Mózg tłumi odruch. SI wpada w pułapkę. Test Stroopa ujawnia granicę, której algorytmy nie przeskoczą

👁 142 przeczytań

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 przy pięciu słowach osiąga solidne 91% trafności, ale przy czterdziestosłowowej liście spada do zaledwie 15%. Claude 3.5 Sonnet 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 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

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.

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.