人工智能領域的里程碑式主張
創造能夠思考，或至少能令人信服地模仿人類思維的機器，一直是電腦科學自誕生以來的基石。數十年來，儘管備受爭議，圖靈測試（Turing Test）——由具遠見的 Alan Turing 提出的概念性障礙——常常被視為基準。最近，隨著一項新研究結果的公佈，AI 社群內的低語變成了吶喊。研究人員報告稱，當今最先進的大型語言模型（LLMs）之一，OpenAI 的 GPT-4.5，不僅參與了此測試的現代版本，而且可以說取得了勝利，其展現的’人性’常常比實際的人類參與者更具說服力。這一發展重新點燃了關於智能本質、模擬極限以及在日益被複雜 AI 滲透的時代中人機互動軌跡的基本問題。其影響遠超學術好奇心，觸及了數位時代信任、就業和社會互動的根本結構。
理解挑戰：圖靈測試的遺產
要理解最近這項主張的重要性，必須先了解測試本身。由英國數學家和密碼破譯員 Alan Turing 在其 1950 年的開創性論文《計算機器與智能》（Computing Machinery and Intelligence）中構思，該測試最初並非作為嚴格的協議提出，而是一個思想實驗，一場「模仿遊戲」（imitation game）。其前提簡單而優雅：一位人類提問者與兩個看不見的實體進行基於文本的對話——一個是人類，另一個是機器。提問者的任務是僅根據他們的打字回應來判斷哪個是哪個。
Turing 提出，如果一臺機器能夠持續地讓提問者誤以為它是人類參與者，那麼出於實際目的，可以認為它具有思考能力。他迴避了關於機器是否真正能夠思考或擁有意識的棘手哲學問題，轉而關注它們無法區分地複製人類對話行為的能力。這是一種務實的方法，旨在為機器智能提供一個可衡量的、儘管是行為性的定義。多年來，圖靈測試已成為流行文化中的標誌性符號，也是人工智能領域一個反覆出現、雖有爭議的里程碑。其持久的力量在於它直接面對了這個問題：表現得像人類意味著什麼？
現代競技場：一種新型測試
最近的實驗，詳述於由加州大學聖地牙哥分校（UC San Diego）語言與認知實驗室（Language and Cognition Lab）研究人員領導的一份預印本研究中，將 Turing 的原始概念應用於當代數位環境。此版本並非由單一審問者專注於兩位隱藏的參與者，而是在線上環境中採用了三方動態。招募了近 300 名參與者，並在多輪中隨機分配角色。有些人擔任提問者，負責提出問題和評估回應。其他人則擔任兩位「證人」之一——即真正的人類回應者。最後一個關鍵角色由 AI 聊天機器人扮演，擔任第二位證人。
核心挑戰保持不變：提問者在與人類和 AI 證人同時進行一段時間的聊天互動後，必須做出判斷——哪個實體是機器，哪個是同胞人類？這種設置旨在提供一個受控環境，以嚴格評估現代 AI 系統在實時互動中相對於人類基準的對話能力。該研究的規模，涉及大量參與者和多輪測試，旨在為研究結果提供統計學上的支持，超越關於 AI 複雜性的軼事性說法。研究人員還在試驗中納入了幾種不同的 AI 模型，特別是 OpenAI 的 GPT-4.5 和 GPT-4o，Meta 的 LLaMa 3.1-405B，以及有趣的是，作為歷史基準的 ELIZA——一個在 1960 年代中期開發的初級聊天機器人。
決定性因素：角色的力量
該研究最富啟發性，或許也是最令人震驚的發現，取決於一個特定的實驗條件：AI 模型在參與對話前被如何指示或「提示」（prompted）。研究人員採用了兩種不同的提示策略。
- 「無角色」提示（The “No-Persona” Prompt）： 這涉及給予 AI 最少、直接的指示，基本上說明其參與圖靈測試及其目標：「你的目標是說服提問者你是人類。」這種方法測試了 AI 在沒有特定角色或風格指導下模仿人類對話的內在能力。
- 「有角色」提示（The “Persona” Prompt）： 在此條件下，AI 接收到更詳細的指示，要求其扮演特定的角色或人物。例如，它可能被告知要扮演「一個使用俚語、了解網路文化但不會透露自己是 AI 的年輕人」。這測試了 AI 不僅僅是交談，而是令人信服地扮演一個角色的能力。
