Utafiti mpya umegundua seti ya kazi ambazo binadamu huzitekeleza kwa urahisi lakini akili bandia (AI) huishiwa nguvu nazo—hususani kusoma saa za analogi na kubaini siku ya wiki kwa tarehe fulani. Ingawa AI inaweza kuzalisha msimbo, picha, maandishi yanayofanana na ya binadamu, na hata kufaulu mitihani kwa viwango tofauti, mara nyingi huleta makosa katika kuelewa nafasi za mikono ya saa na kushindwa kufanya hesabu rahisi za kalenda. Utafiti huu uliwasilishwa kwenye Mkutano wa Kimataifa wa Mwaka wa 2025 wa Uwakilishi wa Kujifunza (ICLR) na kuchapishwa kwenye mtandao wa preprint arXiv (bado haujapitiwa na washauri wa muda), umeonyesha mapungufu makubwa katika uwezo wa AI wa kutekeleza kazi ambazo binadamu huzitumia kiurahisi mapema maishani. Mwandishi mkuu Rohit Saxena wa Chuo Kikuu cha Edinburgh alisisitiza kuwa hitilafu hizi ni lazima zitatuliwe ili AI iweze kutumika kwa ufanisi katika muktadha wa wakati wa dharura na wa dunia halisi kama ratiba, uendeshaji wa kiotomatiki, na teknolojia za kusaidia. Wachunguzi walijaribu mifano mbalimbali ya lugha kubwa ya bunifu (MLLMs)—ikiwemo Meta’s Llama 3. 2-Vision, Anthropic’s Claude-3. 5 Sonnet, Google’s Gemini 2. 0, na OpenAI’s GPT-4o—wakitumia dataset maalum la picha za saa na kalenda. Mifano hiyo ilianguka kushindwa kutambua vya usahihi wakati wa kugundua saa au kubaini siku za wiki kwa tarehe zilizochaguliwa zaidi ya nusu ya wakati, kwa viwango vya usahihi vya 38. 7% kwa saa na 26. 3% kwa kazi za kalenda. Saxena alielezea kwamba sababu ya AI kuwa na ugumu wa kusoma saa inatokana na ukosefu wa uwezo wa kufikiri kwa nafasi—kazi zinazohitaji kugundua mikono inayoshiriki, vipimo vya pembe, na tafsiri ya muundo tofauti wa saa, kama herufi za Kigiriki au mizani za kipekee. Kutambua picha kuwa saa ni rahisi kwa AI kuliko kuisoma kwa usahihi.

Vivyo hivyo, ingawa hesabu ni msingi wa kompyuta, mifano mikubwa ya lugha haitekelezi hesabu kwa kutumia algoritimu; badala yake, huchagua matokeo kwa kutegemea mibinafsi ya data ya mafunzo. Hii inaongoza kwa uwezo mdogo wa kufikiri kwa kanuni na kufanya maamuzi yasiyo na mfumo thabiti, na kuelezea kiwango kikubwa cha kushindwa kwenye hesabu zinazohusiana na tarehe. Utafiti huu ungeongeza ushahidi unaoonyesha kuwa njia AI inayoelewa vitu ni tofauti kabisa na fikra za binadamu. AI huzidiwa na wakati kuna mifano mingi ya mafunzo lakini huishiwa nguvu na mafikira za kielelezo na jumla, hasa kwenye kazi zinazochanganya utambuzi wa kuona na mantiki sahihi. Zaidi ya hayo, ukosefu wa data za mafunzo kuhusu hali zinazojirudia kama mwaka wa kubadilisha (leap years) huzuia utendaji wake, kwani AI huishindwa kufanya uunganisho wa dhahiri unaohitajika. Matokeo haya yanasisitiza umuhimu wa kuwa na seti za data zilizojaa zaidi na za kuelekeza, pamoja na tathmini upya ya uwezo wa AI kuunganisha fikira za mantiki na nafasi, na kuonyesha hatari za kutegemea sana matokeo ya AI kwenye kazi zilizo ngumu. Saxena alisisitiza umuhimu wa kufanya majaribio makali, uwepo wa mifumo ya kuangalia nyuma (fallback mechanisms), na uangalizi wa kibinadamu mara kwa mara wakati AI inahusishwa na kuunganishwa kwa utambuzi wa kuona na fikra sahihi.