Mózg tłumi odruch. SI wpada w pułapkę. Test Stroopa ujawnia granicę, której algorytmy nie przeskoczą
Prosty test Stroopa, który bez wysiłku przechodzi każdy zdrowy dorosły, obnaża fundamentalną lukę w architekturze najpotężniejszych modeli językowych - przy dłuższych listach słów GPT-5 i Claude tracą kontakt z zadaniem niemal do zera.
pl.
👁 163 przeczytań
- Modele AI takie jak GPT-4o i Claude 3.5 Sonnet zawalają test Stroopa - GPT-4o spada z 91% dokładności do 15% na liście czterdziestu słów, podczas gdy sześciolatki przechodzą go bez problemu.
- Algorytmy tracą zdolność do tłumienia automatycznego odruchu czytania tekstu na rzecz wykonania zadania, gdy sekwencja danych wejściowych się wydłuża, co wskazuje na brak mechanizmu świadomej kontroli wykonawczej.
- Luka architektoniczna dotyczy transformerów systemowo - pojawia się w GPT-5, Claude Opus 4.1 i Gemini 2.5, co sugeruje, że ani większa liczba parametrów, ani lepszy trening nie rozwiążą problemu bez zmiany samej struktury modelu.
Aktualizacja 18.09.2026: przy nazwach produktów i modeli, które od publikacji zmieniły nazwę lub zostały wycofane, dopisałem w nawiasach aktualny stan i link do bieżącego przewodnika. Resztę tekstu zostawiam z dnia publikacji.
Prosty test psychologiczny, który bez trudu przechodzi sześciolatek, doprowadza najbardziej zaawansowane modele językowe na skraj zapaści poznawczej. Dlaczego maszyny, które piszą poezję i programują gry wideo, nie potrafią wykonać ćwiczenia polegającego na nazwaniu koloru czcionki? Wbrew pozorom nie chodzi tu o kolejną iluzoryczną umiejętność, ale o fundamentalną lukę architektoniczną dzielącą biologiczną i syntetyczną uwagę.
Cyfrowa wersja efektu Stroopa
W psychologii klinicznej test Stroopa od dekad służy do pomiaru kontroli wykonawczej - zdolności mózgu do tłumienia automatycznych reakcji na rzecz tych wymagających świadomego wysiłku. Gdy widzimy słowo „CZERWONY” zapisane na niebiesko i mamy podać kolor, a nie znaczenie, ludzki umysł zwalnia o ułamek sekundy, ale nawet przy długich seriach bodźców utrzymuje stabilną, wysoką skuteczność. Jak sprawdził zespół pod kierownictwem Suketu Patela, modele językowe w tych samych warunkach przechodzą spektakularny krach.
Badanie opublikowane w PNAS Nexus pokazało dokładne progi zniszczenia. GPT-4o (model wycofany z ChatGPT; aktualne: GPT-6 Astra) przy pięciu słowach osiąga solidne 91% trafności, ale przy czterdziestosłowowej liście spada do zaledwie 15%. Claude 3.5 Sonnet (starsza generacja; aktualne modele: Claude AI) broni się dłużej, jednak na czterdziestu elementach również tąpnie do 24%. To nie są subtelne spadki, tylko utrata orientacji w zadaniu - algorytm wraca do odruchu czytania tekstu, jakby nigdy nie otrzymał instrukcji.
Od 91 procent do bliskiego zera
Katastrofę najlepiej widać w wariancie mieszanym, gdzie lista zawiera zarówno słowa zgodne (czerwony napisany czerwienią), jak i niezgodne. Tam, gdzie trzeba stale przełączać strategię poznawczą, GPT-5, Claude Opus 4.1 i Gemini 2.5 (starsza wersja; aktualna seria to Gemini 3, szczegóły) zjeżdżają do niemal zerowej skuteczności w próbach konfliktowych. Mówiąc wprost: po przekroczeniu pewnego progu długości sekwencji modele tracą zdolność do utrzymania celu nadrzędnego.
„LLM-y są wytrenowane przede wszystkim do czytania i przewidywania tekstu. Gdy zmuszamy je, by ignorowały znaczenie słowa i raportowały wyłącznie kolor czcionki, ich pierwotny trening przejmuje kontrolę wraz ze skalowaniem długości danych wejściowych” - tłumaczy Patel.