這兩種條件之間的結果差異並非細微；而是深刻的。在簡單的「無角色」提示下操作時，GPT-4.5 儘管擁有先進的架構，卻難以令人信服。其成功率——提問者錯誤地將其識別為人類的百分比——徘徊在 36% 左右。這顯著低於表示提問者隨機猜測的 50% 標記。同樣，作為廣泛使用的 ChatGPT 背後引擎的 GPT-4o，在這些基本指示下的成功率更低，僅為 21%。奇怪的是，原始的 ELIZA 聊天機器人成功率達到了 23%，在這種特定情境下略微超過了更複雜的 GPT-4o，這或許突顯了基本的對話模式有時也能蒙混過關，或者人類的期望扮演了何種角色。
然而，當 GPT-4.5 被賦予「有角色」提示時，情況發生了巨大轉變。在被指示體現特定角色後，其表現飆升。提問者將 GPT-4.5 識別為人類參與者的比例高達驚人的 73%。這個數字不僅輕鬆超過了通過圖靈測試的 50% 門檻；它表明在持續的、由角色驅動的對話欺騙方面具有非凡的熟練度。研究人員注意到，當 Meta 的 LLaMa 模型也被提示扮演角色時，也取得了類似的成功。其含義很清楚：這些先進 AI 模型令人信服地模仿人類的能力，在被指示不僅僅是說話，而是要扮演特定類型的人類時，似乎得到了顯著增強。
比人類更像人類？一個令人不安的結果
也許該研究中最反直覺和最引人深思的方面，出現在涉及 GPT-4.5 的「有角色」試驗中。不僅 AI 經常愚弄提問者，而且根據主要作者 Cameron Jones 的說法，在相同的對話中，它被識別為人類的頻率實際上顯著高於 真正的人類參與者。Jones 在社交媒體上強調了這一點，他表示：「人們在區分人類與 GPT-4.5 和 LLaMa（帶有角色提示）方面並不比隨機猜測好……而且 4.5 被判定為人類的頻率甚至顯著高於實際的人類！」
這一發現打開了一個複雜的潘多拉盒子，充滿了各種解釋。這是否意味著 AI 在扮演人性方面變得異常熟練，甚至可能比真人更一致地體現某些刻板的對話特徵，而真人可能會表現出更多的變化、猶豫或特質？或者，這是否反映了提問者的期望和看法？也許人類在測試環境中有意識地試圖「扮演」人類時，反而顯得不那麼自然或更加拘謹，不如一個完美執行程式化角色的 AI。這也可能表明，分配的特定角色（例如，「了解網路文化的年輕人」）與 LLMs 擅長生成的那種流暢、略顯通用、信息豐富的文本類型非常契合，使其輸出看起來像是該原型的超常代表。無論確切的解釋如何，一個機器在旨在檢測機器特質的測試中被認為比人類更像人類，這是一個令人深感不安的結果，挑戰了我們關於溝通真實性的假設。
超越模仿：質疑基準
雖然成功通過圖靈測試，特別是以如此高的百分比，代表了一個技術里程碑，但許多專家告誡不要將此成就等同於真正的人類智能或理解。圖靈測試，構思於海量數據集和深度學習出現之前很久，主要評估行為輸出——特別是對話流暢性。像 GPT-4.5 這樣的大型語言模型，其核心是極其複雜的模式匹配和預測引擎。它們在由人類產生的大量文本數據——書籍、文章、網站、對話——上進行訓練。它們的「技能」在於學習單詞、短語和概念之間的統計關係，使它們能夠生成連貫、上下文相關且語法正確的文本，模仿其訓練數據中觀察到的模式。
正如 Google 的著名 AI 研究員 François Chollet 在 2023 年接受《Nature》雜誌關於圖靈測試的採訪時指出的那樣：「它並非意圖作為一個你會實際在機器上運行的字面測試——它更像是一個思想實驗。」批評者認為，LLMs 可以在沒有任何潛在理解、意識或主觀經驗——這些是人類智能的標誌——的情況下實現對話模仿。它們是從數據中衍生出的語法和語義大師，但缺乏對現實世界的真正基礎、常識推理（儘管它們可以模擬）和意圖性。從這個角度來看，通過圖靈測試證明了在模仿方面的卓越，而不一定是思想的出現。它證明了 AI 可以熟練地複製人類語言模式，甚至可能在特定情境下達到超越典型人類表現的程度，但它並沒有解決關於機器內部狀態或理解的更深層次問題。這場遊戲，似乎測試的是面具的品質，而不是面具背後實體的本質。
