലിയ ഭാഷാ മോഡലുകൾ അവ കണക്കുകൂട്ടൽ അൽഗോരിതം വഴി നിർവഹിക്കുന്നതല്ല—ഇവ ട്രെയിനിംഗ് ഡേറ്റാ പാറ്റേണുകളെ ആശ്രയിച്ചാണ് പ്രവചനം നടത്തുന്നത്. ഇത് അസുസ്ഥിരമായ, നിയമപരമായ അല്ലാത്ത ഗണിതം മൂലത്തെയാണ് കാലാവധി കമ്പിളി പിഴവുകൾ പ്രകടമാകുന്നത്. ഈ പഠനം ഉയർന്ന തെളിവുകൾ ചേർക്കുന്നു—AIയുടെ “അര്ഥം” മനുഷ്യൻറെ ബുദ്ധിമുട്ടുള്ള രീതിയിൽ വ്യത്യസ്തമാണ്. AI വിജയിക്കുന്നു അവിടെ താങ്കൾ ഉയർന്ന പരിശീലന ഉദാഹരണങ്ങൾ ലഭിച്ചപ്പോൾ, എന്നാൽ അവ മാന്യതയും സ്പഷ്ടമായ ലോഗികവും ആവശ്യമുള്ള ഘടനകളിൽ പരിമിതമായ തമിഴ് ശേഷിയുണ്ടാക്കുന്നു. കൂടാതെ, ലീപ് വർഷങ്ങൾ പോലുള്ള അപൂർവ സംഭവങ്ങളിലേക്കു പരിമിതമായ പരിശീലന ഡേറ്റാ ആയിരക്കുകൂടി പ്രവർത്തനക്ഷമതയെ തടസം ചെയ്യുന്നുണ്ട്, കാരണം AI നിർവചനം ആവശ്യമുള്ള അടിസ്ഥാന ബന്ധങ്ങൾ കണ്മയമാകുന്നില്ല. ഫലങ്ങൾ വ്യക്തമായി കാണിക്കുന്നു, കൂടുതൽ സമഗ്രമായ, ലക്ഷ്യമിട്ട ഡേറ്റാസെറ്റുകൾ നിർമ്മിക്കേണ്ട ആവശ്യം, കൂടി എഐയുടെ ലాజിക്കലും സ്പേസ് റീസണിംഗും സങ്കലിപ്പിക്കുന്ന മുഹൂർത്തങ്ങൾ തിരിച്ചറിയേണ്ട സമീപനം ആവശ്യമാണ്. സാക്സേന കൂടി പറയുന്നു, കൃത്യമായ ഗണിതം ചേരുന്നതിനും വ്യത്യസ്ത തോഴ്മകളുമായുള്ള സമീപനങ്ങളിൽ അമിതമായി ആശ്രയിക്കാതെ, കർശനമായ ടെസ്റ്റിംഗ്, Fallback സംവിധാനങ്ങൾ, മനുഷ്യന്പോലെ നിരീക്ഷണമെന്തെന്നത് അത്യാവശ്യവും.