Geavanceerde AI Modellen Doorstaan Naar Verluidt Turing Test

Het landschap van kunstmatige intelligentie verschuift voortdurend, gekenmerkt door mijlpalen die ooit beperkt waren tot het domein van sciencefiction. Een recente ontwikkeling heeft golven veroorzaakt in de tech-gemeenschap en daarbuiten: twee geavanceerde AI-modellen zouden met succes de complexiteit van de Turing Test hebben doorstaan. Deze iconische benchmark, bedacht door de briljante Britse wiskundige Alan Turing halverwege de 20e eeuw, staat al lang bekend als een conceptuele Mount Everest voor machine-intelligentie – een maatstaf of een machine zo overtuigend kan converseren dat deze ononderscheidbaar wordt van een mens. Het nieuws dat OpenAI’s GPT-4.5 en Meta’s Llama-3.1 modellen aantoonbaar deze top hebben bereikt, signaleert een potentieel cruciaal moment in de evolutie van AI, wat dwingt tot een hernieuwde beschouwing van de steeds vager wordende grenzen tussen menselijke cognitie en kunstmatige capaciteit.

Het baanbrekende experiment: opzet en verrassende resultaten

De bewering dat deze AI-systemen de Turing Test hebben doorstaan, komt voort uit onderzoek uitgevoerd door Cameron R. Jones en Benjamin K. Bergen aan de University of California San Diego. Hun studie, die momenteel wacht op de beoordeling door vakgenoten (peer review), gebruikte een methodologie die nauw aansluit bij de geest van Turing’s oorspronkelijke voorstel, terwijl moderne nauwkeurigheid werd geïntegreerd. Jones en Bergen erkenden de beperkingen van eenvoudigere, tweeledige tests en implementeerden een uitdagender driedelig interactiemodel.

In deze opzet voerde een menselijke deelnemer (de ondervrager) gelijktijdig afzonderlijke, op tekst gebaseerde gesprekken gedurende vijf minuten. Eén gesprekspartner was een andere mens, terwijl de andere een AI-systeem was. Cruciaal was dat de ondervrager niet wist wie wie was. Na de uitwisseling van vijf minuten was de taak van de ondervrager duidelijk: identificeer de machine. Deze structuur dwingt tot een directe vergelijking en wordt beschouwd als een robuustere evaluatie dan simpelweg vragen of een AI menselijk lijkt in isolatie.

Om ervoor te zorgen dat de bevindingen niet werden vertekend door een specifieke demografische groep, testten de onderzoekers hun opzet bij twee verschillende populaties:

1. Bachelorstudenten, die een jongere demografische groep vertegenwoordigen die over het algemeen bekend is met digitale communicatie.
2. Productieve werkers (gerekruteerd via online platforms), die een bredere dwarsdoorsnede van de bevolking vertegenwoordigen die gewend is aan gevarieerde online interacties.

De resultaten van deze zorgvuldige aanpak waren opvallend.

• OpenAI’s GPT-4.5 bleek opmerkelijk overtuigend. Wanneer specifiek geïnstrueerd om een bepaalde persona aan te nemen (hierover later meer), was het niet alleen overtuigend; het was overtuigender dan de daadwerkelijke mensen die erbij betrokken waren. Ondervragers identificeerden GPT-4.5 maar liefst 73% van de tijd als de menselijke deelnemer. Dit cijfer overtreft niet alleen significant de conventionele drempel van 50% om te slagen, maar ook het percentage waarmee ondervragers de daadwerkelijke menselijke partners correct identificeerden.
• Meta’s Llama-3.1-405B, een ander geavanceerd groot taalmodel, presteerde ook indrukwekkend. Het behaalde een succespercentage van 56% in het geïdentificeerd worden als mens, wat effectief overeenkomt met de basisprestatie die verwacht wordt bij willekeurige keuzes (ongeveer 50%) en toont een sterk vermogen om menselijke gesprekspatronen na te bootsen.

