AI-modeller snubler i romforståelse og intuisjon

Nye tester viser at kunstig intelligens fortsatt har store svakheter, spesielt innen romlig resonnering og intuisjon. Mens AI-modeller raskt forbedrer seg på mange områder – som å løse New York Times Connections-puslespill nesten perfekt – snubler de ofte der mennesker utmerker seg. En betydelig svakhet for LLM-er (store språkmodeller) er romlig resonnering, altså evnen til å mentalt manipulere 3D-objekter. På tester som krever at man gjenkjenner objekter fra ulike vinkler, feiler de ofte. Dette gjelder selv når modellene kan analysere visuelle data, noe som peker på manglende forståelse av fysiske omgivelser. Modellene har også utfordringer med minne og tilpasning. En studie fra Google og University of Illinois Urbana-Champaign fra 2024 viste at når en gåte ligner noe modellen er trent på, kan den forveksle den med en memorert løsning i stedet for å identifisere subtile forskjeller. Mennesker identifiserer derimot raskt slike fallgruver. Abstrakt og visuell resonnering er også problematiske. På ARC-AGI-tester, som krever inferens av generelle regler fra eksempler, klarer modellene seg bedre når input er numerisk data i stedet for bilder. Når kompleksiteten øker, som i varianter av Tårn i Hanoi-gåten, begynner selv de beste modellene å feile, noe som kan indikere en grense for LLM-enes resonneringsevner. Disse testene understreker at mens AI gjør enorme fremskritt, er det fortsatt klare skiller mellom maskinell og menneskelig kognisjon. De peker på områder der mennesker fortsatt har en intuitiv og adaptiv fordel.