Τεχνητή Νοημοσύνη vs Ανθρώπινος Νους: Τα τεστ νοημοσύνης και οι γρίφοι που εξακολουθούν να μπερδεύουν τα μοντέλα AI

Από τις απαρχές της επιστήμης των υπολογιστών, τα παιχνίδια στρατηγικής και οι γρίφοι αποτέλεσαν το κατεξοχήν πεδίο δοκιμών για την ανάπτυξη της Τεχνητής Νοημοσύνης. Ήδη από το 1959, όταν ο πρωτοπόρος ερευνητής της IBM, Άρθουρ Σάμιουελ, καθιέρωσε τον όρο «μηχανική μάθηση» (machine learning) μέσα από έναν αλγόριθμο που μάθαινε να παίζει ντάμα, τα επιτραπέζια παιχνίδια όπως το σκάκι και το Go λειτουργούν ως αξιόπιστοι δείκτες προόδου. Σήμερα, τα σύγχρονα μοντέλα τεχνητής νοημοσύνης καταγράφουν εντυπωσιακές επιδόσεις, ωστόσο ορισμένα φαινομενικά απλά τεστ νοημοσύνης συνεχίζουν να αναδεικνύουν τα θεμελιώδη όριά τους.

Η ραγδαία εξέλιξη και οι αστοχίες στους λογικούς γρίφους

Η ταχύτητα με την οποία εξελίσσεται η υπολογιστική ικανότητα των μεγάλων γλωσσικών μοντέλων (LLMs) είναι αδιαμφισβήτητη. Ενδεικτικά, έρευνα επιστημόνων από το Πανεπιστήμιο Κολούμπια στα τέλη του 2024 έδειξε ότι ακόμη και τα πλέον προηγμένα συστήματα AI κατόρθωναν 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 κατάφεραν να αγγίξουν σχεδόν τέλειες επιδόσεις στην ίδια δοκιμασία.

Παρ’ όλα αυτά, η επιτυχία αυτή συχνά αποδεικνύεται επιφανειακή. Όταν οι ερευνητές εισάγουν ανεπαίσθητες παραλλαγές σε κλασικά αινίγματα λογικής ή αλλάζουν τα συμφραζόμενα μιας υπόθεσης, τα συστήματα συχνά παραπλανούνται και οδηγούνται σε λανθασμένα συμπεράσματα. Αυτό το φαινόμενο υπογραμμίζει τη διαφορά ανάμεσα στην πραγματική αφαιρετική σκέψη και την απλή αναγνώριση στατιστικών μοτίβων από τεράστιες βάσεις δεδομένων εκπαίδευσης.

Η αχίλλειος πτέρνα της χωρικής αντίληψης και των τρισδιάστατων αντικειμένων

Εκεί όπου η υπεροχή της ανθρώπινης νόησης παραμένει ξεκάθαρη είναι ο τομέας της χωρικής αντίληψης (spatial reasoning). Σε κλασικά ψυχομετρικά τεστ IQ, οι δοκιμασίες νοερής περιστροφής (mental rotation) απαιτούν από τον εξεταζόμενο να αναγνωρίσει εάν διαφορετικές δισδιάστατες απεικονίσεις αντιστοιχούν στο ίδιο αντικείμενο υπό άλλη οπτική γωνία.

Παρά το γεγονός ότι τα πολυτροπικά (multimodal) μοντέλα AI διαθέτουν πλέον προηγμένες δυνατότητες ανάλυσης εικόνας, εξακολουθούν να αποτυγχάνουν παταγωδώς σε προβλήματα τρισδιάστατου προσανατολισμού. Σε αντίθεση με επαγγελματίες όπως οι αρχιτέκτονες ή οι μηχανολόγοι μηχανικοί —οι οποίοι μπορούν να περιστρέψουν και να επεξεργαστούν νοερά ένα φυσικό αντικείμενο στον χώρο—, η AI αδυνατεί προς το παρόν να κατανοήσει τη φυσική γεωμετρία του πραγματικού κόσμου.

Το μέλλον της ανθρώπινης και τεχνητής νόησης

Η σύγκριση των επιδόσεων ανάμεσα στον άνθρωπο και τη μηχανή σε τέτοιου είδους τεστ προσφέρει κρίσιμα συμπεράσματα για τους επιστήμονες. Αποδεικνύει ότι, παρά την εκπληκτική πρόοδο στη γλωσσική επεξεργασία, η επίτευξη γενικής νοημοσύνης απαιτεί βαθύτερη κατανόηση του φυσικού περιβάλλοντος και των βασικών κανόνων της λογικής. Μέχρι να γεφυρωθεί αυτό το χάσμα, ο ανθρώπινος εγκέφαλος διατηρεί το πλεονέκτημα στην επίλυση των πιο απαιτητικών γρίφων.