Sztuczna inteligencja traci skupienie
Nowoczesne algorytmy potrafią dziś pisać eseje, programować i błyskawicznie odpowiadać na skomplikowane pytania. Jednak najnowsze badanie opublikowane w czasopiśmie PNAS Nexus udowadnia, że zaawansowane systemy kompletnie nie radzą sobie z czymś, co ludzie robią każdego dnia. Chodzi o utrzymanie pełnego skupienia na konkretnym zadaniu w momencie, gdy wokół pojawiają się rozpraszacze. Zespół naukowców pod kierownictwem Suketu Patela poddał czołowe modele językowe popularnemu eksperymentowi psychologicznemu. Wyniki jasno pokazały, że sztuczna inteligencja przetwarza informacje i zarządza uwagą w zupełnie inny, znacznie bardziej wadliwy sposób niż ludzki mózg.
Wspomniany eksperyment to tak zwany test Stroopa. Psycholodzy używają go od dekad do badania koncentracji, samokontroli oraz procesów poznawczych. Zadanie polega na podawaniu nazw kolorów czcionki, którą zapisano konkretne słowa. Sytuacja komplikuje się, gdy słowo „czerwony” zostaje wyświetlone na niebiesko. Nasz mózg musi wtedy stłumić automatyczny nawyk czytania tekstu i skupić się wyłącznie na barwie. Wymaga to uruchomienia kontroli wykonawczej, czyli zestawu procesów pomagających nam ignorować dystraktory i dążyć do celu.
Drastyczny spadek celności przy dłuższych zadaniach
Badacze postanowili sprawdzić, jak z tym wyzwaniem poradzą sobie generatywne sieci neuronowe. Gdy podawano im krótkie listy składające się z pięciu słów, systemy radziły sobie całkiem dobrze. Prawdziwe problemy zaczęły się jednak w momencie, gdy zestawy danych stawały się dłuższe i bardziej skomplikowane. Algorytm GPT-4o osiągnął świetne 91% celności przy pięciu słowach, ale przy dziesięciu pozycjach jego skuteczność spadła do 57%. Kiedy lista urosła do czterdziestu słów, model zanotował potężny regres, uzyskując zaledwie 15% poprawnych odpowiedzi.
Podobny schemat naukowcy zaobserwowali u innych rynkowych gigantów. Claude 3.5 Sonnet radził sobie stabilnie do dwudziestu pozycji, by przy czterdziestu zaprojektować gwałtowny spadek do poziomu 24%. Testy objęły także systemy GPT-5, Claude Opus 4.1 oraz Gemini 2.5. Każdy z nich powielał ten sam, niepokojący wzorzec. Okazuje się, że im dłużej trwa zadanie, tym trudniej maszynie utrzymać pierwotną instrukcję. W pewnym momencie algorytmy po prostu rezygnują z filtrowania danych i zaczynają bezwiednie czytać słowa, zamiast analizować ich barwę.
Ludzka uwaga kontra mechaniczne przetwarzanie danych
Ten nagły paraliż decyzyjny staje się jeszcze bardziej widoczny, gdy na jednej liście wymiesza się pozycje zgodne i sprzeczne. W takich warunkach trafność odpowiedzi dla elementów niedopasowanych spadała w niektórych modelach niemal do zera. Algorytmy najzwyczajniej w świecie powracają do schematów, na których zostały najmocniej wytrenowane. Wybierają bezrefleksyjne czytanie i analizę tekstu. Nie potrafią odciąć się od silniejszego bodźca, co dla ludzkiego umysłu jest naturalną umiejętnością.
Człowiek również odczuwa wewnętrzny konflikt podczas tego testu, ponieważ czytanie jest dla nas czynnością automatyczną. Mimo tego potrafimy utrzymać wysoką i stabilną dokładność nawet przy bardzo długich i chaotycznych sekwencjach. Maszyny natomiast kompletnie tracą orientację. Autorzy badania, wśród których znaleźli się również Hongbin Wang oraz Jin Fan, podkreślają ważny fakt. Ten spektakularny spadek efektywności obnaża fundamentalne ograniczenia dzisiejszych modeli typu transformer. Imponujące zdolności językowe okazują się jedynie świetną imitacją, pod którą kryje się mechanizm uwagi działający zupełnie inaczej niż biologiczny mózg. To ważna lekcja dla biznesu i nauki, że zaawansowana technologia wciąż posiada krytyczne słabości.
Przeczytaj także: Sztuczna inteligencja staje się wiarygodna
Opracowanie na podstawie: sciencedaily.com
Last Updated on 12 czerwca, 2026 by Karolina Bandulet