Deze hoge succespercentages staan in schril contrast met de prestaties van basis- en controlemodellen die in het experiment waren opgenomen:

• GPT-4o, een capabel maar mogelijk minder geavanceerd OpenAI-model, had een winstpercentage van slechts 21%.
• ELIZA, een rudimentaire chatbot ontwikkeld in de jaren 60, diende als controle. De opname ervan was essentieel om te bevestigen dat de ondervragers inderdaad niet-menselijke reacties konden onderscheiden wanneer ze geconfronteerd werden met een minder geavanceerd systeem. Zoals verwacht presteerde ELIZA slecht en werd het de overgrote meerderheid van de tijd correct geïdentificeerd als niet-menselijk (slechts een 23% winstpercentage, wat in wezen de ruisvloer of deelnemersfout meet).

Het significante verschil tussen de prestaties van GPT-4.5 en Llama-3.1 vergeleken met GPT-4o en ELIZA onderstreept de vooruitgang die is geboekt in de recente AI-ontwikkeling. De onderzoekers beweren dat hun studie het ‘eerste robuuste bewijs levert dat enig systeem slaagt voor de oorspronkelijke driedelige Turing test’, een claim die, in afwachting van peer review, een belangrijk moment in de AI-geschiedenis markeert.

De cruciale rol van persona en prompting

Het verhaal van de AI-triomf komt echter met een belangrijke kanttekening, die de genuanceerde realiteit achter de hoofdcijfers benadrukt. De indrukwekkende succespercentages van GPT-4.5 en Llama-3.1 werden niet behaald door hun inherente, ‘out-of-the-box’ capaciteiten alleen. In plaats daarvan was hun vermogen om menselijke ondervragers te misleiden sterk afhankelijk van specifieke instructies – prompts – die hen werden gegeven voordat de interacties begonnen.

De onderzoekers gaven de AI-modellen de opdracht om een zorgvuldig gedefinieerde persona aan te nemen: die van een jonge, enigszins introverte persoon die goed op de hoogte is van internetcultuur. Deze specifieke karakterisering lijkt de sleutel tot hun succes te zijn geweest. Toen dezelfde geavanceerde AI-modellen (GPT-4.5 en Llama-3.1) de test doorliepen zonder deze persona-prompt, kelderden hun prestaties aanzienlijk. Ze werden veel gemakkelijker geïdentificeerd als machines door de menselijke ondervragers.

Deze bevinding is om verschillende redenen van cruciaal belang:

1. Het onderstreept de kracht van prompt engineering: Het vermogen om effectieve prompts te maken wordt steeds centraler bij het benutten van de capaciteiten van grote taalmodellen. Deze studie toont aan dat prompting niet alleen gaat over het verkrijgen van de juiste informatie uit een AI; het gaat ook over het vormgeven van zijn gedrag, toon en schijnbare persoonlijkheid om in een specifieke context te passen. Het succes hier kan net zo goed worden gezien als een bewijs van vaardige prompting als van de onderliggende AI-architectuur.
2. Het roept vragen op over wat ‘slagen’ betekent: Als een AI alleen de Turing Test kan doorstaan wanneer deze specifiek wordt gecoacht om zich als een bepaald type mens te gedragen, voldoet het dan echt aan de geest van Turing’s oorspronkelijke uitdaging? Of toont het slechts de flexibiliteit van het model en zijn vermogen tot geavanceerde mimicry wanneer het expliciete regieaanwijzingen krijgt?
3. Het benadrukt aanpassingsvermogen als een belangrijke eigenschap: Zoals Jones en Bergen in hun paper opmerken: ‘Het is aantoonbaar het gemak waarmee LLM’s kunnen worden geprompt om hun gedrag aan te passen aan verschillende scenario’s dat hen zo flexibel maakt: en blijkbaar zo capabel om als mens door te gaan.’ Dit aanpassingsvermogen is ongetwijfeld een krachtige eigenschap, maar het verschuift de focus van aangeboren ‘intelligentie’ naar programmeerbare prestaties.

De afhankelijkheid van persona suggereert dat de huidige AI, zelfs op zijn meest geavanceerde niveau, mogelijk geen gegeneraliseerde, inherente ‘mensachtige’ kwaliteit bezit, maar eerder uitblinkt in het aannemen van specifieke mensachtige maskers wanneer daartoe geïnstrueerd.

