Artificiell intelligens (AI) har gjort betydande framsteg, från att driva självkörande bilar till att hjälpa till med medicinska diagnoser. En viktig fråga kvarstår dock: Skulle AI någonsin kunna klara ett kognitivt test som är utformat för människor? AI har uppnått imponerande resultat inom områden som språkbearbetning och problemlösning, men har fortfarande svårt att återskapa komplexiteten i det mänskliga tänkandet.
AI-modeller som ChatGPT kan generera text och lösa problem på ett effektivt sätt, men de presterar inte lika bra när de ställs inför kognitiva tester som Montreal Cognitive Assessment (MoCA), som är utformat för att mäta mänsklig intelligens.
Denna klyfta mellan AI:s tekniska framsteg och kognitiva begränsningar belyser betydande utmaningar när det gäller dess potential. AI kan ännu inte mäta sig med mänskligt tänkande, särskilt inte när det gäller uppgifter som kräver abstrakt tänkande, känslomässig förståelse och kontextuell medvetenhet.
Förstå kognitiva tester och deras roll i AI-utvärdering
Kognitiva test, som MoCA, är viktiga för att mäta olika aspekter av mänsklig intelligens, inklusive minne, resonemang, problemlösning och rumslig medvetenhet. Dessa tester används ofta i kliniska miljöer för att diagnostisera tillstånd som Alzheimers och demens, och ger en inblick i hur hjärnan fungerar under olika scenarier. Uppgifter som att minnas ord, rita en klocka och känna igen mönster bedömer hjärnans förmåga att navigera i komplexa miljöer, färdigheter som är viktiga i det dagliga livet.
När de tillämpas på AI) är resultaten dock helt annorlunda. AI-modeller som ChatGPT eller Googles Gemini må vara utmärkta på uppgifter som att känna igen mönster och generera text, men de kämpar med aspekter av kognition som kräver en djupare förståelse. AI kan till exempel följa uttryckliga instruktioner för att slutföra en uppgift, men saknar förmågan att resonera abstrakt, tolka känslor eller tillämpa sammanhang, vilket är kärnelement i mänskligt tänkande.
Kognitiva tester har därför ett dubbelt syfte när man utvärderar AI. Å ena sidan lyfter de fram AI:s styrkor när det gäller att bearbeta data och lösa strukturerade problem på ett effektivt sätt. Å andra sidan avslöjar de betydande brister i AI:s förmåga att replikera hela spektrumet av mänskliga kognitiva funktioner, särskilt de som involverar komplext beslutsfattande, emotionell intelligens och kontextuell medvetenhet.
Med den utbredda användningen av AI kräver dess tillämpningar inom områden som sjukvård och autonoma system mer än bara uppgiftsuppfyllelse. Kognitiva tester utgör ett riktmärke för att bedöma om AI kan hantera uppgifter som kräver abstrakta resonemang och emotionell förståelse, egenskaper som är centrala för mänsklig intelligens. Inom sjukvården kan AI till exempel analysera medicinska data och förutse sjukdomar, men inte ge känslomässigt stöd eller fatta nyanserade beslut som kräver förståelse för en patients unika situation. På samma sätt kräver tolkningen av oförutsägbara scenarier i autonoma system som självkörande bilar ofta en människoliknande intuition, något som dagens AI-modeller saknar.
Genom att använda kognitiva tester som är utformade för människor kan forskare identifiera områden där AI behöver förbättras och utveckla mer avancerade system. Dessa utvärderingar bidrar också till att skapa realistiska förväntningar på vad AI kan åstadkomma och belyser var mänsklig inblandning fortfarande är nödvändig.
AI-begränsningar i kognitiva tester
AI-modeller har gjort imponerande framsteg inom databehandling och mönsterigenkänning. Dessa modeller står dock inför betydande begränsningar när det gäller uppgifter som kräver abstrakt resonemang, rumslig medvetenhet och känslomässig förståelse. En ny studie som testade flera AI-system med hjälp av Montreal Cognitive Assessment (MoCA), ett verktyg som är utformat för att mäta människans kognitiva förmågor, avslöjade ett tydligt gap mellan AI:s styrkor i strukturerade uppgifter och dess svårigheter med mer komplexa kognitiva funktioner.
I den här studien fick ChatGPT 4o 26 poäng av 30, vilket tyder på en mild kognitiv nedsättning, medan Googles Gemini bara fick 16 poäng av 30, vilket tyder på en allvarlig kognitiv nedsättning. En av AI:s största utmaningar var visuospatiala uppgifter, som att rita en klocka eller replikera geometriska former. Dessa uppgifter, som kräver förståelse för rumsliga relationer och organisering av visuell information, är områden där människor utmärker sig intuitivt. Trots att AI-modellerna fick tydliga instruktioner hade de svårt att utföra dessa uppgifter på ett korrekt sätt.
