Nový výskum identifikoval súbor úloh, s ktorými sa ľudia jednoducho vyrovnávajú, no umelá inteligencia (AI) má s nimi problémy – konkrétne čítanie analógových hodiniek a určenie dňa v týždni k určitému dátumu. Hoci AI dokáže generovať kód, obrázky, text podobný človeku a dokonca skladať skúšky do rôznych úrovní, často zle interpretuje polohu ručičiek na hodinkách a zlyháva pri základných kalendárnych výpočtoch. Štúdia, ktorá bola predstavená na Medzinárodnej konferencii o reprezentáciách učenia (ICLR) v roku 2025 a zverejnená na preprintovom serveri arXiv (ešte neprešla recenziou), poukazuje na významné medzery v schopnosti AI vykonávať úlohy, ktorým sa ľudia učia v ranom veku. Vedúci autor Rohit Saxena z University of Edinburgh zdôraznil, že tieto nedostatky je potrebné odstrániť, aby mohla byť AI účinne využívaná v časovo citlivých a reálnych situáciách, ako sú plánovanie, automatizácia či asistenčné technológie. Výskumníci testovali rôzne multimodálne veľké jazykové modely (MLLMs), vrátane Meta Llama 3. 2-Vision, Anthropic Claude-3. 5 Sonnet, Googles Gemini 2. 0 a OpenAI GPT-4o, pomocou vlastného datasetu obsahujúceho obrázky hodín a kalendárov. Modely nedokázali správne identifikovať čas na hodinkách alebo určiť pracovný deň podľa vzorových dátumov v viac ako polovici prípadov, pričom ich presnosť bola iba 38, 7 % pri hodinách a 26, 3 % pri kalendárnych úloh. Saxena vysvetlil, že slabé čítanie hodín zo strany AI vyplýva z jej nedostatku priestorového uvažovania – úloh, ktoré vyžadujú detekciu prekryvajúcich sa ručičiek, meranie uhlov a interpretáciu rôznych dizajnov hodín, ako sú rímske číslice či štýlové ciferníky. Rozpoznanie obrázka ako hodín je pre AI jednoduchšie ako ich presné čítanie.

Rovnako, hoci aritmetika je základom výpočtov, veľké jazykové modely nevykonávajú výpočty pomocou algoritmov; namiesto toho predpovedajú výstupy na základe vzorov v tréningových dátach. To spôsobuje nekonzistentné a neriadené odôvodňovanie, čo vysvetľuje vysoký počet chýb pri dátumových výpočtoch. Táto štúdia pridáva k rastúcemu dôkazu, že spôsob „porozumenia“ AI sa zásadne líši od ľudskej kognície. AI sa darí tam, kde je dostupných veľa tréningových príkladov, ale má problémy s abstraktným uvažovaním a generalizáciou, najmä pri úlohách, ktoré kombinuju vnímanie s presnou logikou. Obmedzené dostupné dáta na zriedkavé javy, ako sú prestupné roky, taktiež bránia jej výkonu, pretože AI nedokáže vytvoriť potrebné konceptuálne spojenia. Zistenia zdôrazňujú potrebu bohatších a cielenejších datasetov a prehodnotenie schopnosti AI integrovať logické a priestorové uvažovanie, pričom upozorňujú na riziká nadmerného spoléhania sa na výstupy AI pri zložitých úlohách. Saxena zdôraznil, že je nevyhnutné dôsledné testovanie, zavádzanie záložných mechanizmov a často aj ľudský dohľad pri úlohách, ktoré vyžadujú kombináciu vnímania a presného uvažovania.