புதிய ஆராய்ச்சி மனிதர்கள் திட்டமிட்டு செயல்படுவதற்கு எளிதாக உள்ள சில பணிமுறைகளை அடையாளம் கண்டுள்ளது, ஆனால் க مصنوع் நுண்ணறிவுக்கு (AI) சவாலாக உள்ளது—உணர்தள கணக்குகள் மற்றும் கொடுக்கப்பட்ட அன்று வாரத்தின் நாளை கண்டறிதல் போன்றவை. AI சின்னம் குறியீடுகள், படங்களை, மனித போன்ற உரைகளை உருவாக்க முடியுமா, தேர்வுகளிலும் சில அளவுகள் மூலம் கடந்து போகும், ஆனால் நாளுக்கான நேரத்தைக் கண்டறியவும் மற்றும் புறக்கணிப்பில் தவறுவது பொதுவாக நடைபெறுகிறது. 2025 இன் உலகளாவிய கல்வி பிரதிநிதித்துவங்களுக்கான (ICLR) சர்வதேச மாநாட்டில் தொகுக்கப்பட்டது மற்றும் arXiv ப்ரீபிரிண்ட் ஸெர்வரில் வெளியிடப்பட்டது (இதுவரை பரிசோதிக்கப்பட்டிருக்காது), இந்த ஆய்வு மனிதர்களுக்கு முதற்படியாக பொதுவாக கற்றுக் கொள்வதற்கான பணிகளிலும், AI அதன் திறன்களை வளர்க்கும் வழியையும் காட்டுகிறது. பிரபல ஆசிரியரான ரோகித் சானா எடిన்பர்க் பல்கலையாளின் நியாயத்தை கூறினார்; இவை குறைபாடுகளை சரி செய்வது அவசியம், முதற்கட்டச் செயல்கள், தானியங்கி தொழில்கள் மற்றும் உதவி தொழில்நுட்பங்களால் AI வெற்றிகரமாக பயன்படும் வகையில். ஆய்வாளர்களுக் கணிக்கப்பட்ட மல்வீட்டுள்ள மொழிக் கல்வி மாதிரிகளை (MLLM) பரிசோதித்தனர்—அவர்களில் மெட்டாவின் லெல்லா 3. 2-விஷன், ஆண்டிராஃபிக் கிளோட்-3. 5 சோனட், கூகிள் ஜெமினி 2. 0 மற்றும் ஓப்பன் ஏஐ GPT-4o அடங்கும்—ஒரு தனிப்பட்ட தரவுத்தாளம் மூலம், நேரம்காட்டி மற்றும் காலண்டர் படங்களைப் பயன்படுத்தி. இந்த மாதிரிகள் நேரம் அல்லது வாரத்தின் நாளை சரியாக அடையாளம் காணாமல் தவறிய தரவுகள் பாதி மேல் நேரங்களில், கடிகாரங்களின் துல்யதிகாரங்கள் மட்டும் 38. 7%, காலண்டர் பணிகளுக்கு 26. 3% துல்லியத்துடன் வேலை செய்யக்கூடியவை. சானா விளக்கினார், AIயின் மோசமான நேரம் வாசிப்பது அதன் இடம் வகை(reasoning) பற்றாக்குறையால் ஏற்படுகின்றது—பிடித்துக் கொள்ளும் பணிகளுக்கு, ஒட்டிய شده குறுக்கீடுகள், கோண அளவீடுகள் மற்றும் வெவ்வேறு நேரம் காட்டும் வடிவங்களைக் (ரோமான எண்கள் அல்லது ஸ்டைல்டு டயல்ஸ்) புரிந்து கொள்ள வேண்டும். பட images ஐ நேரமாகக் கண்டறிய AI க்கும் சுலபம், ஆனால் அதை சரியாகப் படிக்க அதிக சவால்.

அதே நேரத்தில், கணிதம் அடிப்படையானது என்றாலும், பெரிய மொழி மாதிரிகள் கணக்குகளை நடைமுறைப்படுத்தும் அல்கொரிதம்கள் மூலம் அல்ல; அதன் பதில்களைப் பதிவுகளின் அடிப்படையிலேயே முன்கூட்டியே கணிக்கின்றன. இது முடிவற்ற மற்றும் விதிமுறையற்ற காரணித்தலைக் காரணமாகியுள்ளதால், நாள்கள் சார்ந்த கணக்கீட்டில் தவறு அதிகம் ஏற்படுகிறது. இந்த ஆய்வு, AI-யின் “அறிதல்” முறையை மனிதர் அறிந்திருக்கும் முறையிலிருந்து அடிப்படையாக வேறுபடும் என்பது என்பதை உறுதிப்படுத்துகிறது. AI, அதிக பயிற்சி எடுத்துக்கொள்ளும் போது சிறப்புறும், ஆனால் தூய அறிவுபூர்வ காரணமாக, குறிப்பிட்ட பிரச்சனைகளில், அவற்றின் காட்சியையும் தெளிவாகவும், திறம்படவும் இணைத்தல் சவாலாகும். மேலும், கடுமையாகக் குறைக்கப்பட்ட தரவுகளையும், எளிதாக்க முடியாத விசயங்களையும், உதாரணமாக வேராக உதடுகள் மற்றும் லீப் ஆண்டுகள் போன்றவேளைகளுக்கு குறைவான பயிற்சிகளும், AI செயல்திறனைக் சரியாக்கக் கூடியதாக தவிர்க்கிறது. இந்த கண்டுபிடிப்புகள், சிறந்த தரவுத்தளங்களை உருவாக்கும் அவசியத்தை, மற்றும் நன்றாக கூற்றுக்குப் பொருத்தமான காரணமாற்றம் மற்றும் இடம் சார்ந்த தீர்மானங்களை இணைக்கும் திறனையும் மீண்டும் மதிப்பீடு செய்யுமிடத்தை எடுத்துக் காட்டுகின்றது. சானா அறிவுறுத்தினார், கடுமையான பரிசோதனைகள், பின்னணிக் கருகிகள் மற்றும் மனித கண்காணிப்பு அவசியம், குறிப்பாக AI காட்சி மற்றும் சரியான காரணிப்பணிகளை இணைக்கும் பணிகளை செய்வதில் முக்கியமாக இருக்க வேண்டும்.