GPT-4.5 通過圖靈測試了？AI 真的能騙過人類了嗎？

來自加州大學聖地牙哥分校（UC San Diego）研究人員發現：在特定的實驗條件下，OpenAI 的大型語言模型 GPT-4.5 似乎成功「通過」了圖靈測試！但這是否真的意味著 AI 達到了人類般的智慧？這項研究的細節又是什麼？今天就讓我們深入剖析這份研究，看看 GPT-4.5 到底做了什麼，以及我們該如何客觀看待這個「里程碑」。

圖靈測試：AI 智慧的經典試金石

最經典的圖靈測試形式是「模仿遊戲」（Imitation Game）：一位人類提問者，透過文字介面，同時與一位真人以及一台機器進行對話。提問者不知道哪邊是真人、哪邊是機器。如果在一段時間的對話後，提問者無法可靠地分辨出誰是機器，或者錯誤地將機器判斷為人類，那麼這台機器就被認為通過了圖靈測試。

雖然圖靈測試自提出以來就充滿爭議（例如，它是否真的能測量「智慧」或「意識」），但它仍然是衡量 AI 模仿人類對話能力的一個重要參考基準。

突破圖靈測試的關鍵：Persona Prompt

這次來自加州大學聖地牙哥分校（UC San Diego）的研究，正是採用了圖靈測試的經典三方架構（一個提問者、一個真人、一個 AI）。研究人員招募大學生和線上工作者作為提問者，讓他們與隨機分配到的真人或 AI 進行 5 分鐘的文字聊天。聊天結束後，提問者需要判斷與自己對話的對象是真人還是 AI。

實驗測試了多個 AI 模型，包括：

• GPT-4.5(Persona) - 帶有「人設相關的」Persona Prompt
• Meta 的 LLaMA 3.1-405B(Persona) - 帶有「人設相關的」Persona Prompt
• GPT-4.5 - 無「人設相關的」Prompt
• LLaMA 3.1-405B - 無「人設相關的」Prompt
• GPT-4o - 基準模型
• ELIZA - 早期聊天機器人，作為基準

結果發現：

• GPT-4.5 (Persona) 表現驚人：
  當研究人員給予 GPT-4.5 一個特定的「人設相關的」 Persona Prompt，例如扮演一個「內向、有點宅的 19 歲青年」或「熟悉流行文化的年輕人」時，高達 73% 的提問者將 GPT-4.5 誤認為是人類！ 這個比例遠遠超過了 50% 的隨機猜測水平，在許多非正式的討論中，這通常被視為「通過」圖靈測試的門檻。
• LLaMA 3.1 (Persona) 也有亮眼表現：
  同樣在給予Persona Prompt後，Meta 的 LLaMA 3.1 也有 56% 的時間被認為是人類。雖然這個比例在統計上與 50% 的隨機猜測沒有顯著差異，但這也相對代表提問者無法有效地區分它和人類。
• Persona Prompt是關鍵：
  對比之下，沒有獲得Persona Prompt的 GPT-4.5 和 LLaMA 3.1，被誤認為人類的比例分別驟降至 36% 和 38%。而更早的模型如 GPT-4o (21%) 和 ELIZA (23%) 表現更差。可見Persona Prompt對於提升 AI 在圖靈測試中表現的重要性。
• AI 似乎比真人更像人： 
  最有趣的結果是，在同一個實驗中，真正的真人參與者被提問者正確辨識為人類的比例只有 67%。換句話說，在這次 5 分鐘的短暫互動中，帶有人設的 GPT-4.5 (73%) 比真人 (67%) 更容易讓人相信它是人類！

為何 GPT-4.5 能如此「騙」過人類？

研究結果顯示，GPT-4.5 (Persona Prompt) 的成功，並非來自於展現超凡的知識或邏輯推理能力。相反地，提問者在判斷時，更側重於以下幾個方面：

• 社交與情感線索： AI 是否能進行自然的閒聊、表達適當的情感反應、理解並回應社交暗示？
• 互動動態： 對話是否流暢、自然？回應是否及時且相關？
• 語言風格與個性： AI 的用詞、語氣、句子結構是否像一個特定類型的人？是否展現出一貫的個性？

有趣的是，研究發現有時候「缺乏知識」或展現某些「小瑕疵」反而被視為更像人類的特徵。這表明，當前的 LLM 在模仿人類對話的「風格」和「感覺」方面取得了長足進步，尤其是在有人設提示引導下，更能生成符合特定角色的、細膩且富有個性的回應。

冷靜看待：有關於圖靈測試研究限制

看到這裡，可能已經要宣布 AI 「通過圖靈測試」，但在這之前，有幾件事需要說明：

1. 研究狀態：這份研究目前仍處於「Under review」狀態，尚未經過學術界的「同行評審」（Peer Review）程序。同行評審是科學研究發表前的標準流程，由領域內的其他專家匿名審查研究方法、數據分析和結論的嚴謹性與合理性。因此，我們必須對該篇研究的相關結論持保留態度，其結論應被視為有待驗證的，可能存在錯誤或需要在後續評審中修改。
2. 測試時間過短： 5 分鐘的聊天是否足以判斷「智慧」？目前有部分認為，短時間的模仿可能只是「聰明的鸚鵡」，而非真正理解。更長時間、更深入的對話或任務才能更全面地評估 AI 的能力。
3. 「通過」的定義模糊： 圖靈測試本身其實還沒有一個全球公認的、標準化的通過標準。這次研究設定的 50% 門檻只是一個非正式的參考。

讚嘆但保持批判性思考：AI 的未來與挑戰

GPT-4.5 在特定條件下仍展現出高度擬人化對話能力，甚至在「裝得像人」這方面短暫超越了真人。儘管存在上述限制，仍然具有重要意義值得我們思考：

• AI 模仿能力的躍進： 研究者清晰地展示了頂尖 LLM 在模仿人類對話細微之處（如風格、語氣、情感暗示）方面的驚人進步。
• 「偽造的人」的可能性： 正如研究者所討論的，這種高度擬人化的 AI 可能被用於製造「偽造的人」（Counterfeit People），在社交媒體、客服甚至網路詐騙中帶來新的挑戰。
• 人機互動的變革： 未來的聊天機器人、虛擬助理將可能變得更加自然、更具情感連結，但也可能更具欺騙性。
• 分辨 AI 的重要性： 我們或許也開始需要提升大眾分辨 AI 生成內容、理解 AI 能力與局限的素養，以應對日益模糊的人機界線。

我們驚訝於技術進步的同時，更需要保持清醒的頭腦和批判性的眼光，深入理解其能力邊界，並為隨之而來的社會、倫理挑戰做好準備。未來，人與 AI 的界線將越來越模糊，如何應對這個新時代，是我們每個人都需要思考的問題。

論文連結：Large Language Models Pass the Turing Test

我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～

也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！

>>>請我喝一杯咖啡