دیجیاتو/محققان دانشگاه جانز هاپکینز می‌گویند سیستم‌های هوش مصنوعی در درک تعاملات و پویایی اجتماعی و زمینه لازم برای تعامل با افراد از انسان شکست می‌خورند. به گفته آنها این مشکل ممکن است ریشه در زیرساخت سیستم‌های هوش مصنوعی داشته باشد.


محققان می‌گویند فقط دیدن تصویر و تشخیص اشیا و چهره‌ها کافی نیست. این دستاورد اولین قدم بود که باعث پیشرفت عظیم مدل‌های چندوجهی هوش مصنوعی شد اما زندگی واقعی ایستا نیست و هوش مصنوعی باید بتواند وقایعی را که در صحنه‌ای رخ می‌دهد، درک کند. درنهایت این فناوری باید روابط، زمینه و پویایی تعاملات اجتماعی را متوجه شود. درکل پژوهش محققان نقطه‌ای کور در توسعه مدل‌های #هوش_مصنوعی را نشان می‌دهد.

در مقام مقایسه عملکرد مدل‌های هوش مصنوعی با انسان، محققان از شرکت‌کنندگان انسانی خواستند کلیپ‌های ویدیویی سه‌ثانیه‌ای تماشا کنند. این کلیپ‌ها شامل افرادی بودند که با هم تعامل داشتند و فعالیت‌هایی کنار هم یا به‌تنهایی انجام می‌دادند. شرکت‌کنندگان باید این تعاملات را ارزیابی می‌کردند. سپس محققان از تقریباً ۳۵۰ مدل هوش مصنوعی زبانی، ویدویی و تصویری خواستند درباره این کلیپ‌ها نظر بدهند. در مدل‌های زبانی بزرگ، محققان از هوش مصنوعی خواستند کپشن‌های کوتاه نوشته‌ انسان را ارزیابی کند.
شرکت‌کنندگان در بیشتر موارد، با یکدیگر درباره محتوای ویدیوها توافق داشتند اما مدل‌های هوش مصنوعی، صرف‌نظر از اندازه یا داده‌هایی که بر پایه آنها آموزش دیده بودند، چنین توافقی نداشتند.