AI సాంకేతికత ఎంత వేగంగా అభివృద్ధి చెందుతున్నా, కొన్ని రకాల పజిల్స్ను పరిష్కరించడంలో ఈ మోడల్స్ ఇప్పటికీ తడబడుతున్నాయి. 2024 చివరలో కొలంబియా యూనివర్సిటీ శాస్త్రవేత్తలు చేసిన పరీక్షలో, అప్పట్లో ఉన్న అత్యుత్తమ AI మోడల్స్ 'న్యూయార్క్ టైమ్స్ కనెక్షన్స్' పజిల్స్లో కేవలం 18% మాత్రమే గుర్తించగలిగాయి. అయితే, 2025 ప్రారంభం నాటికి కొన్ని మోడల్స్ వీటిని దాదాపు పూర్తిగా పరిష్కరించే స్థాయికి చేరుకున్నాయి.
పజిల్స్ కేవలం AI సామర్థ్యాన్ని కొలవడమే కాకుండా, ఈ సాంకేతికతలోని బలాలు మరియు బలహీనతలను అర్థం చేసుకోవడానికి ఒక కిటికీలా పనిచేస్తాయి. ముఖ్యంగా 3D వస్తువులను వేర్వేరు కోణాల నుండి ఊహించడం వంటి ప్రాదేశిక తార్కిక (spatial reasoning) సమస్యల్లో AI మోడల్స్ విఫలమవుతున్నాయి. ఆర్కిటెక్ట్లు, మెకానికల్ ఇంజనీర్లు సులభంగా చేయగలిగే ఈ పనులను, LLMలు అంటే భారీ డేటాతో శిక్షణ పొందిన భాషా నమూనాలు (Large Language Models) ఇంకా సరిగ్గా చేయలేకపోతున్నాయి.
శిక్షణ సమయంలో చూసిన సమాచారాన్ని గుర్తుంచుకోవడం కూడా AIకి ఒక సవాలుగా మారింది. Google మరియు యూనివర్సిటీ ఆఫ్ ఇల్లినాయిస్ పరిశోధకులు 'నైట్స్ అండ్ నేవ్స్' వంటి పజిల్స్పై పరీక్షలు నిర్వహించారు. ఇందులో నిజం చెప్పే పాత్రలు, అబద్ధం చెప్పే పాత్రలను గుర్తించాల్సి ఉంటుంది. ఇటువంటి ప్రశ్నలు శిక్షణలో ఎదురయ్యే సంక్లిష్ట సమస్యలను పోలి ఉండటంతో, అగ్రశ్రేణి మోడల్స్ కూడా తప్పులు చేస్తున్నాయని తేలింది.
మరోవైపు, ARC-AGI అనే పజిల్-ఆధారిత పరీక్షలో మోడల్స్ పనితీరు మెరుగుపడుతోంది. గ్రిడ్లోని సంఖ్యలను విశ్లేషించడం ద్వారా ఇవి నియమాలను ఊహించడానికి ప్రయత్నిస్తాయి. అయితే, మానవులు సహజమైన దృశ్యమాన భావనలను ఉపయోగిస్తే, AI మాత్రం సంక్లిష్టమైన మరియు సాధారణీకరించలేని నియమాలను అనుసరిస్తోందని పరిశోధనలు చెబుతున్నాయి.
ఈ పరీక్షల ద్వారా యంత్రం మరియు మానవ జ్ఞానం మధ్య ఉన్న వ్యత్యాసాలను స్పష్టంగా చూడవచ్చు. క్లాసిక్ చిక్కుల్లో చిన్న మార్పులు చేసినా AI మోడల్స్ అయోమయానికి గురవుతున్నాయి. భవిష్యత్తులో ఈ సాంకేతికత ఎక్కడ విజయవంతం అవుతుందో, ఎక్కడ విఫలమవుతుందో తెలుసుకోవడం ద్వారా AI పరిమితులను మనం మరింత మెరుగ్గా అర్థం చేసుకోవచ్చు.
