Τεστ ευφυΐας: Γιατί τα μοντέλα AI αποτυγχάνουν σε γρίφους που λύνουν εύκολα οι άνθρωποι

Τα παιχνίδια και οι γρίφοι λογικής αποτελούν διαχρονικά το απόλυτο πεδίο δοκιμών για την εξέλιξη της τεχνητής νοημοσύνης. Ήδη από το 1959, όταν ο επιστήμονας υπολογιστών της IBM, Άρθουρ Σάμιουελ, καθιέρωσε τον όρο «μηχανική μάθηση» (machine learning) μέσα από έναν αλγόριθμο που μάθαινε να παίζει ντάμα, επιτραπέζια όπως το σκάκι και το Go λειτούργησαν ως βασικά ορόσημα υπολογιστικής προόδου. Σήμερα, τα σύγχρονα μοντέλα τεχνητής νοημοσύνης σημειώνουν άλματα με εντυπωσιακή ταχύτητα. Ωστόσο, ακόμα και τα πιο εξελιγμένα συστήματα συνεχίζουν να «σκοντάφτουν» σε φαινομενικά απλά τεστ νοημοσύνης, αποκαλύπτοντας τις θεμελιώδεις διαφορές ανάμεσα στη μηχανική επεξεργασία και την ανθρώπινη σκέψη.

Η ραγδαία πρόοδος στην επίλυση γλωσσικών γρίφων

Η ταχύτητα με την οποία η τεχνητή νοημοσύνη προσαρμόζεται σε νέα περιβάλλοντα είναι αξιοσημείωτη. Στα τέλη του 2024, ερευνητική ομάδα από το Πανεπιστήμιο Κολούμπια κατέγραψε ότι τα κορυφαία μοντέλα της αγοράς κατάφερναν να επιλύσουν μόλις το 18% των δημοφιλών γρίφων «Connections» της εφημερίδας The New York Times. Μέσα σε λίγους μόλις μήνες, στις αρχές του 2025, νεότερες εκδόσεις μοντέλων έφτασαν στο σημείο να λύνουν τις ίδιες δοκιμασίες σχεδόν τέλεια. Αυτή η επιτυχία κατέδειξε την ικανότητα των μεγάλων γλωσσικών μοντέλων (LLMs) να αποκωδικοποιούν σημασιολογικά μοτίβα και σύνθετες λεξιλογικές συσχετίσεις.

Η αχίλλειος πτέρνα: Χωρική αντίληψη και οπτικά παζλ

Παρά την εντυπωσιακή γλωσσική επάρκεια, οι αδυναμίες της τεχνητής νοημοσύνης παραμένουν ευδιάκριτες σε άλλους τομείς. Το μεγαλύτερο κενό εντοπίζεται στη χωρική νοημοσύνη (spatial reasoning). Χαρακτηριστικό παράδειγμα αποτελούν τα κλασικά προβλήματα νοητικής περιστροφής αντικειμένων (mental rotation tests), τα οποία συναντώνται συχνά σε παραδοσιακά τεστ IQ. Σε αυτά, ο εξεταζόμενος καλείται να αναγνωρίσει εάν διαφορετικές απεικονίσεις αντιστοιχούν στο ίδιο τρισδιάστατο σχήμα ιδωμένο από άλλη οπτική γωνία.

Παρότι τα σύγχρονα πολυτροπικά μοντέλα διαθέτουν προηγμένα εργαλεία ανάλυσης εικόνας, αποτυγχάνουν συστηματικά σε τέτοιου είδους δοκιμασίες. Ενώ επαγγελματίες όπως οι αρχιτέκτονες και οι μηχανικοί διαθέτουν έμφυτη ικανότητα να περιστρέφουν και να αναλύουν νοητά τρισδιάστατα αντικείμενα, τα μοντέλα AI δεν διαθέτουν ακόμη ουσιαστική κατανόηση των φυσικών και γεωμετρικών ιδιοτήτων του πραγματικού χώρου.

Ανθρώπινος εγκέφαλος έναντι αλγορίθμων: Πού υπερτερούμε

Εκτός από τα οπτικά και χωρικά τεστ, τα γλωσσικά μοντέλα εμφανίζουν ευπάθεια όταν αντιμετωπίζουν κλασικούς γρίφους που περιέχουν μικρές, ανεπαίσθητες παραλλαγές. Ενώ ένας άνθρωπος αντιλαμβάνεται άμεσα την αλλαγή στη λογική του προβλήματος, η τεχνητή νοημοσύνη τείνει να βασίζεται σε απομνημονευμένα δεδομένα εκπαίδευσης, αναπαράγοντας συχνά λανθασμένες απαντήσεις βάσει συσχετίσεων.

Η σύγκριση αυτή υπογραμμίζει τα όρια της σημερινής τεχνολογίας. Η ικανότητα των μοντέλων να επεξεργάζονται τεράστιους όγκους πληροφοριών δεν ισοδυναμεί απαραίτητα με πραγματική κατανόηση. Η αφαιρετική σκέψη, η κοινή λογική και η χωρική διαίσθηση παραμένουν πεδία στα οποία ο ανθρώπινος εγκέφαλος διατηρεί σαφές προβάδισμα.