Den mänskliga kognitionen integrerar sinnesintryck, minnen och känslor, vilket möjliggör adaptivt beslutsfattande. Människor förlitar sig på intuition, kreativitet och sammanhang när de löser problem, särskilt i tvetydiga situationer. Denna förmåga att tänka abstrakt och använda känslomässig intelligens i beslutsfattandet är en viktig del av den mänskliga kognitionen och gör det möjligt för människor att navigera i komplexa och dynamiska scenarier.
AI fungerar däremot genom att bearbeta data med hjälp av algoritmer och statistiska mönster. Även om AI kan generera svar baserat på inlärda mönster, förstår den inte riktigt sammanhanget eller innebörden bakom datan. Denna brist på förståelse gör det svårt för AI att utföra uppgifter som kräver abstrakt tänkande eller känslomässig förståelse, vilket är viktigt vid uppgifter som kognitiva tester.
Intressant nog har de kognitiva begränsningar som observerats i AI-modeller likheter med de funktionsnedsättningar som ses vid neurodegenerativa sjukdomar som Alzheimers. I studien, när AI tillfrågades om rumslig medvetenhet, var dess svar alltför förenklade och kontextberoende, vilket liknar de hos individer med kognitiv nedgång. Dessa resultat understryker att AI visserligen är utmärkt på att bearbeta strukturerad data och göra förutsägelser, men att den saknar den djupa förståelse som krävs för ett mer nyanserat beslutsfattande. Denna begränsning gäller särskilt hälso- och sjukvården och autonoma system, där omdöme och resonemang är kritiska.
Trots dessa begränsningar finns det potential för förbättringar. Nyare versioner av AI-modeller, som ChatGPT 4o, har visat framsteg när det gäller resonemang och beslutsfattande. För att kunna återskapa människoliknande kognition krävs dock förbättringar av AI-design, potentiellt genom kvantdatorer eller mer avancerade neurala nätverk.
AI:s svårigheter med komplexa kognitiva funktioner
Trots framstegen inom AI-tekniken är det fortfarande långt kvar innan AI klarar kognitiva tester som utformats för människor. Medan AI utmärker sig när det gäller att lösa strukturerade problem, kommer det till korta när det gäller mer nyanserade kognitiva funktioner.
Till exempel missar AI-modeller ofta målet när de ombeds att rita geometriska former eller tolka rumsliga data. Människor förstår och organiserar visuell information på ett naturligt sätt, vilket AI har svårt att göra på ett effektivt sätt. Detta belyser ett grundläggande problem: AI:s förmåga att bearbeta data är inte detsamma som att förstå hur mänskliga sinnen fungerar.
Kärnan i AI:s begränsningar är dess algoritmbaserade natur. AI-modeller fungerar genom att identifiera mönster i data, men de saknar den kontextuella medvetenhet och emotionella intelligens som människor använder för att fatta beslut. Även om AI effektivt kan generera resultat baserat på vad den har tränats på, förstår den inte innebörden bakom dessa resultat på samma sätt som en människa gör. Denna oförmåga till abstrakt tänkande, i kombination med en brist på empati, hindrar AI från att utföra uppgifter som kräver djupare kognitiva funktioner.
Denna klyfta mellan AI och mänsklig kognition är tydlig inom sjukvården. AI kan hjälpa till med uppgifter som att analysera medicinska skanningar eller förutsäga sjukdomar. Men det kan inte ersätta mänsklig bedömning i komplexa beslut som kräver förståelse för patientens situation. På samma sätt kan AI i system som autonoma fordon bearbeta stora mängder data för att upptäcka hinder. Men den kan inte ersätta den intuition som människor förlitar sig på när de fattar snabba beslut i oväntade situationer.
Trots dessa utmaningar har AI visat sig ha potential att förbättras. Nyare AI-modeller börjar kunna hantera mer avancerade uppgifter som innefattar resonemang och grundläggande beslutsfattande. Men även om dessa modeller utvecklas är de fortfarande långt ifrån att matcha det breda spektrum av mänskliga kognitiva förmågor som krävs för att klara kognitiva tester utformade för människor.
Slutsatsen
Sammanfattningsvis har AI gjort imponerande framsteg på många områden, men det är fortfarande en lång väg kvar innan AI klarar kognitiva tester som är utformade för människor. Även om AI kan hantera uppgifter som databehandling och problemlösning, kämpar AI med uppgifter som kräver abstrakt tänkande, empati och kontextuell förståelse.
Trots förbättringar kämpar AI fortfarande med uppgifter som rumslig medvetenhet och beslutsfattande. Även om AI ser lovande ut i framtiden, särskilt med tanke på de tekniska framstegen, är det långt ifrån att efterlikna mänsklig kognition.
