Iako se često čini da tehnologija ima rješenje za apsolutno sve, najnovija znanstvena otkrića pokazuju da i najmoćniji digitalni umovi dijele dobro poznati ljudski izazov: pad koncentracije. 
Studija objavljena u časopisu PNAS Nexus testirala je vodeće jezične modele kroz klasične psihološke eksperimente i došla do fascinantnog zaključka.
Umjetna inteligencija raspolaže nevjerojatnom količinom znanja, no posustaje u onome što neuroznanost naziva izvršnom kontrolom pažnje. Drugim riječima, što je zadatak opsežniji i složeniji, modeli teže filtriraju ometajuće informacije i zadržavaju fokus na primarnom cilju.
Klasični psihološki test otkrio digitalnu distrakciju
Kako bi ispitali granice strojne kognicije, istraživači Jin Fan, Suketu Chandrakant Patel i Hongbin Wang podvrgnuli su sustave poput GPT modela, Claude serije i Gemini naprednih alata poznatom Stroopovom testu.
Riječ je o zlatnom standardu neuropsihologije iz 1935. godine u kojem ispitanici moraju imenovati boju tinte kojom je riječ ispisana, pritom ignorirajući samo značenje te riječi, primjerice kada je riječ “zeleno” otisnuta crvenom bojom.
Ljudski mozak u takvim situacijama aktivira posebne neuronske mehanizme kako bi svjesno suzbio pogrešan impuls i fokusirao se isključivo na relevantan podatak.
Kada su modeli rješavali kratke popise sa svega nekoliko riječi, njihova točnost bila je na razini ljudske. Međutim, čim su se suočili s dužim nizovima podataka, njihova preciznost drastično je pala. Uslijed dugotrajnijeg zadatka došlo je do erozije radnog fokusa, jer model u moru računskih operacija jednostavno “zaboravi” koji mu je točno primarni cilj.
Razlika između memorije i svjesnog usmjeravanja misli
Iako se mehanizam u temeljima modernih jezičnih modela naziva self-attention, znanstvenici naglašavaju ključnu razliku u odnosu na biološki mozak. Strojevi su izvanredni u povezivanju naučenih uzoraka i povlačenju podataka iz masivne baze znanja, no nedostaje im arhitektura koja dinamično upravlja sukobima među informacijama.
U psihologiji se taj jaz uspoređuje s odnosom kristalizirane i fluidne inteligencije. Kristalizirana inteligencija predstavlja akumulirano znanje i činjenice, dok fluidna inteligencija podrazumijeva sposobnost prilagodbe novim situacijama, brzo rješavanje nepoznatih problema i stabilnu kontrolu pažnje. Današnji LLM-ovi briljiraju u prvoj kategoriji, no posrću u drugoj.
Problem, dakle, nije u kapacitetu memorije. Povećanje memorijskog konteksta ne rješava srž problema ako model nema ugrađen sustav koji aktivno odlučuje što je u svakom koraku važno, a što treba zanemariti.
Zašto je ovo važno za budućnost digitalnih alata
Za sve koji svakodnevno koriste alate umjetne inteligencije u poslu, analitici ili kreativnom radu, ovi nalazi nude dragocjen praktičan uvid.
Kratke i precizne upute daju stabilnije rezultate: Budući da se preciznost modela smanjuje s duljinom i kompleksnošću konteksta, segmentiranje složenih zadataka u manje korake donosi znatno pouzdanije ishode.
Filter prioriteta i dalje je u ljudskim rukama: Model će ponuditi impresivan skup informacija, no procjena relevantnosti i konačna provjera točnosti ostaju nezamjenjiv zadatak korisnika.
Novi smjer za razvoj tehnologije: Istraživački tim ističe da će za postizanje opće umjetne inteligencije (AGI) biti nužno ugraditi kognitivne kontrolne mehanizme inspirirane ljudskim mozgom, umjesto pukog dodavanja računalne snage i veće memorije.
Čini se da put do naprednijih digitalnih asistenata ne vodi kroz još veće baze podataka, nego kroz vještinu koju često pokušavamo usavršiti i u vlastitoj svakodnevici, a to je sposobnost filtriranja buke i zadržavanja bistrog fokusa.
Tekst: Nikola Radović
