Zeptejte se ChatGPT, Gemini nebo Claude, kolik je písmen „R“ ve slově strawberry. Po měsíce dávaly všechny tři odpovědi „2″ — ačkoli správná odpověď je samozřejmě 3 (strawberry). Tahle drobná chyba se stala internetovým memem, ale vědci ji berou vážně. Odhaluje totiž něco fascinujícího o tom, jak umělá inteligence skutečně přemýšlí — a proč je její „inteligence“ něčím docela jiným, než si představujeme.

AI nečte slova. AI čte „tokeny“.

Zásadní fakt, který většina uživatelů netuší: velké jazykové modely (LLM) nečtou jednotlivá písmena. Místo toho rozdělují text na takzvané tokeny — bloky znaků, které se v jazyce často vyskytují společně.

Když pošlete ChatGPT slovo strawberry, model nevidí deset písmen. Vidí přibližně tři kusy: „st“, „raw“ a „berry“, které jsou pro něj jen čísly v interním slovníku — třeba [301, 1831, 8396]. V této reprezentaci neexistuje pojem „jednotlivé písmeno R“. Není tam co počítat.

Je to, jako byste se zeptali člověka, který nikdy neslyšel slovo „čtverec“ rozložené na hlásky, kolik je v něm samohlásek. Slyší celé slovo, ne písmena.

Proč zrovna 2 místo 3?

Tady je věc ještě zajímavější. Model se v tréninku naučil, že v „berry“ jsou dvě R (je tam přece „double r“). Když dostane otázku „kolik R ve strawberry?“, vytáhne tuhle naučenou asociaci a vyplivne 2. Úplně mu uteče, že ještě jedno „R“ je schované v té první slabice „straw“.

Jinými slovy: AI nepočítá. AI uhodává, co zní pravděpodobně. A v jejích trénovacích datech se mnohem častěji objevuje fráze „dvě R v berry“ než „tři R ve strawberry“.

Co nám to říká o „inteligenci“ AI

Tenhle malý fail je důležitější, než vypadá. Ukazuje, že:

  • AI není kalkulačka. Nedělá deterministické algoritmy typu „projdi řetězec znak po znaku“. Místo toho odhaduje pravděpodobnou odpověď na základě podobných případů, které viděla.
  • AI vidí svět skrz tokeny, ne skrz koncepty. Když řekneme „pes“, v hlavě nám naskočí obraz, vůně, vzpomínky. AI má jen vektor čísel, který se v určitých situacích chová podobně jako jiné vektory.
  • AI je geniální v tom, co viděla. Slabá v tom, co je nové. Strawberry-test selhal proto, že počítání písmen není úloha, na kterou byly modely přímo trénované.

Jak to vědci řeší

Novější modely jako OpenAI o1 (původně kódové jméno Strawberry — ano, mřežka po memu) tento problém z velké části vyřešily. Ne proto, že by konečně „viděly“ písmena, ale proto, že byly natrénovány na chain-of-thought uvažování — model si v hlavě „rozkládá“ problém na kroky a může například nahlas říct: „Slovo má písmena s-t-r-a-w-b-e-r-r-y. Procházím: pozice 3 = r, pozice 8 = r, pozice 9 = r. Celkem 3.“

Podle dat OpenAI z začátku roku 2026 model o4-mini dosahuje 93 % úspěšnosti na matematické soutěži AIME a překonává PhD experty na vědeckém testu GPQA Diamond. Ale i tak: pokud o tom nepřemýšlí krok za krokem, na strawberry padne i ten nejchytřejší model.

Lekce pro firmy: AI je geniální nástroj, ne kouzelná hůlka

Pro běžné uživatele je strawberry-test pobavení. Pro firmy je to ale užitečná připomínka: AI excelentně zvládá úlohy, kde existuje obrovské množství trénovacích dat (psaní e-mailů, shrnutí dokumentů, generování kódu, klasifikace zákaznických ticketů). Ale spoléhat se na ni u úkolů, kde se vyžaduje přesnost na úrovni jednotlivých znaků nebo cifer — typu kontrola IBAN, počítání položek na faktuře, validace identifikátorů — bez ověření znamená koledovat si o průšvih.

Dobré nasazení AI ve firmě začíná tím, že rozumíte, co AI dělá dobře a kde má slepá místa. Pokud tohle řešíte a chcete se nepustit do AI bez balastu marketingových slibů, v Praxiu vám pomůžeme to projít krok za krokem — řekneme vám i to, co možná nechcete slyšet. Úvodní konzultace je zdarma.

Bonus: Další úlohy, na kterých AI selhává

Strawberry-problém není ojedinělý. Zde jsou další klasické případy, kdy i nejmodernější modely sklouznou:

  • Počítání slov v dlouhém textu — z podobného důvodu jako u písmen.
  • Hraní šachu beze sady speciálních nástrojů — AI udělá nelegální tah po pár desítkách kroků.
  • Aritmetika s velkými čísly — bez kalkulačky se modely ztratí u násobení čtyřciferných čísel.
  • Časové úlohy — „Co bylo přesně před 47 dny?“ — modely často halucinují datum.
  • Anagramy a přesmyčky — opět tokenizace.

Všechny tyto úlohy mají společné to, že vyžadují algoritmické, krok-po-kroku zpracování symbolů — což není silná stránka transformer architektury.

FAQ: Strawberry-problém a tokenizace

Proč ChatGPT špatně počítá písmena?

Velké jazykové modely nepracují s jednotlivými písmeny, ale s tokeny — bloky 2 až 5 znaků, které jsou v jazyce běžné. V této reprezentaci jednotlivá písmena „neexistují“, takže model je nemůže přesně počítat. Místo toho odhaduje odpověď na základě podobných případů z trénovacích dat.

Vyřešily o1 a další moderní modely strawberry-problém?

Z velké části ano, ale ne změnou tokenizace. Modely o1 a podobné jsou trénované na chain-of-thought reasoning — rozkládají si úlohu na kroky a explicitně procházejí písmena jedno po druhém. Bez tohoto „myšlení nahlas“ by selhaly stejně jako starší modely.

Co to znamená pro nasazení AI ve firmě?

AI je vynikající pro úlohy s velkým množstvím přirozeného jazyka — psaní textů, sumarizace, klasifikace, vyhledávání v dokumentech. Pro úlohy vyžadující přesnost na úrovni znaků nebo deterministické algoritmy (validace, počítání, výpočty) je třeba ji buď kombinovat s klasickými nástroji, nebo lidskou kontrolou.

Zdroje: Dan Chuparkoff — If AI is so smart, why can’t it count the R’s, Runpod — Why LLMs can’t spell Strawberry, Beyond the Next Token: OpenAI’s Strawberry Reasoning, OpenAI Developer Community.