नवीन संशोधनाने असे काही कार्य निश्चित केले आहेत जे मानवी सहजतेने हाताळतात, परंतु कृत्रिम बुद्धिमत्ता (एआय) यासाठी संघर्ष करत असते — विशेषत: अनालॉग घड्याळ वाचणे आणि दिलेल्या तारखेसाठी आठवड्याचा दिवस ठरवणे. जरी एआय कोड, छायाचित्रे, मानवसमान मजकूर तयार करू शकते आणि विविध स्तरावर परीक्षा पास करू शकते, तरीही त्याला अनेकदा घड्याळामधील हातांच्या पोझिशनचे योग्य समज नसते आणि मूलभूत कॅलेंडर गणितातही तो अपयशी ठरतो. 2025 च्या आंतरराष्ट्रीय शिक्षण प्रातिनिधिकरण परिषद (ICLR) मध्ये सादर झालेल्या आणि अ‍ॅरक्विव्ह (arXiv) या प्रीकनिशन सर्व्हरवर प्रसिद्ध झालेल्या या अभ्यासाने मानवी आयुष्यात लवकर शिकणाऱ्या क्षमतेपेक्षा एआयच्या कार्यक्षमतेत मोठ्या भिंती आहेत यावर प्रकाश टाकला आहे. एडिनबर्ग विद्यापीठातील प्रमुख लेखक रोहित सक्सेना यांनी यावर लक्ष केंद्रित केले की, ही कमतरता काळाबरोबर आवश्यक असलेल्या अनुप्रयोगांसाठी, जसे की वेळापत्रक, स्वयंचलित प्रणाली, आणि मदत करणाऱ्या तंत्रज्ञानासाठी, सक्षम बनवण्यासाठी काळजीपूर्वक लक्ष देणे गरजेचे आहे. शोधकांनी विविध मल्टिमोडल मोठ्या भाषिक मॉडेल्सची (MLLMs) चाचणी घेतली — त्यात मेटाचा ल्लामा 3. 2-विजन, अँथ्रोपिकचा क्लॉड-3. 5 सोननेट, गूगलगचा जेमिनि 2. 0, आणि ओपनएआयचा GPT-4o यांचा समावेश होता — आणि त्यांच्या सानुकूल डेटासेटचा वापर केला. या मॉडेल्सनी वेळेचं योग्य ओळखण्यात किंवा दिलेल्या तारखांसाठी आठवड्याचा दिवस ठरवण्यात अर्ध्याहून अधिक वेळ तयांना अयशस्वी ठरले, जिथे घड्याळासाठी फक्त 38. 7% आणि कॅलेंडर कार्यांसाठी 26. 3% अचूकता नोंदवली गेली. सक्सेना म्हणाले की, एआयचं घड्याळ वाचन कमी होण्यामागे त्याचं जागतिक_REASONing (स्थानिक Reasoning) चं अभाव आहे — जसे की हातांच्या ओव्हरलॅप, कोन मोजणी, आणि विविध घड्याळ डिझाइन्सना समजण्याची क्षमता, जसे रोमन अंक किंवा स्टायलाइज्ड डायल्स. एखाद्या प्रतिमेला घड्याळ म्हणून ओळखणं सोपं आहे, पण त्याचं अचूक वाचन करणं कठीण आहे.

त्याचप्रमाणे, गणित ही संगणकासाठी मूलभूत गोष्ट असली तरी, मोठ्या भाषिक मॉडेल्स गणिती गणना कृतीतून करत नाहीत; त्यांऐवजी, ते प्रशिक्षण डेटामधील नमुन्यांवर आधारित आउटपुटची भाकित करतात. यामुळे ते विसंगत आणि नियम-आधारित न ठेवता निर्णय घेऊ शकतात, आणि त्यामुळे तारखेशी संबंधित गणितात वाईट कामगिरी करतात. हा अभ्यास हे दर्शवतो की, एआयच्या “समज” करण्याच्या पद्धतीला मानवी मेंदूच्या प्रक्रियेपासून मूलभूत फरक आहे. अधिक प्रशिक्षण उदाहरणं उपलब्ध असताना, एआय उत्कृष्ट कार्य करतो, पण संकल्पनात्मक reasoning आणि सामान्यीकरणात अडचण येते, विशेषतः ज्या कार्यांमध्ये धारणा आणि अचूक तर्क एकत्र येतात. तसेच, लीप वर्षांसारख्या कमी दिसणाऱ्या घटनांबाबतच्या सीमित डेटामुळे कार्यक्षमता कमी होते, कारण एआय आवश्यक वैचारिक संबंध तयार करण्यात अयशस्वी ठरतो. या निष्कर्षांमुळे समर्पित, विस्तृत डेटासेटची गरज आणि एआयच्या तर्क व जागतिक Reasoning यांना समाकलित करण्याच्या क्षमतेचे पुनर्मूल्यांकन अत्यंत गरजेचे आहे, आणि गुंतागुंतीच्या कार्यांमध्ये एआयच्या परिणामांवर अतिश्रावीच्या परिणामांचा धोका लक्षात घ्यावा लागतो. सक्सेना यांनी सांगितले की, कडक चाचण्यांची, फॉलबॅक यंत्रणांची, आणि मानवी पर्यवेक्षणाची गरज आहे, विशेषतः जेव्हा एआय धारणा आणि अचूक तर्क यांचा संगम करतो.