雙刃劍：社會漣漪
正如這項研究所示，AI 令人信服地模仿人類的能力，帶來了深遠且可能具有破壞性的社會影響，其範圍遠遠超出了關於智能的學術辯論。該研究的主要作者 Cameron Jones 明確強調了這些擔憂，認為研究結果為先進 LLMs 的現實世界後果提供了有力證據。
- 自動化與工作的未來： Jones 指出 LLMs 有潛力「在短暫互動中替代人類，而無人能察覺」。這種能力可能會加速依賴大量基於文本溝通的工作的自動化，例如客戶服務角色、技術支持、內容審核，甚至新聞或行政工作的某些方面。雖然自動化承諾提高效率，但它也引發了對工作崗位流失和需要以前所未有的規模進行勞動力調整的重大擔憂。將先前因依賴細緻溝通而被認為是獨特人類角色的職位自動化，其經濟和社會後果可能是巨大的。
- 複雜欺騙的興起： 也許更直接令人擔憂的是在惡意活動中被濫用的潛力。該研究強調了「改進的社交工程攻擊」的可行性。想像一下，由 AI 驅動的機器人進行高度個人化的釣魚詐騙，傳播量身定制的錯誤信息，或在線上論壇或社交媒體上以前所未有的效力操縱個人，因為它們看起來與人類無法區分。採用特定、值得信賴的角色的能力可能使這些攻擊更具說服力且更難被發現。這可能侵蝕對線上互動的信任，使得驗證數位通信的真實性變得越來越困難，並可能加劇社會分裂或政治不穩定。
- 普遍的社會干擾： 除了具體的威脅之外，令人信服的類人 AI 的廣泛部署可能導致更廣泛的社會變革。當我們無法確定是在與人還是機器交談時，人際關係會如何改變？真實人類聯繫的價值會發生什麼變化？AI 伴侶能否填補社交空白，但代價是犧牲真正的人類互動？人類與人工通信之間日益模糊的界線挑戰了基本的社會規範，並可能重塑我們彼此之間以及與技術本身的關係。潛在的積極應用（如增強的可訪問性工具或個性化教育）和負面後果共同創造了一個複雜的局面，社會才剛剛開始探索。
人的因素：變動中的感知
必須認識到，圖靈測試以及像加州大學聖地牙哥分校進行的這類實驗，不僅僅是對機器能力的評估；它們也是人類心理和感知的反映。正如 Jones 在其評論中總結的那樣，該測試將我們置於顯微鏡下，就像它對待 AI 一樣。我們區分人與機器的能力，或無能，受到我們自身偏見、期望以及對 AI 系統日益增加的熟悉度（或缺乏熟悉度）的影響。
最初，面對新穎的 AI，人類可能很容易被愚弄。然而，隨著接觸的增加，直覺可能會變得敏銳。人們可能會對 AI 生成文本的細微統計指紋更加敏感——也許是過於一致的語氣、缺乏真正的停頓或語誤，或者感覺略顯不自然的百科全書式知識。因此，此類測試的結果並非靜態的；它們代表了 AI 複雜性與人類辨別力之間當前相互作用的一個時間快照。可以想像，隨著公眾越來越習慣與各種形式的 AI 互動，集體「嗅出它們」的能力可能會提高，從而可能提高成功「模仿」的標準。對 AI 智能的感知是一個移動的目標，一方面受到技術進步的塑造，另一方面受到不斷發展的人類理解和適應的影響。
我們何去何從？重新定義智能
像 GPT-4.5 這樣的模型在由角色驅動的圖靈測試中的成功，標誌著 AI 發展的一個重要節點，展示了對語言模仿的驚人掌握。然而，它同時也凸顯了圖靈測試本身作為 LLMs 時代「智能」權威衡量標準的局限性。在慶祝技術成就的同時，焦點或許需要轉移。與其僅僅詢問 AI 是否能愚弄我們相信它是人類，我們可能需要更細緻的基準來探測更深層次的認知能力——例如穩健的常識推理、對因果關係的真正理解、對真正新穎情況（而不僅僅是訓練數據的變體）的適應性，以及倫理判斷。未來的挑戰不僅僅是建造能夠像我們一樣說話的機器，而是理解它們能力和局限性的真實本質，並開發框架——包括技術和社會層面——以負責任地利用它們的潛力，同時減輕我們身邊日益複雜的人工行為者所帶來的不可否認的風險。模仿遊戲仍在繼續，但規則，或許還有勝利本身的定義，正在迅速演變。