Nakabubuo ngayon ng isang panibagong pag-aaral ang isang pangkat na naglalahad ng mga gawain na kayang gawin ng tao nang walang hirap ngunit nahihirapan ang artipisyal na intelihensiya (AI)—partikular na ang pagbabasa ng analog na orasan at pagtukoy sa araw ng linggo para sa isang takdang petsa. Bagamat kaya ng AI na gumawa ng code, mga larawan, teksto na kahawig ng tao, at makapasa sa mga pagsusulit sa iba't ibang antas, madalas nitong nalilito ang posisyon ng mga kamay ng orasan at nabibigo sa mga pangunahing kalkulasyon sa kalendaryo. Ipinalabas ang pananaliksik sa 2025 International Conference on Learning Representations (ICLR) at inilathala sa preprint server na arXiv (hindi pa sumasailalim sa peer review), na nagpapakita ng malalaking kakulangan sa kakayahan ng AI na gawin ang mga gawain na naipapamalas na ng tao mula pa sa murang edad. Binigyang-diin ni Rohit Saxena ng University of Edinburgh, ang pangunahing may-akda, na kailangang tugunan ang mga kakulangang ito upang magamit nang epektibo ang AI sa mga sitwasyong sensitibo sa oras at sa tunay na buhay tulad ng pag-aayos ng iskedyul, awtomasyon, at mga teknolohiyang nakakatulong. Sinubukan ng mga mananaliksik ang iba't ibang multimodal large language models (MLLMs)—kabilang na ang Llama 3. 2-Vision ng Meta, Claude-3. 5 Sonnet ng Anthropic, Gemini 2. 0 ng Google, at GPT-4o ng OpenAI—gamit ang isang pasadyang dataset ng mga larawan ng orasan at kalendaryo. Nabigo ang mga model na ito na tamaang matukoy ang oras sa orasan o ang araw ng linggo para sa mga halimbawang petsa sa mahigit na kalahati ng pagkakataon, na may tumpak na resulta na 38. 7% lamang para sa mga orasan at 26. 3% para sa mga gawain sa kalendaryo. Ipinaliwanag ni Saxena na ang kahirapan ng AI sa pagbabasa ng orasan ay nag-ugat sa kawalan nito ng kakayahang mag-analisa ng spatial—mga gawain na nangangailangan ng pagkilala sa mga nag-overlap na kamay, sukat ng anggulo, at pag-unawa sa iba't ibang disenyo ng orasan tulad ng Roman numerals o stylized dials. Mas madali para sa AI na makilala ang isang larawan bilang isang orasan kaysa sa tamang pagbasa nito.

Gayundin, kahit na ang arithmetic ay pangunahing bahagi ng computing, ang mga large language model ay hindi gumagawa ng kalkulasyon gamit ang mga algoritmo; sa halip, hinuhulaan nila ang mga output batay sa mga pattern ng datos na kanilang pinag-aralan. Ito ang dahilan kung bakit nagkakaroon ng hindi pare-parehong kakayahan at paglabag sa mga alituntunin sa pagpapasiya, na nagreresulta sa mataas na porsyento ng kabiguan sa mga kalkulasyon na may kaugnayan sa petsa. Dagdag pa ng pag-aaral na ito ang patuloy na lumalaking ebidensya na ang paraan ng "pag-unawa" ng AI ay kakaiba sa kawastuhan at paraan ng pag-iisip ng tao. Namumukod-tangi ang AI kapag maraming halimbawa ang magagamit sa pagsasanay, ngunit nahihirapan ito sa abstraktong pangangatwiran at pangkalahatang pagkatuto, lalo na sa mga gawain na nagsasama ng perception at mahigpit na lohika. Bukod dito, ang limitadong datos sa mga bihirang pangyayari tulad ng leap years ay nagpapahirap sa kanilang pagganap, dahil hindi nakagagawa ang AI ng mga kailangang koneksyon sa konsepto. Pinapakita ng mga resulta ang pangangailangan ng mas masaklaw at espesipikong mga dataset at ang muling pagsusuri sa kakayahan ng AI na pagsamahin ang lohikal at spatial na pangangatwiran, kasabay ng pagbibigay-diin sa mga panganib ng sobra-sobrang pag-asa sa AI sa mga komplikadong gawain. Binanggit ni Saxena na mahalaga ang mahigpit na pagsusuri, mga fallback na mekanismo, at madalas na pakikialam ng tao kapag ang AI ay ginagawang tagapagpasiya sa pagtatasa ng perception at eksaktong lohika.