پیشرفت هوش مصنوعی در چند سال اخیر غیر قابل انکار بوده است. از حل پیچیدهترین مسائل ریاضی تا پیشبرد تحقیقات علمی، هوش مصنوعی به جایی رسیده که میتواند بسیاری از کارهای دشوار را انجام دهد. با این حال، هنگام برخورد با وظایف سادهای مانند خواندن ساعت یا تشخیص تاریخ، ضعفهای قابل توجهی نشان میدهد. پژوهشی اخیر از دانشگاه ادینبرو نشان میدهد که چرا این موضوع هنوز یکی از بزرگترین چالشهای هوش مصنوعی باقی مانده است.
چالش خواندن ساعتهای آنالوگ
مطالعهای که در دانشگاه ادینبرو بر روی مدلهای زبانی بزرگ چندوجهی (MLLMs) انجام شده است، نشان میدهد این مدلها در تشخیص زمان از روی ساعتهای آنالوگ موفقیت اندکی دارند. تنها ۲۵ درصد از تلاشها برای خواندن زمان موفقیتآمیز بودهاند. نکته جالب توجه این است که طراحی خاص ساعتها مانند اعداد رومی یا عقربههای ثانیه شمار وضعیت را حتی دشوارتر کرده است.
طبق یافتهها، سه مهارت اساسی که هوش مصنوعی نمیتواند به خوبی آنها را درک کند عبارتند از:
- آگاهی فضایی (درک محل عقربهها)
- زمینه (تحلیل پشتزمینه اطلاعات)
- ریاضیات پایه (محاسبه زمان دقیق)
خواندن تقویم: کمی بهتر اما هنوز معیوب
پژوهشگران همچنین عملکرد این مدلها را در خواندن تقویمهای بزرگ سالانه آزمایش کردند. گرچه مدلها در این بخش کمی بهتر عمل کردند، اما همچنان قادر نبودند همه جزئیات را به دقت استخراج کنند. به عنوان مثال، مدل جیپیتی او ۱ (GPT-o1) بهترین عملکرد را در این آزمایش نشان داد؛ ۸۰ درصد سوالات تاریخ را به درستی پاسخ داد، اما ۲۰ درصد سوالهای مطرح شده، مانند «۱۵۳امین روز سال چه روزی است؟»، را نادرست تشخیص داد.
علت اصلی محدودیتهای هوش مصنوعی
این یافتهها نشان میدهد که علیرغم تواناییهای گسترده هوش مصنوعی در وظایف پیچیده، کاستیهای مهمی در حوزههایی که به درک زمینه، فضا و تعامل انسانی نیاز دارند، وجود دارد. به گفته روهیت ساکسنا، نویسنده اصلی مطالعه، این مشکلات باید برطرف شوند تا هوش مصنوعی بتواند بهخوبی در برنامههای واقعی که زمان و زمانبندی نقش حیاتی در آنها دارند، کاربرد داشته باشد.
مقایسه رویکردها با تحقیقات قبلی
گزارشی که حدود سه سال پیش توسط دانشگاه آکسفورد منتشر شد، نشان داد آموزش مستقیم مدل هوش مصنوعی بر روی دادههای خاص میتواند عملکرد را به طور قابل توجهی بهبود ببخشد. مدلهای آنها توانستند زمان را در ۷۴ تا ۸۴ درصد مواقع به درستی تشخیص دهند. این نشان میدهد که روش آموزش مدلها میتواند عاملی کلیدی در بهبود این ضعفها باشد.
چالشهای شرکتهای بزرگ فناوری
مشکل در تشخیص زمان و تاریخ تنها به مدلهای آزمایشی محدود نمیشود. حتی شرکتهای بزرگی مانند اپل و گوگل نیز با این مشکلات دست و پنجه نرم میکنند. اپل اخیراً برخی از اهداف جاهطلبانهاش در زمینه هوش مصنوعی را به تعویق انداخته است. در واقع، کاربران هر سیستم هوش مصنوعی از آن انتظار دارند که نه تنها پاسخ سوالات پیچیده را بدهد، بلکه کارهای سادهای مانند تنظیم هشدار یا برنامهریزی قرار ملاقاتها را نیز انجام دهد.
اگر هوش مصنوعی نمیتواند کارهای سادهای مثل خواندن زمان یا تنظیم هشدار را انجام دهد، نمیتوان انتظار داشت که کاربران به راحتی به آن اعتماد کنند.
– روهیت ساکسنا
جمعبندی نهایی
در مجموع، هوش مصنوعی به بسیاری از حوزهها نفوذ کرده و چالشهای بزرگی را حل کرده است. اما همچنان در زمینههایی مانند خواندن زمان و تقویم، نیازمند بهبودهای جدی است. این موضوع نشاندهنده این است که توسعهدهندگان نباید تنها بر تواناییهای پیچیده تمرکز کنند، بلکه باید روی برطرف کردن ضعفهای ابتدایی نیز کار کنند. رفع این نقصها نه تنها کارکرد مدلها را بهبود میبخشد بلکه اعتماد کاربران را نیز افزایش میدهد.
نظر شما در این مورد چیست؟ آیا فکر میکنید هوش مصنوعی میتواند به زودی بر این چالشها غلبه کند؟ دیدگاههای خود را در بخش نظرات با ما به اشتراک بگذارید و در این بحث هیجانانگیز شرکت کنید!
دیدگاه ها