نماذج الذكاء الاصطناعي تعثَر في قراءة الساعات الأساسية بينما يتفوق البشر

دراسة شاملة لتحديد أداء 11 نموذجًا رائدًا للذكاء الاصطناعي مقابل البشر في قراءة الساعات التناظرية أظهرت ضعفًا مفاجئًا في أنظمة الذكاء الاصطناعي الحالية. بينما حقق البشر دقة 89.1٪ في قراءة الوقت، حقق أفضل نموذج لشركة جوجل دقة 13.3٪ فقط في نفس الاختبار.

تظهر دراسة ClockBench، التي أجراها الباحث Alek Safar، أن حتى الأنظمة الأكثر تقدمًا للذكاء الاصطناعي تعاني من مهام بصرية يتقنها معظم الناس في الطفولة. تم اختبار الأنظمة من جوجل و OpenAI و Anthropic ومختبرات الذكاء الاصطناعي الكبرى الأخرى باستخدام 180 ساعة تناظرية مخصصة.

تذهب هذه الدراسة إلى ما هو أبعد من الساعات. وتشير النتائج إلى قيود أساسية في كيفية معالجة أنظمة الذكاء الاصطناعي للمعلومات البصرية والتفكير فيها. “قراءة الساعات التناظرية تعتبر معيارًا عاليًا للتفكير داخل الفضاء البصري”، كما يقول Safar في ورقة البحث. وتتطلب المهمة من النماذج تحديد أذرع الساعة وفهم علاقاتها وترجمة المواضع البصرية إلى وقت رقمي.

يصبح الفجوة في الأداء أكثر إثارة للاهتمام عند فحص أنماط الأخطاء. عندما يرتكب البشر أخطاءً، يكون متوسط الخطأ ثلاث دقائق فقط. بينما تفشل نماذج الذكاء الاصطناعي بفارق يتراوح بين ساعة إلى ثلاث ساعات – ما يعادل تقريبًا التخمين العشوائي على ساعة 12 ساعة.

الضعف المحدد الذي تم الكشف عنه

تعثرت أنظمة الذكاء الاصطناعي بشكل خاص في:

• الأرقام الرومانية (دقة 3.2٪)
• وجوه الساعات المنعكسة أو المقلوبة
• خلفيات ملونة أو تصاميم معقدة
• الساعات ذات أذرع الثواني التي تتطلب قراءات دقيقة

من المثير للاهتمام أن نماذج الذكاء الاصطناعي، عندما قرأت ساعة بنجاح، أدت أداء جيدًا في مهام متابعة مثل إضافة الوقت أو تحويل المناطق الزمنية. وهذا يشير إلى أن التحدي الأساسي يكمن في التعرف البصري الأولي بدلاً من التفكير الرياضي.

تحليل الأداء في الصناعة

تقود نماذج جوجل الحقل، حيث حقق Gemini 2.5 Pro دقة 13.3٪ و Gemini 2.5 Flash دقة 10.5٪. وسجل GPT-5 من OpenAI دقة 8.4٪، في حين أدت نماذج Claude من Anthropic أداءً أقل، حيث حقق Claude 4 Sonnet دقة 4.2٪ و Claude 4.1 Opus دقة 5.6٪.

أظهر نموذج Grok 4 من xAI نتائج سيئة بشكل مفاجئ، حيث حقق دقة 0.7٪ فقط، وعزت هذه النتيجة إلى أن النموذج أشار بشكل غير صحيح إلى 63٪ من جميع الساعات على أنها تظهر أوقاتًا مستحيلة، بينما كانت 20.6٪ فقط هي التي كانت تظهر أوقاتًا مستحيلة في الواقع.

مصدر: Alek Safar

الآثار الأوسع للتنمية الاصطناعية

تستند الدراسة إلى نهج “السهل للبشر، الصعب للذكاء الاصطناعي” المتبع في الاختبارات مثل ARC-AGI و SimpleBench. بينما احتلت أنظمة الذكاء الاصطناعي بسرعة مهامًا كثيرة تعتمد على المعرفة و حتى تفوقت على أداء البشر في العديد من الاختبارات الموحدة، لا يزال التفكير البصري الأساسي مشكلة.

تشير الأبحاث إلى أن نهج التوسيع الحالي قد لا يحل مشاكل التفكير البصري. ويفترض Safar أن الساعات التناظرية قد تكون غير ممثلة في بيانات التدريب، وأن ترجمة تمثيلات الساعات البصرية إلى نص للتفكير يخلق مشاكل إضافية.

ينضم ClockBench إلى مجموعة متزايدة من المعايير المصممة لتحديد قيود الذكاء الاصطناعي التي لا تكون واضحة على الفور من الأداء في الاختبارات التقليدية. يبقى كامل مجموعة البيانات خاصًا لمنع تلوث بيانات التدريب المستقبلية للذكاء الاصطناعي، مع إتاحة عينات صغيرة فقط للفحص العام.

تثير النتائج أسئلة حول ما إذا كانت أنماذج التنمية الحالية للذكاء الاصطناعي قادرة على معالجة هذه الفجوات في التفكير البصري أو ما إذا كانت هناك حاجة إلى نهج جديد تمامًا – مشابهة لطريقة الحوسبة في وقت الاختبار التي أتاحت التقدم في مجالات أخرى.

حتى الآن، تقف الساعة التناظرية البسيطة كحصن غير متوقع ضد الذكاء الاصطناعي، يمكن قراءتها من قبل أي إنسان تقريبًا، ولكنها تسبب حيرة لأنظمة الذكاء الاصطناعي الأكثر تطورًا في العالم.