GPT-4.5以人类身份登场，以73%的胜率击败真人，LLaMa-3.1紧随其后。图灵测试首次被攻破，AI的模仿能力引发热议：它会取代人类吗？
75年前，艾伦·图灵提出了一个大胆的设想：如果机器能通过文字与人类交流，并让人无法分辨它是机器还是人类，这是否意味着它具备了智能？这就是如今著名的图灵测试。简而言之，一个人类“审问者”同时与两个对象对话，一个是真人，一个是机器，两者都尽力证明自己是人类。如果审问者无法分辨谁是谁，机器就胜利了。图灵认为，这不仅考验机器的智慧程度，还关乎它能否模仿人类的行为举止。
我们最近进行了一次实验，测试了四款系统：经典聊天机器人ELIZA，以及三款现代大型语言模型GPT-4o、LLaMa-3.1-405B和GPT-4.5。实验设计非常简单：参与者在5分钟内与另一位人类和其中一款AI同时对话，然后判断谁是真人。结果令人震惊——当GPT-4.5被要求扮演一个“人类角色”时，73%的人认为它是真人，甚至比真正的参与者更像人！LLaMa-3.1也表现不俗，56%的胜率与人类不相上下。而ELIZA和GPT-4o的表现则不尽如人意，分别只有23%和21%的胜率，远低于随机猜测的水平。这是有史以来首次有系统通过经典的三方图灵测试，证据确凿。
想象一下，你在网上和一个“人”热聊，分享生活琐事，结果发现对方是AI，会是什么感觉？GPT-4.5的成功绝非偶然。我们为它设定了具体的角色：一个内向、熟悉网络文化、爱用俚语的年轻人。它不仅能流畅应对，还能根据对话历史调整语气，甚至偶尔“装傻”，让人觉得它更真实。相比之下，没设定角色的GPT-4.5和LLaMa胜率骤降，只有36%和38%。这说明，AI要骗过人类，光靠技术还不够，还需要一点“演技”。
图灵测试的意义远不止一场智力游戏。图灵当年设想，机器得在语言能触及的几乎所有领域模仿人类，比如下棋、解数学题，甚至聊八卦。但是有人认为这太简单了，人容易被忽悠；也有人认为太难，机器得撒谎，而人类只需坦诚。现实是，现代AI已不再拘泥于逻辑推理，而是擅长模仿社交中的细腻情感。比如，参与者常问“你今天过得怎样”或“你觉得这天气如何”，GPT-4.5会轻松答道：“有点烦，但喝了杯咖啡就好多了，你呢？”这种自然流露的“人性”让它脱颖而出。
实验中，我们招募了两组人：加州大学圣地亚哥分校的心理学本科生和Prolific平台的线上工作者。每人玩8轮游戏，每轮与一个AI和一个真人对聊。审问者使出浑身解数，有的闲聊，有的问怪题，甚至直接抛出“你是人吗？”。结果显示，策略越奇特越有效，比如故意说些怪话，看对方怎么接招。可即便如此，GPT-4.5还是频频胜出，甚至有人感叹：“它回答得太顺了，反而觉得不像是AI。”
这结果让人既兴奋又不安。如果AI能如此逼真地模仿人类，它会带来什么？在工作领域，它可能悄无声息地取代客服、销售，甚至写作岗位。在生活中，它或许能成为“虚拟朋友”，陪你聊天解闷。然而，隐患也随之而来——如果AI能骗过我们，它会不会被用来搞社会工程，或散布假消息？毕竟，图灵测试本质上是一个“可替代性”的检验：机器能否在不被察觉的情况下，顶替真人的角色。
回顾历史，无数团队试图打造能通过图灵测试的系统，但都铩羽而归。如今，大型语言模型的崛起让这一梦想成真。它们通过统计学习和强化反馈生成语言，灵活得像个真人。这也引出一个问题：通过测试的到底是模型本身，还是背后人类的提示词设计？答案或许没那么重要。就像ELIZA当年靠简单规则也能偶尔唬人一样，现代AI的成功，离不开技术和“剧本”的双重加持。
更深层次来看，图灵测试到底测什么？图灵认为，如果机器和人没有区别，我们就得承认它有智能。但是有人反驳，人太容易把简单系统当人看了，比如ELIZA常被误认为有感情。我们的实验也发现，有些人选ELIZA为“人”，理由竟是“它很幽默，不像AI”。这说明，测试不仅关乎智力，还涉及人类对“人性”的复杂期待。如今，AI在逻辑任务上已超越人类，反而是社交能力成了新挑战。
未来会怎样？GPT-4.5的73%胜率让人既惊叹又深思。它不仅通过了测试，还比真人更“像人”。这或许只是开始。随着AI越来越聪明，我们可能得重新定义“人性”。正如Brian Christian所说，机器首次通过图灵测试不是终点，而是人类重拾自我的起点。面对这些“假人”，我们得学会更珍惜那些独一无二的人类特质——毕竟，AI再逼真，也模仿不了我们的灵魂。
本文译自 arxiv.org，由 BALI 编辑发布。
文章总结
图灵测试的突破标志着AI技术的飞跃，GPT-4.5成功通过测试，展示了其逼真模仿人类的能力。这不仅引发了对AI潜力和风险的讨论，也让我们重新审视人类独特的情感和社交能力。未来，随着AI技术的发展，我们需要更清楚地界定“人性”，并珍视那些无法被机器复制的特质。