కొత్త పరిశోధన انسانులు సులభంగా నిర్వహించే pero artificial intelligence (AI) కష్టపడే పనుల సమూహాన్ని గుర్తించింది—विशేషంగా అనలాగ్ గంటలను చదవడం మరియు నిర్దిష్ట తేదీకి వారంలో ఏ రోజు అనేది నిర్ణయించడం. AI కోడ్, చిత్రాలు, మనవుల समान పాఠ్యాన్ని సృష్టించడం, పరీక్షలను పాస్ చేయడం వంటి పనులను వివిధ స్థాయిల్లో చేయగలిగినా, ఇది తరచుగా గడియార హస్తల స్థానాలను తప్పుగా అర్థం చేసుకుంటుంది మరియు ఖచ్చితమైన క్యాలెండర్ గణితంలో విఫలమవుతుంది. 2025 ఇంటర్నేషనల్ కన్ఫరెన్స్ ఆన్ లెర్నింగ్ రిప్రజెంటేషన్స్ (ICLR) లో ప్రదర్శనకు വെట్టి, మరియు ఆర్ఆయవీ (arXiv) ప్రీప్రింట్ సర్వర్‌లో ప్రచురించబడిన ఈ అధ్యయనం, AI యొక్క మనుషుల నేర్పిన పనులను నిర్వర్తించడంలో తీవ్ర తేడాలున్నాయని ముఖ్యంగా నిరూపించింది. అగ్రనాయక రచయిత రోహిత్ సక్సేనా అకడమీఆఫ్ ఎడిన్బర్గ్ తెలిపినట్లు, ఇవి పరిష్కరించాల్సిన పనులు, సమయానుకూల మరియు నిజమైన ప్రపంచ పరిస్థితేలంలో AIని సమర్థవంతంగా ఉపయోగించేందుకు అవసరం. గবেষకులు వివిధ ಮల్టిమోడ్ లాంగ్వేజ్ మోడల్స్ (MLLMs)—మ들ుపరి Meta’s Llama 3. 2-Vision, Anthropic’s Claude-3. 5 Sonnet, Google’s Gemini 2. 0, మరియు OpenAI’s GPT-4o—గురించి ఒక ప్రత్యేక డేటాసెట్ ఉపయోగించి పరీక్షించారు, ఇది గడియార మరియు క్యాలెండర్ చిత్రాలు కలిగి ఉంటుంది. ఈ మోడల్లు గంట సమయాలు తప్పుగా గుర్తించడంలో లేదా నమూనా తేదీలకు వారంలో ఏ రోజు అనేదిని నిర్ణయించడం లోనే గతించాయి, అక్షరాస్యత 38. 7% మాత్రమే గంటల పనులలో, మరియు 26. 3% క్యాలెండర్ పనుల్లో. సక్సేనా వివరించారు, AI యొక్క బ مور్గడగడియార పఠనం తక్కువ గడపే కారణం దాని స్థలమైన తర్కం దోవా—అంటే, కలపగా ఉండే చేతులు గుర్తించడా, కోణ అంచనాలు, రోమన్ అంకెలు లేదా శైలిరూప డయళ్ల వంటి విభిన్న గడియారంగా రూపొందిన అమరికలను అర్థం చేసుకోవడం. ఒక చిత్రం గడియారమని గుర్తించడం AI కోసం సులభం అయినా, అది సరిగ్గా చదవడం కష్టం. అలాగే, గణితం కంప్యూటర్లలో మూలభూతమైనదిగా ఉన్నప్పటికీ, పెద్దలాంగ్వేజ్ మోడల్స్ గణనలను అల్గోరిథమ్స్ ద్వారా చేయడంసురికి, వారిని డేటా నమూనాలపై ఆధారపడే అంచనాలతో పనిచేసేవి.

ఇది అనియమితమైన, నియమ ప్రకారం కాకుండా డేటకు ఆధారంగా తర్కం చేయడం వల్ల, తేదీ సంబంధిత గణనల్లో విఫలమయ్యే సంభావ్యత ఎక్కువ. ఈ అధ్యయనం, AI యొక్క "అర్ధం" చేసే మోడల్ మనుషుల తర్మానికుగా ముప్పుతేడడం తేటతెల్లం చేస్తుంది. AI చాలా మంచి ఫలితాలు అందించే ఆ సందర్భాల్లో సాధారణంగా అద్భుతంగా పనిచేస్తుంది గానీ, విస్తృత ఆర్ధిక తర్కం, సాధారణీకరణలో విఫలమవుతుంది, ముఖ్యంగా భావనలతో ఖచ్చితమైన తర్కం కలిపిన పనులపై. అదనంగా, లీపేళ్యాలు వంటి అరుదైన ప్రకటనలపై శిక్షణ డేటా సరిగా లభించని తరుణంలో పనితీరు తగలదు, ఎందుకంటే AI అవసరమైన సూత్రపరమైన సంబంధాలు చేయట్లేదు. ఈ ఫలితాలు, AI యొక్క "అర్థం చేసుకున్న" విధానం మనిషుల మేధస్సుతో ఆధారంగా వేరువేరు అని నిరూపించుకుంటుంది. భారీ శిక్షణ ఉదాహరణలు ఉన్నప్పుడు మాత్రమే AI బాగా పనిచేస్తుంది గానీ, అబstract తర్కం, సాధారణీకరణలో విఫలమవుతుంది, ప్రత్యేకించి భావనతో పాటు ఖచ్చితమైన నైతికంతో పనులు చేర్చినప్పుడు. అలాగే, లీపేళ్యాలు వంటి అరుదైన అరుదైన పరిస్థితులపై పరిమిత శిక్షణ డేటా ప్రతిబంధకాలు ఏర్పడతాయి, ఎందుకంటే AI అవసరమైన భావనల కనెక్టులు చేయలేకపోతుంది.