Ludzki mózg w tym samym scenariuszu uruchamia mechanizm odgórnej kontroli wykonawczej - świadomie blokuje odruch czytania, utrzymując fokus na mniej wyćwiczonym zadaniu nazywania barw. W architekturze transformerowej ten element zwyczajnie nie istnieje. Mechanizm uwagi, choć rewolucyjny w przetwarzaniu języka naturalnego, przypomina raczej refleks niż świadomy wybór - nie ma tu obwodu zdolnego do zduszenia dominującego nawyku, gdy robi się trudniej.
Mniej kontroli niż podejrzewaliśmy
Nie przepłacaj za te subskrypcje
Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.
Implikacje wykraczają daleko poza akademicką ciekawostkę. Jeśli model traci orientację w zadaniu przy czterdziestu tokenach kolorów, co dzieje się przy analizie wielostronicowych kontraktów prawnych, dokumentacji medycznej czy zeznań świadków? W każdej sytuacji, gdzie występują sprzeczne sygnały - a tak wygląda większość rzeczywistych problemów - poleganie na stabilności uwagi maszyny staje się ryzykowne.
Co istotne, luka nie dotyczy wyłącznie starszych wersji. Identyczne wzorce załamania poznawczego odtworzono w GPT-5, Claude Opus 4.1 i Gemini 2.5. To wskazuje na systemową właściwość architektury, a nie błąd implementacyjny, który można załatać skalowaniem parametrów czy większym zbiorem treningowym. Biolodzy i neurokognitywiści od dawna podkreślają, że biologiczna uwaga operuje na zasadach fundamentalnie odmiennych od matematycznej atencji transformerów - eksperyment Patela dostarcza na to twardych danych liczbowych.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Co dalej z maszynową uwagą
Odkrycie stawia przed inżynierami AI niewygodne pytanie: czy modele potrzebują jawnego modułu kontroli wykonawczej, osobnego od mechanizmu samouwagi? Być może przyszłe architektury będą musiały wzorować się nie tylko na statystycznej predykcji tokenów, ale także na przedczołowych obwodach mózgu odpowiedzialnych za hamowanie impulsów. Jak na razie psychologiczny test sprzed niemal stu lat obnażył coś, czego nie ujawniły wielomilionowe benchmarki - inteligencja bez zdolności do powiedzenia sobie „nie rób tego” w krytycznym momencie przestaje nią być.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Co to jest test Stroopa i dlaczego modele AI w nim upadają?
Test Stroopa polega na nazwaniu koloru czcionki słowa zamiast jego znaczenia - na przykład słowo "CZERWONY" napisane niebiesko. Modele AI upadają, bo ich trening do czytania tekstu przejmuje kontrolę przy wydłużających się sekwencjach, a brakuje im mechanizmu do świadomego tłumienia tego odrchu, w przeciwieństwie do ludzkiego mózgu.
Jak drastycznie spada wydajność GPT-4o w teście Stroopa?
GPT-4o osiąga 91% trafności przy pięciu słowach, ale spada do zaledwie 15% na czterdziestu elementach. W wariantach mieszanych, gdzie trzeba przełączać strategię poznawczą, model pada do niemal zerowej skuteczności.
Czy ten problem dotyczy tylko starszych wersji modeli?
Nie, ten problem jest systemowy - identyczne wzorce załamania poznawczego zaobserwowano w GPT-5, Claude Opus 4.1 i Gemini 2.5. Wskazuje to na fundamentalną ograniczenie architektury transformerów, a nie błąd implementacyjny.
Jakie są praktyczne konsekwencje tej luki dla aplikacji AI?
Gdy model traci orientację przy czterdziestu tokenach, pojawia się ryzyko przy analizie wielostronicowych dokumentów prawnych, medycznych czy zeznań świadków, gdzie występują sprzeczne sygnały. Poleganie na stabilności uwagi maszyny w takich sytuacjach staje się niebezpieczne.
AI odczytała ból z EEG. Dwa algorytmy sprawdzają się nawzajem, by wyeliminować subiektywizmNauka
Pułapka pyłowa za Jowiszem. To tam rodziły się meteorytyNauka
Algorytmy nie zastąpią terapeuty. Dlaczego AI nie radzi sobie z uzależnieniamiNaukaPodobne tematy na Promptowym
