AI సాంకేతికత వేగంగా అభివృద్ధి చెందుతున్నప్పటికీ, పజిల్స్ మరియు గేమ్ల విషయంలో అది ఇప్పటికీ కొన్ని పరిమితులను ఎదుర్కొంటోంది. 2024 చివరలో కొలంబియా యూనివర్సిటీ శాస్త్రవేత్తలు చేసిన పరీక్షలో, అగ్రశ్రేణి AI మోడల్స్ 'న్యూయార్క్ టైమ్స్ కనెక్షన్స్' పజిల్స్లో కేవలం 18% మాత్రమే గుర్తించగలిగాయి. అయితే, 2025 ప్రారంభం నాటికి కొన్ని మోడల్స్ వీటిని దాదాపుగా పరిష్కరించే స్థాయికి చేరుకున్నాయి.
AI సామర్థ్యాలను పరీక్షించడానికి పజిల్స్ ఒక ముఖ్యమైన సాధనంగా మారాయి. 1959లో IBM శాస్త్రవేత్త ఆర్థర్ శామ్యూల్ చెకర్స్ ఆట ఆడే అల్గోరిథం (కంప్యూటర్ ప్రోగ్రామ్) గురించి రాసినప్పుడు 'మెషిన్ లెర్నింగ్' అనే పదం ప్రాచుర్యంలోకి వచ్చింది. అప్పటి నుండి చదరంగం, గో వంటి బోర్డ్ గేమ్స్ AI పనితీరును అంచనా వేయడానికి ఉపయోగిస్తున్నారు.
ప్రస్తుత AI మోడల్స్ ప్రాదేశిక తార్కికం (3D వస్తువులను ఊహించడం) వంటి అంశాల్లో ఘోరంగా విఫలమవుతున్నాయి. ఆర్కిటెక్ట్లు, మెకానిక్ ఇంజనీర్లు సులభంగా చేయగలిగే మానసిక భ్రమణ సమస్యలను, అంటే వేర్వేరు కోణాల్లో ఉన్న వస్తువులను గుర్తించడంలో LLMలు (పెద్ద భాషా నమూనాలు) ఇంకా ఇబ్బంది పడుతున్నాయి. LLMలు అంటే భారీ డేటాను విశ్లేషించి సమాధానాలు ఇచ్చే కృత్రిమ మేధస్సు వ్యవస్థలు.
AI మోడల్స్ జ్ఞాపకశక్తి కూడా కొన్నిసార్లు సమస్యగా మారుతోంది. శిక్షణ సమయంలో చూసిన పజిల్స్ను అవి గుర్తుపెట్టుకుని సమాధానాలు ఇస్తాయి, కానీ కొత్త రకం సమస్యలు ఎదురైనప్పుడు తడబడతాయి. ఉదాహరణకు, 'నైట్స్ అండ్ నేవ్స్' వంటి తార్కిక పజిల్స్లో, పాత్రల స్వభావాన్ని బట్టి నిజం లేదా అబద్ధం చెప్పే వ్యక్తులను గుర్తించాల్సి ఉంటుంది. ఇక్కడ మానవులు సులభంగా ట్రిక్ కనిపెట్టగలిగినా, అగ్రశ్రేణి AI మోడల్స్ మాత్రం పొరపాట్లు చేస్తున్నాయి.
ARC-AGI అనే మరో ప్రసిద్ధ పరీక్షలో, ఉదాహరణల ద్వారా కొత్త నియమాలను ఊహించాల్సి ఉంటుంది. మోడల్స్ ఈ గ్రిడ్ పజిల్స్ను ఇమేజ్లుగా కాకుండా సంఖ్యల వరుసగా తీసుకున్నప్పుడు మెరుగైన ఫలితాలు ఇస్తున్నాయి. అయినప్పటికీ, మానవులు సహజంగా అర్థం చేసుకునే దృశ్య భావనలను AI ఇంకా పూర్తిగా అందుకోలేకపోతోంది.
ఈ పరిమితులు ఉన్నప్పటికీ, AI సాంకేతికతలో పురోగతి కొనసాగుతోంది. పజిల్స్లో AI ఎక్కడ విఫలమవుతుందో గమనించడం ద్వారా, ఆ సాంకేతికతలోని బలాబలాలను అర్థం చేసుకోవడానికి పరిశోధకులకు వీలవుతుంది. భవిష్యత్తులో ఈ లోపాలను అధిగమించే దిశగా AI మోడల్స్ అభివృద్ధి చెందే అవకాశం ఉంది.