Voorbij imitatie: vraagtekens bij ware intelligentie

De onderzoekers zelf zijn voorzichtig met de interpretatie van hun bevindingen. Het slagen voor deze specifieke conversatietest, zelfs onder rigoureuze omstandigheden, mag niet automatisch worden gelijkgesteld aan de komst van ware machine-intelligentie, bewustzijn of begrip. De Turing Test, hoewel historisch significant, evalueert voornamelijk gedragsmatige ononderscheidbaarheid in een beperkte context (een kort tekstgesprek). Het onderzoekt niet noodzakelijkerwijs diepere cognitieve vaardigheden zoals redeneren, gezond verstand, ethisch oordeel of echt zelfbewustzijn.

Moderne grote taalmodellen (LLM’s) zoals GPT-4.5 en Llama-3.1 worden getraind op onvoorstelbaar grote datasets bestaande uit tekst en code die van het internet zijn geschraapt. Ze blinken uit in het identificeren van patronen, het voorspellen van het volgende woord in een reeks en het genereren van tekst die statistisch lijkt op menselijke communicatie. Zoals Sinead Bovell, oprichter van het tech-educatiebedrijf Waye, treffend vroeg: ‘Is het geheel verrassend dat… AI ons uiteindelijk zou verslaan in ‘menselijk klinken’ wanneer het is getraind op meer menselijke data dan enig persoon ooit zou kunnen lezen of bekijken?’

Dit perspectief suggereert dat de AI niet noodzakelijkerwijs ‘denkt’ als een mens, maar eerder een ongelooflijk geavanceerde vorm van patroonherkenning en imitatie toepast, verfijnd door blootstelling aan biljoenen woorden die talloze menselijke gesprekken, artikelen en interacties vertegenwoordigen. Het succes in de test zou daarom de enorme omvang en breedte van zijn trainingsdata kunnen weerspiegelen in plaats van een fundamentele sprong naar mensachtige cognitie.

Bijgevolg beweren veel experts, waaronder de auteurs van de studie, dat de Turing Test, hoewel een waardevolle historische marker, mogelijk niet langer de meest geschikte benchmark is voor het meten van betekenisvolle vooruitgang in AI. Er is een groeiende consensus dat toekomstige evaluaties zich moeten richten op meer veeleisende criteria, zoals:

• Robuust Redeneren: Het beoordelen van het vermogen van de AI om complexe problemen op te lossen, logische gevolgtrekkingen te maken en oorzaak en gevolg te begrijpen.
• Ethische Afstemming (Alignment): Evalueren of de besluitvormingsprocessen van de AI overeenkomen met menselijke waarden en ethische principes.
• Gezond Verstand: Testen van het begrip van de AI van impliciete kennis over de fysieke en sociale wereld die mensen als vanzelfsprekend beschouwen.
• Aanpassingsvermogen aan Nieuwe Situaties: Meten hoe goed de AI presteert wanneer geconfronteerd met scenario’s die significant verschillen van zijn trainingsdata.

Het debat verschuift van ‘Kan het praten zoals wij?’ naar ‘Kan het redeneren, begrijpen en zich verantwoordelijk gedragen zoals wij?’

Historische context en eerdere pogingen

De zoektocht naar een machine die de Turing Test kon doorstaan, heeft computerwetenschappers en het publiek decennialang gefascineerd. Deze recente studie is niet de eerste keer dat er claims van succes zijn opgedoken, hoewel eerdere gevallen vaak met scepsis of kwalificaties werden ontvangen.

Misschien wel de beroemdste eerdere claim betrof de Eugene Goostman chatbot in 2014. Dit programma was bedoeld om een 13-jarige Oekraïense jongen te simuleren. In een wedstrijd ter gelegenheid van de 60e sterfdag van Alan Turing slaagde Goostman erin om 33% van de juryleden tijdens gesprekken van vijf minuten ervan te overtuigen dat het menselijk was. Hoewel dit breed werd gerapporteerd als het ‘slagen’voor de Turing Test, was deze claim omstreden. Velen voerden aan dat het succespercentage van 33% tekortschoot voor de drempel van 50% die vaak als noodzakelijk wordt beschouwd (hoewel Turing zelf nooit een exact percentage specificeerde). Bovendien wezen critici erop dat het simuleren van een tiener die geen moedertaalspreker van het Engels is, grammaticale fouten en kennishiaten vergeeflijker kon maken, waardoor de lat voor misleiding mogelijk lager lag.

