Därför kan AI inte räkna R:en i strawberry
Av Chatday Editorial Team ·
Be en chatbot att planera ditt bröllop och den fixar det galant. Fråga hur många gånger bokstaven R finns i ’strawberry’ och chansen är stor att den säger två. Det rätta svaret är tre. Det här är en av de konstigaste sakerna med modern AI: samma verktyg som förklarar kvantfysik snubblar på en uppgift som en sexåring löser med en penna.
Det är inte en bugg, och AI:n är inte dum. Det är en bieffekt av hur de här systemen läser från början. Och när du väl fattar det faller många av AI:ns små, konstiga missar plötsligt på plats.
Den berömda ’strawberry’-missen, förklarad
’Hur många R finns i strawberry?’ blev internets favoritsätt att göra AI till åtlöje. Och ett tag hade nästan alla chatbottar fel och svarade ’två’, med den glada självsäkerheten hos någon som aldrig haft fel i hela sitt liv.
Stava själv: s-t-r-a-w-b-e-r-r-y. Det finns ett R nära början och ett dubbel-R nära slutet. Tre totalt. Lätt för en människa, för vi tittar på de riktiga bokstäverna. AI:n får inte göra det, och för att förstå varför måste man titta på hur den läser.
AI läser i bitar, inte i bokstäver
Här är delen som nästan ingen känner till. Innan en AI-modell läser ditt meddelande hackas texten i bitar som kallas tokens. En token är oftast ett vanligt ord eller en del av ett. Ordet ’strawberry’ delas ofta upp i något som ’st’, ’raw’ och ’berry’.
Räkna nu R:en så som modellen gör. Biten ’st’ har inga. ’raw’ har ett. ’berry’ har två, men modellen ser det som en enda klump, inte som b-e-r-r-y. Så bokstäverna hamnar begravda inne i bitarna, och modellen måste minnas ungefär hur varje bit stavas i stället för att läsa av den direkt.
En forskare sa det perfekt: det är som att försöka räkna trådarna i ett rep utan att tvinna upp det först. Modellen ser det tvinnade repet (token), inte de enskilda trådarna (bokstäverna).
Varför samma egenhet sabbar enkel matte
Det är också därför AI seglar genom en filosofiuppsats men snubblar på en fyrsiffrig multiplikation. Även siffror hackas i bitar, och inte ens på ett konsekvent sätt. Talet 12345 kan bli ’123’ och ’45’, så modellen radar aldrig upp siffrorna ordentligt som du skulle göra på papper.
Dessutom räknar inte AI:n. Den förutsäger det troligaste att säga härnäst utifrån allt den läst. Det funkar utmärkt för språk, där ’ungefär rätt’ räcker, och dåligt för aritmetik, där svaret antingen är exakt eller fel. Modellen är byggd för sannolikhet, och matte vill ha precision. De två går inte alltid ihop. Det är en kusin till anledningen att AI självsäkert hittar på saker: ett flytande och rimligt svar är inte samma sak som ett korrekt.
Så varför får vissa modeller rätt nu?
Här kommer vändningen. Fråga de flesta chatbottar om strawberry i dag så säger de tre. Frågan blev så känd att rätt svar numera sitter i det de lärt sig av. Modellerna fick inte plötsligt bokstavssyn. De lärde sig poängen utantill.
Byt ord och masken faller. I ett noggrant test 2025 frågade forskare hur många B som finns i ’blueberry’. En populär chatbot hade fel ungefär fyra gånger av tio och påstod självsäkert att det var tre när det är två, komplett med små bockar bredvid uträkningen. En annan modell hade rätt varenda gång genom att tålmodigt gå bokstav för bokstav. Samma uppgift, vitt skilda resultat, vilket säger dig att det här mindre är en järnhård AI-lag och mer en fråga om huruvida en viss modell bryr sig om att sakta ner och kolla.
Det är den ärliga versionen av historien. Bitproblemet är verkligt, men det är inte hela sanningen. Även en AI som visar sitt resonemang kan räkna fel, eftersom den mönstermatchar sig genom stegen i stället för att verkligen uppfatta varje bokstav. Nyare ’tänkande’ modeller är mycket bättre på det här än de snabba, ett bra exempel på snabb AI mot smart AI i praktiken. Men bättre är inte samma sak som garanterat.
Vad AI är grym på och vad du bör dubbelkolla
Du behöver inte kunna rörmokeriet utantill. Du behöver bara en känsla för var AI är stenhård och var det är värt att låta den visa sitt arbete.
| Uppgift | Hur bra AI är | Vad du ska göra |
|---|---|---|
| Skriva, sammanfatta, spåna idéer | Utmärkt | Lita på den, skumma sedan |
| Förklara ett begrepp med enkla ord | Utmärkt | Lita på den |
| Räkna bokstäver eller tecken | Skakigt | Be den stava |
| Långa eller exakta uträkningar | Skakigt | Be om steg för steg, eller använd en miniräknare |
| Exakta detaljer i ett långt dokument | Blandat | Be den citera källraden |
Mönstret är enkelt. När uppgiften är språk, låt den flöda. När uppgiften kräver exakthet, sakta ner den eller byt till en modell som är noggrann.
Så får du verkligen rätt svar
Tre drag löser nästan varje räkne- eller mattemiss:
- Låt den visa sitt arbete. ’Gå bokstav för bokstav’ eller ’lös steg för steg’ tvingar modellen att lägga ut allt där den kan se det, i stället för att slänga ur sig ett svar.
- Fråga två gånger, eller fråga två modeller. Om exakthet spelar roll, lita inte på det första snabba svaret. En andra åsikt från en annan modell fångar förvånansvärt många av de här felen.
- Använd rätt modell för jobbet. De snabba, pratglada modellerna är byggda för fart. För allt som är kladdigt och exakt är de extra sekunderna hos en långsammare, tänkande modell värda det.
Den sista punkten är lättare när du inte är låst till en enda AI. Du kan ställa några av de bästa modellerna inför samma fråga och se vem som faktiskt har rätt.
Summan av kardemumman
AI:ns bokstavsmiss är inget tecken på att den i hemlighet är dum. Det är ett fönster mot hur de här verktygen faktiskt fungerar: de läser i bitar, förutsäger i stället för att räkna, briljanta med språk och klumpiga med det bokstavliga. När du vet det slutar du bli förvånad och börjar styra. Be den sakta ner, låt den visa sitt arbete, och när svaret verkligen måste stämma, ta in en andra modell.
Bästa sättet att bygga den känslan är att peta själv. Be en modell räkna R:en, be den sedan stava ordet först och se svaret ändras.