درگیری هوش مصنوعی با خواندن ساعت و تقویم

به گزارش ایسنا، تیمی از دانشگاه ادینبرو(Edinburgh) یافته‌هایی را مبنی بر عدم توانایی نسخه‌های پیشرفته هوش مصنوعی در تفسیر صحیح  موقعیت عقربه‌های ساعت و پاسخ صحیح سؤالات مربوط به تاریخ‌های تقویم پیدا کرد.

به نقل از تک اکسپلور، این تیم می‌گوید: برخلاف قابلیت ساده تشخیص اشکال، قابلیت درک ساعت‌ها و تقویم‌های آنالوگ به ترکیبی از دانش محیطی، زمینه و ریاضیات پایه نیاز دارد. این مساله‌ای است که همچنان برای هوش مصنوعی چالش‌برانگیز است.

به گفته محققان، غلبه بر این مشکل می‌تواند به توسعه کاربردهای حساس به زمان برای سامانه‌های هوش مصنوعی منجر شود. این کاربردها شامل دستیاران زمان‌بندی، ربات‌های مستقل و ابزارهایی برای افراد مبتلا به اختلالات بینایی است.

این تیم آزمایشاتی بر روی سامانه‌های هوش مصنوعی که متن و تصاویر را پردازش می‌کنند، معروف به مدل‌های زبان بزرگ چندوجهی (MLLM) انجام داد. هدف این آزمایشات پاسخ هوش مصنوعی به سؤالات مربوط به زمان با نگاه کردن به تصویر ساعت یا تقویم بود. محققان طرح‌هایی مختلف از ساعت را مانند ساعت‌هایی با اعداد رومی، دارای عقربه‌های دوم، بدون عقربه‌های دوم و با صفحه‌های رنگی مختلف در آزمایش قرار دادند.

یافته‌های آنها حاکی از آن است که این سامانه‌ها در بهترین حالت، موقعیت‌های عقربه‌های ساعت را در کمتر از یک چهارم مواقع شناسایی می‌کنند. اشتباهات هوش مصنوعی با ساعت‌هایی دارای اعداد رومی یا شکل خاصی از عقربه‌ها، رایج‌تر بود.

بنا بر گفته این تیم، سامانه‌های هوش مصنوعی با حذف عقربه دقیقه‌شمار عملکرد بهتری نداشتند که این موضوع، مشکلات ریشه‌ای هوش مصنوعی را در شناسایی عقربه‌ها و تفسیر زوایا نشان می‌دهد.

پژوهشگران از مدل‌های هوش مصنوعی خواستند به مجموعه‌ای از سؤالات مرتبط با تقویم مانند شناسایی تعطیلات و تعیین تاریخ‌های گذشته و آینده پاسخ دهند. این تیم متوجه شد که حتی پیشرفته‌ترین مدل‌های هوش مصنوعی در یک‌پنجم مواقع در محاسبات تاریخی دچار اشتباه می‌شوند.

«روهیت ساکسنا»(Rohit Saxena)، از دانشکده انفورماتیک دانشگاه ادینبرو و سرپرست این مطالعه، گفت: اغلب مردم از سنین پایین می‌توانند زمان را تشخیص دهند و از تقویم استفاده کنند. یافته‌های ما فقدان قابل توجهی را در توانایی‌های هوش مصنوعی نشان می‌دهد.

وی افزود: این توانایی‌ها شامل مهارت‌هایی است که برای انسان از مهارت‌های پایه محسوب می‌شود. اگر بخواهیم سامانه‌های هوش مصنوعی را با اپلیکیشن‌های دنیای واقعی و حساس به زمان ادغام کنیم، باید این ایرادات برطرف شود. این اپلیکیشن‌ها شامل برنامه‌ریزی، هدایت خودکار و فناوری‌های کمکی است.

«آریو جما»( Aryo Gema) از دانشکده انفورماتیک می‌گوید: امروزه تحقیقات در رابطه با هوش مصنوعی اغلب بر وظایف پیچیده تاکید می‌کنند، اما بسیاری از این سامانه‌ها هنوز در مورد کارهای ساده‌تر و روزمره با مشکل مواجه هستند.

وی افزود: تحقیقات ما نشان می‌دهد که زمان آن رسیده است که این ایرادات اساسی را برطرف کنیم. در غیر این صورت، یکپارچه‌سازی هوش مصنوعی حساس به زمان در دنیای واقعی ممکن است با مشکل مواجه شود.

این یافته‌ها در مقاله‌ای داوری همتا شده، گزارش شده است. این مقاله در کارگاه آموزشی استدلال و برنامه‌ریزی مدل‌های زبانی بزرگ در سیزدهمین کنفرانس بین‌المللی توصیف روش‌های یادگیری(ICLR) در سنگاپور در تاریخ ۲۸ آوریل ۲۰۲۵ ارائه خواهد شد.