De opname van ELIZA in de studie van Jones en Bergen biedt waardevolle historische context. Ontwikkeld door Joseph Weizenbaum aan het MIT in de jaren 60, werkte ELIZA met eenvoudige patroonherkenning en trefwoordvervanging, waarbij vaak de uitspraken van de gebruiker als vragen werden teruggekaatst (bijv. Gebruiker: ‘Ik voel me verdrietig.’ ELIZA: ‘Waarom voel je je verdrietig?’). Ondanks zijn eenvoud schreven sommige gebruikers er beroemd menselijk begrip aan toe. Zijn slechte prestatie (23% winstpercentage) in de recente, rigoureuzere driedelige test bevestigt dat het experimentele ontwerp voldoende gevoelig was om onderscheid te maken tussen rudimentaire mimicry en de geavanceerde conversatievaardigheden van moderne LLM’s. De reis van ELIZA naar GPT-4.5 vertegenwoordigt een enorme sprong in rekenkracht, algoritmische verfijning en databeschikbaarheid.

Het menselijke element: ondervragingstactieken en percepties

De studie van UC San Diego biedt ook fascinerende inzichten in hoe mensen proberen kunstmatigheid in een gesprek te onderscheiden. Analyse van de strategieën van de ondervragers onthulde veelvoorkomende benaderingen:

• Kleine Gesprekjes Voeren (61% van de spellen): Het bespreken van dagelijkse activiteiten, hobby’s of alledaagse persoonlijke details is een frequente tactiek, misschien gebaseerd op de aanname dat AI moeite zou kunnen hebben met de nuances van de alledaagse menselijke ervaring of een overtuigende persoonlijke geschiedenis zou missen.
• Sonde naar Sociale en Emotionele Kwaliteiten (50%): Ondervragers probeerden vaak reacties uit te lokken met betrekking tot gevoelens, meningen, empathie of sociaal begrip, gebieden die traditioneel als uniek menselijk worden beschouwd.
• Testen met Vreemdheid: Enkele van de meest effectieve strategieën waren het afwijken van een normaal gesprek. Dit omvatte het zeggen van iets bizars of onverwachts om de reactie te peilen, waarbij het vermogen van de AI werd getest om gracieus om te gaan met nieuwigheid of absurditeit.
• Pogingen tot ‘Jailbreaking’: Meer technisch onderlegde ondervragers probeerden specifieke prompts of vragen te gebruiken die ontworpen waren om de veiligheidsprotocollen van de AI te omzeilen of deze te dwingen zijn onderliggende aard als machine te onthullen.

Deze tactieken suggereren dat mensen vaak vertrouwen op waargenomen emotionele diepgang, consistentie in het persoonlijke verhaal en het vermogen om conversationele ‘curveballs’ te hanteren als kenmerken van menselijkheid.

Interessant is dat het succes van GPT-4.5, met name zijn hoge beoordeling zelfs in vergelijking met echte mensen, innovatiedenker John Nosta ertoe bracht op te merken: ‘We verliezen niet van kunstmatige intelligentie. We verliezen van kunstmatige empathie.’ Deze opmerking wijst op de toenemende vaardigheid van AI, niet alleen in het nabootsen van taalpatronen, maar ook in het simuleren van de affectieve kwaliteiten van menselijke interactie – het uiten van schijnbaar begrip, bezorgdheid of gedeeld gevoel, zelfs als deze algoritmisch worden gegenereerd in plaats van echt gevoeld. Het vermogen om empathisch klinkende reacties te genereren lijkt een krachtig hulpmiddel te zijn om mensen te overtuigen van de authenticiteit van de AI.

Bredere implicaties: economie, maatschappij en de toekomst

Het succesvol doorstaan van de Turing Test-benchmark door modellen zoals GPT-4.5 en Llama-3.1, zelfs met het voorbehoud van prompting, heeft implicaties die veel verder reiken dan het academische of technische domein. Het signaleert een niveau van conversationele vloeiendheid en gedragsmatig aanpassingsvermogen in AI dat verschillende aspecten van het leven aanzienlijk zou kunnen hervormen.

Economische Ontwrichting: Het vermogen van AI om op mensachtige wijze te interageren, roept verdere zorgen op over banenverlies. Rollen die sterk afhankelijk zijn van communicatie, klantenservice, contentcreatie en zelfs bepaalde vormen van gezelschap of coaching zouden mogelijk geautomatiseerd of aanzienlijk veranderd kunnen worden door AI-systemen die natuurlijk en effectief kunnen converseren.

