Mesterséges intelligencia a mindennapokban

A legmodernebb mesterséges intelligenciák képesek lenyűgöző feladatok megoldására: esszék írására, komplex problémákra, sőt, még csodás képek készítésére is. Ám van egy egyszerűbb kihívás, ami komoly gondot okoz számukra: az analóg óra leolvasása és a naptár értelmezése.

Meglepetés az Edinburghi Egyetem kutatásában

Az Edinburghi Egyetem kutatói több népszerű AI modellt, például a Google DeepMind Gemini 2.0-t, az Anthropic Claude 3.5 Sonnet-t és másokat teszteltek. A feladatok nem voltak túlságosan bonyolultak: különböző típusú órák képeit mutatták be, melyek között voltak római számos és stilizált mutatós órák is.

Elkeserítő eredmények

A kutatás megdöbbentő eredményeket hozott: a tesztelt mesterséges intelligenciák csupán 25%-os arányban tudták helyesen leolvasni az időt. A legnagyobb problémát a római számok és stilizált mutatók jelentették. A helyzet nem javult, amikor eltávolították a másodpercmutatót, így a kutatók úgy vélik, a probléma az órák mutatóinak és a szögértelmezésének észleléséből fakad.

Tovább a naptárakhoz!

A kutatás következő részében a naptárakat vizsgálták. Az elmúlt 10 év naptári képeit felhasználva kérdéseket tettek fel, például, hogy melyik nap van újév, vagy hogy melyik a 153. napja az évnek. Még a legfejlettebb AI modellek is 20%-os hibázási arányt mutattak.

A legjobbak is hibáznak

A sikerességi arány az AI rendszerek közötti különbségektől függött. A Gemini-2.0 ért el a legmagasabb pontszámot az óra tesztben, míg a GPT-o1 80%-os pontossággal válaszolt a naptárral kapcsolatos kérdésekre. A kutatók rámutattak, hogy az analóg órák és naptárak megértéséhez szükséges a térbeli tudatosság és a kontextus ismerete.

A mesterséges intelligencia jövője

Rohit Saxena, az Edinburghi Egyetem munkatársa hangsúlyozta, hogy a mesterséges intelligencia egyelőre nem képes az emberek számára alapvető készségeket elsajátítani. Az ő szavai szerint, e hiányosságokat orvosolni kell ahhoz, hogy a MI rendszerek sikeresen integrálhatóak legyenek a valós alkalmazásokba, mint például az automatizálás és a segítő technológiák. Aryo Gema, a kutatócsoport másik tagja megjegyzi, hogy a mai AI kutatás gyakran az összetett feladatokra fókuszál, de ironikus módon sok rendszer még mindig küzd az egyszerű, mindennapi kihívásokkal.