人工智能语言模型终结了图灵测试：我们还需要替代方案吗？

英国布莱切利公园的艾伦·图灵雕像（图片来源：Steve Meddle/Shutterstock）。如今最优秀的人工智能（AI）模型已能轻松通过图灵测试——这是一个著名的思想实验，旨在判断计算机能否通过文本交互伪装成人类。一些人认为，升级版测试可作为通用人工智能（AGI）发展的必要基准，AGI是许多科技公司使用的模糊术语，指具备与人类任何认知能力相匹配的应变能力的AI系统。但在10月2日伦敦皇家学会的活动上，多位研究者表示，图灵测试应彻底废弃，开发者应转而专注于评估AI安全性和构建对公众有益的特定能力。
英国苏塞克斯大学神经科学家阿尼尔·塞斯说：“我们应先明确想要什么样的AI，然后针对这些方面进行测试。执着于‘向AGI迈进’，我认为这限制了我们对社会真正需要什么样的系统——更重要的是，真正不需要什么样的系统——的想象。”
该活动是为纪念英国数学家艾伦·图灵描述该测试的开创性论文发表75周年而举办，图灵在论文中称其为“模仿游戏”。为解答“机器能否思考”这一哲学难题，该测试包括法官与人类或计算机之间一系列简短的文本对话，机器若能让法官相信自己是人类即获胜。
活动采用低调务实的机器智能探讨方式，广受欢迎。活动报名人数远超预期，演讲者加里·马库斯由摇滚乐队Genesis主唱彼得·盖布瑞尔介绍，他的好友、《黑客帝国》主演劳伦斯·菲什伯恩也到场旁听，另有1000多人在线观看。
纽约大学神经科学家马库斯在主题演讲中指出：“AGI或许并非正确目标，至少现在不是。”他表示，一些最优秀的AI模型具有高度专业性，比如谷歌DeepMind的蛋白质结构预测工具AlphaFold，“它只做一件事，不会尝试写十四行诗”。
研究图灵著作的剑桥大学文学研究者萨拉·狄龙称，图灵这个有趣的思想实验常被用作衡量机器智能的标准，但它从未被打算作为严肃或实用的测试。如今最强大的一些AI模型是大型语言模型（LLM）的改进版，它们通过学习互联网数据中的关联来预测文本。今年3月，研究者用图灵测试版本对四款聊天机器人进行测试，发现最优秀的模型通过了测试。
但多位研究者指出，聊天机器人能逼真模仿人类语言并不意味着它们具备理解力。马库斯举例，尽管LLM的回答酷似人类，但“当超出通常提问范围时，它们就会遇到很多麻烦”，比如一些模型无法正确标注大象的身体部位，或只能将时钟指针画在10点10分位置。因此，若科学家知晓其弱点并加以挑战，这些模型仍可能无法通过图灵测试。
为追踪AI能力增长并评估非语言技能，研究者已在探索新评估方法，如基于谜题的“通用人工智能抽象推理语料库2.0版”（ARC-AGI-2），但目前研究者对AGI的评估基准尚未达成共识。