Sociale Zorgen: De toenemende verfijning van AI-mimicry vormt uitdagingen voor menselijke relaties en sociaal vertrouwen.

• Zou wijdverspreide interactie met zeer overtuigende AI-chatbots kunnen leiden tot een devaluatie van echte menselijke verbinding?
• Hoe zorgen we voor transparantie, zodat mensen weten of ze interageren met een mens of een AI, vooral in gevoelige contexten zoals ondersteunende diensten of online relaties?
• Het potentieel voor misbruik bij het creëren van zeer geloofwaardige ‘deepfake’-persona’s voor oplichting, desinformatiecampagnes of kwaadwillige social engineering wordt aanzienlijk groter.

Opkomst van Agentic AI: Deze ontwikkelingen sluiten aan bij de bredere trend naar Agentic AI – systemen die niet alleen zijn ontworpen om op prompts te reageren, maar om autonoom doelen na te streven, taken uit te voeren en te interageren met digitale omgevingen. Bedrijven zoals Microsoft, Adobe, Zoom en Slack ontwikkelen actief AI-agenten die bedoeld zijn om te functioneren als virtuele collega’s, waarbij taken worden geautomatiseerd variërend van het plannen van vergaderingen en het samenvatten van documenten tot het beheren van projecten en interactie met klanten. Een AI die overtuigend kan doorgaan voor een mens in een gesprek is een fundamenteel element voor het creëren van effectieve en geïntegreerde AI-agenten.

Stemmen van voorzichtigheid: alignment en onvoorziene gevolgen

Te midden van de opwinding rond AI-vooruitgang, manen prominente stemmen tot voorzichtigheid, waarbij ze het cruciale belang van veiligheid en ethische overwegingen benadrukken. Susan Schneider, oprichtend directeur van het Center for the Future Mind aan de Florida Atlantic University, uitte haar bezorgdheid over de alignment (afstemming) van deze krachtige chatbots. ‘Jammer dat deze AI-chatbots niet goed zijn afgestemd’, waarschuwde ze, wijzend op de potentiële gevaren als de AI-ontwikkeling sneller gaat dan ons vermogen om ervoor te zorgen dat deze systemen veilig en in overeenstemming met menselijke waarden werken.

Schneider voorspelt een toekomst vol uitdagingen als alignment geen prioriteit krijgt: ‘Toch voorspel ik: ze zullen blijven toenemen in capaciteiten en het zal een nachtmerrie worden – emergente eigenschappen, ‘diepere fakes’, chatbot cyberoorlogen.’

• Emergente eigenschappen verwijzen naar onverwacht gedrag of capaciteiten die kunnen ontstaan in complexe systemen zoals geavanceerde AI, die mogelijk niet expliciet zijn geprogrammeerd of voorzien door hun makers.
• ‘Diepere fakes’ gaan verder dan gemanipuleerde afbeeldingen of video’s en kunnen mogelijk volledig gefabriceerde, interactieve persona’s omvatten die op grote schaal worden gebruikt voor misleiding.
• ‘Chatbot cyberoorlogen’ voorziet scenario’s waarin AI-systemen tegen elkaar of tegen menselijke systemen worden ingezet voor kwaadwillige doeleinden, zoals grootschalige desinformatie of geautomatiseerde sociale manipulatie.

Dit voorzichtige perspectief staat in schril contrast met de meer optimistische visies die vaak worden geassocieerd met futuristen zoals Ray Kurzweil (naar wie Schneider verwijst), die beroemd een toekomst voorspelt die, grotendeels positief, wordt getransformeerd door exponentieel voortschrijdende AI die leidt tot een technologische singulariteit. Het debat onderstreept de diepe onzekerheid en de hoge inzet die gepaard gaan met het navigeren door de volgende fasen van de ontwikkeling van kunstmatige intelligentie. Het vermogen om menselijke conversatie overtuigend na te bootsen is een opmerkelijke technische prestatie, maar het opent ook een doos van Pandora vol ethische, sociale en existentiële vragen die zorgvuldige overweging vereisen nu we deze nieuwe era verder betreden.