စမ်းသပ်မှုအသစ်များက လူများအလွယ်တကူလုပ်နိုင်သော်လည်း အတုအကျဆုံးမဲ့ (AI) တွေ အခက်အခဲတွေကြုံနေရတဲ့ လုပ်ငန်းခွဲအချို့ကို ရှာဖွေဖော်ထုတ်ခဲ့ပြီး တာဝန်တာဝန်များကတော့ ဥပမာအားဖြင့် အာနလော့ဂျေးအချိန်စကင်ကို ဖတ်ရန်နှင့် သတ်မှတ်ရန်ဖြစ်ပါတယ်။ AI သည် ကုဒ်များ၊ ပုံများ၊ လူတိုင်းစာသားများကို ထုတ်လုပ်နိုင်ပြီး စာမေးပွဲကျော်နိုင်စွမ်းရှိ even though, ဤဆေးသံများအကြား၌ နားမှတ်မှုလိုက်စားမှုများကို များကြီးပြောနိုင်ပါသည်။ သို့သော်၊ သို့မဟုတ် မူပိုင်အချိန် ပြန့်ပွားသည့် လုပ်ငန်းများတွင် clock လက်များ၏နေရာများကို မှားဖော်ပြခြင်းနှင့် အခြေခံဇယားတွက်ချက်မှု မကျေရည်စာရင်းများကို မနှစ်နိုင်ပါ။ ၂၀၁၅ ခုနှစ် ကမ္ဘာ့ဗဟိုမူပိုင်သင်ကြားမှုကိုယ်စားလှယ်များ (ICLR) ၌ တင်ပြခဲ့ပြီး arXiv preprint ဆာဗာ (အရင်ဆုံး မေးခွန်းပေးခြင်းမရှိခဲ့) တွင် ထုတ်ဝေရန်လုပ်ရာတွင် လေ့လာမှုအကြီးအကျယ်များပြောကြားခဲ့သည်။ ဤလေ့လာမှုက AI ၏ လူများကကျွမ်းကျင်သောအကြံခံနိုင်စွမ်းများတွင် ကြုံတွေ့ရပုံမှားများကိုပြသပြီး လူ့အသက် လေးလံစွာအချက်အချာများကို သိရှိပေးသည်။ ဦးစီးစာရေးပီး ဦးရမှတ် Rohit Saxena (University of Edinburgh) သည် AI ၏ ဂဏန်းချိန်နှင့် သက်ဆိုင်သောအပေါ်ပိုင်းများတွင် ဆင်ခြေမကျ ရှာဖွေရန်လိုအပ်ကြောင်းကို ပြောကြားခဲ့သည်။ သုတေသန ပုဂ္ဂိုလ်များက ချဲ့ထွင်သုံးသပ်ခဲ့ကြပြီး မော်ဒယ်ကြီးများမော်ဒယ်ခွဲခွာစမ်းသပ်သော Llama 3. 2-Vision (Meta), Claude-3. 5 Sonnet (Anthropic), Gemini 2. 0 (Google), GPT-4o (OpenAI) စသဖြင့် လူ့ကြည့်ရှုမှု တွင် အသုံးပြုသော ဒေတာအပေါ်မှာ Clock နှင့် Calendar ပုံများကို စမ်းသပ်ထားကြသည်။ မော်ဒယ်များက အချိန်ဖော်ပြချက်များကို မှန်ကန်စွာ မသတ္တိပြုနိုင်ခဲ့ရသောကြောင့်၊ လုပ်ငန်းအလားအလာအရ များအကြီးအကျယ်လမ်းကြောင်းမပဲတစ်ပိုင်းတည်းဖြစ်ခဲ့ကြောင်းတွေ့ရှိခဲ့သည်။ Clock တာဝန်အပေါ်တွင် အသုံးပြုမှု ၃၈. ၇% ခန့်၊ Calendar ၌ ၂၆. ၃% ခန့်မှ မမွန်ကန်မှုများရှိခဲ့သည်။ Saxena သည် AI ၏ Clock ဖတ်စွမ်းအားမကောင်းခြင်း ကြောင့် ရုပ်ရှင်အမြင်အာရုံ မလိုအပ်မှုအကြောင်းရှင်းလင်းခဲ့သည်။ ထိုကြောင့် လက်များချစ်ပွားပြောင်းလဲမှုများ၊ အနေအထားပြည့်ဝေးမည့်အချိန်စမတ်များကဲ့သို့သော များစွာသော clock မျွှားများကို ဖော်ထုတ်နိုင်စွမ်းမရှိပါ။ Clock ဓာတ်ပုံကို မှတ်ယူသည်မှာ များတာဖြစ်ပေမယ့် မူလတန်းကို မှတ်မိခြင်းမှာ အခက်အခဲရှိသည်။ ထို့အတူ၊ ပြောရမည့်အချက်မှာ၊ ရှိနေသော ပြဿနာများနှင့် သတင်းအချက်အလက်များသည် ပုံမှန်ကာလများအတွက် မတွက်ချက်နိုင်ပါ။ ဤလေ့လာမှုသည် AI ၏ 'နားလည်မှု' ပုံစံက လူ့အကျင့်အကြင်အနှောင့်မှုများနှင့် မတူညီကြောင်း ထည့်သွင်းပြသပေးသည်။ AI သည် လေ့ကျင့်မှုအကြီးအကျယ်ကို ရှိမရှိလျှင် ကောင်းစွာလုပ်နိုင်ပေမဲ့ ဉာဏ်အရည်အချင်းမြင့်မားသော စိတ်ကူးမီအပေါ်မှာ မအာရုံစိုက်နိုင်ပါ။ ထို့အပြင်၊ ရှားပါးသည့် leap year များအပေါ်သင်ကြားမှုနည်းပါးမှုကြောင့် AI ၏ ပုံမှန်မူကြမ်းကို မပေးနိုင်ကြပါ။ ဤရလဒ်များသည် AI ၏ 'နားလည်မှု' ပုံစံသည် လူ့ဘောင်ဆက်ခံမှုနှင့် မတူကြောင်းကို ထောက်ခံပေးသည်။ AI သည် သင်ကြားမှုစာရင်းများအများအပြားရှိပါက အရမ်းကောင်းမြောက်နိုင်ပေမဲ့ မူကြမ်းမူဉာဏ်ရည်၊ မှတ်ဥာဏ်က်လမ်းကြောင်းအခက်အခဲများအပေါ် မမြင်နိုင်ခြင်းကို ဥပမာပြုသည်။ ထို့အပြင် တွေ့ရှိချက်များအရ၊ အေ့အာမကိုးကားပ warranted ဖော်ပြပြီး အဆိုပြုချက်များကို ပြန်လည်စစ်ဆေးခြင်းမှာ မရိုးရှင်းကြောင်းကို မှတ်ချက်ပေးထားသည်။