Decenijama star psihološki test otkrio je iznenađujuću slabost u sposobnosti čak i najnaprednijih sistema vještačke inteligencije (AI) da ostanu fokusirani tokom dužeg vremenskog perioda.
Istraživači, predvođeni Suketu Patel, analizirali su kako veliki jezički modeli (LLM), tehnologija koja stoji iza sistema poput ChatGPT-a, Ckaudea i Geminija, rješavaju poznati kognitivni izazov nazvan Stroopov zadatak.
Rezultati sugerišu da, iako AI može ostvarivati impresivne rezultate u mnogim složenim zadacima, može imati poteškoća s održavanjem fokusa kada je duže vrijeme izložen proturječnim informacijama.
Šta je Stroopov zadatak?
Stroopov zadatak je klasični psihološki eksperiment koji se decenijama koristi za proučavanje pažnje i mentalne kontrole.
U testu učesnici vide riječi koje označavaju boje, poput „crvena“ ili „plava“, ispisane obojenom tintom.
Ponekad se riječ i boja poklapaju. Naprimjer, riječ „crvena“ može biti ispisana crvenom bojom. U drugim slučajevima dolazi do sukoba, pa se riječ „crvena“ pojavljuje ispisana plavom bojom. Od učesnika se traži da prepoznaju boju slova, a da pritom ignorišu značenje same riječi.
Iako djeluje jednostavno, zadatak stvara mentalni konflikt. Većina ljudi navikla je da automatski čita riječi, pa potiskivanje tog instinkta zahtijeva ono što psiholozi nazivaju izvršnom kontrolom. To podrazumijeva sposobnost mozga da ostane fokusiran na cilj, odupre se ometanjima i nadvlada automatske reakcije.
Ljudima je obično potrebno nešto više vremena da odgovore kada se riječ i boja ne podudaraju, što je fenomen poznat kao Stroopov efekt. Međutim, čak i kada zadatak traje duže, ljudi uglavnom zadržavaju visoku preciznost i ostaju usmjereni na upute.
AI je u početku bio vrlo uspješan
Kako bi provjerili kako se moderni AI sistemi nose s istim izazovom, istraživači su testirali nekoliko vodećih jezičkih modela koristeći liste riječi koje označavaju boje.
Kada su im predstavljene kratke liste od pet riječi čije je značenje bilo u sukobu s bojom ispisa, modeli su ostvarili iznenađujuće dobre rezultate.
GPT-4o postigao je tačnost od 91 posto na kraćim testovima, dok je Claude 3.5 Sonnet također pokazao vrlo dobre performanse.
Na prvi pogled činilo se da sistemi vještačke inteligencije mogu uspješno pratiti zadatak i ignorisati ometajuće značenje riječi.
Performanse naglo padaju na dužim listama
Međutim, slika se dramatično promijenila kako su istraživači povećavali dužinu lista.
Tačnost modela GPT-4o pala je s 91 posto na listama od pet riječi na 57 posto kod deset riječi. Kada je lista dostigla 40 riječi, tačnost je pala na svega 15 posto.
Claude 3.5 Sonnet pokazao se otpornijim i održavao je stabilne rezultate na listama do 20 riječi. Ipak, i njegove performanse su značajno oslabile, pa je na listi od 40 riječi ostvario tek 24 posto tačnosti.
Istraživači su primijetili sličan obrazac i kod modela GPT-5, Claude Opus 4.1 i Gemini 2.5.
Rezultati su bili još lošiji kada su se podudarne i nepodudarne riječi pojavljivale zajedno u istoj listi. U tim uslovima tačnost na nepodudarnim stavkama gotovo je pala na nulu.
Zašto ljudi i AI reaguju različito?
Rezultati ukazuju na važnu razliku između ljudske kognicije i načina na koji veliki jezički modeli obrađuju informacije.
Poput ljudi, AI sistemi prošli su kroz daleko više „obuke“ u prepoznavanju i tumačenju riječi nego u identifikaciji boja. To stvara prirodnu tendenciju da se fokusiraju na napisanu riječ.
Međutim, ljudi su uglavnom sposobni potisnuti taj automatski odgovor i ostati usmjereni na zadani cilj, čak i tokom dugih nizova zadataka.
Nasuprot tome, jezički modeli su se, kako je test odmicao, sve više vraćali čitanju riječi umjesto prepoznavanju boja. Drugim riječima, djelovalo je kao da postepeno gube iz vida prvobitni cilj zadatka.
Prema istraživačima, ovaj neuspjeh sugeriše da se mehanizmi pažnje koje koriste AI sistemi zasnovani na transformerima suštinski razlikuju od bioloških sistema pažnje u ljudskom mozgu.
Ograničenja vještačke inteligencije
Veliki jezički modeli pokazali su izuzetne sposobnosti u pisanju, zaključivanju, programiranju i vođenju razgovora.
Ipak, istraživanja poput ovog pokazuju da impresivni rezultati ne znače nužno da vještačka inteligencija obrađuje informacije na isti način kao ljudi.
Nalazi sugerišu da moderna AI tehnologija može imati skrivene slabosti kada zadaci zahtijevaju dugotrajan fokus, potiskivanje automatskih reakcija i dosljedno praćenje uputa tokom dužeg perioda.
Kako sistemi vještačke inteligencije postaju sve prisutniji u svakodnevnom životu, razumijevanje njihovih ograničenja moglo bi biti jednako važno kao i mjerenje njihovih sposobnosti.