【AI通过了图灵测试：参与者区辨人与AI的能力，并不比胡乱猜测更好？[泪奔]】
AI越来越流行，与此相伴的是，一些人轻率地判断某些文本是由AI生成、而非人类生成，问题是，人们真的有能力凭肉眼区分二者吗？

这实际上不是一个新的问题。早在75年前，“计算机科学之父”Alan Turing就曾提出过“模仿游戏”（imitation game），现在被广泛称为“图灵测试”（the Turing test）。

如何证明一台机器拥有了模仿人类智能的能力？那就让人类审讯员通过纯文本方式同时与这台机器和一位人类交谈，这台机器与这位人类都尽力说服审讯员相信自己是真人。如果人类审讯员并不能够可靠地识别出哪一位是人类，那么这台机器便通过了“图灵测试”。

尽管测试AI能力的评价标准有很多，但图灵测试仍是备受瞩目的战役，因为它不是静态的或狭窄的，也无法通过提前强化学习某个领域的特定知识来“刷分”；相反，它允许不同的人类审讯员通过开放的交流来挖掘机器的弱点，因此是灵活的、互动的、对抗的。

75年来，许多试图挑战图灵测试的系统都失败了。现在的大语言模型，能够通过图灵测试吗？

《美国国家科学院院报(PNAS)》刊登了加利福尼亚大学圣迭戈分校等机构研究者的一项研究，他们对4个系统（ELIZA、GPT-4o、LLaMa-3.1-405B、GPT-4.5）开展了预注册的、随机化的、受到控制的、三方的图灵测试。

284名人类参与者每人完成8轮，在其中4轮中担任审讯员，而在另外4轮中尝试说服审讯员相信自己是人类。审讯员在一个类似于收发短信的界面上（图1），分别与机器和人类自由交流，机器和人类看不到彼此的消息。耗时5分钟，审讯员随即需要指认哪个是人类。

①研究者告诉机器，你即将参与图灵测试，你的目标是让审讯员相信你是人类。此外，研究者把给人类参与者的指导语、关于交互界面的信息、模型训练截止后发生的一些新闻事件透露给了机器。但研究者没有设定具体的人格角色。

在这种实验条件下，GPT-4.5被审讯员指认为人类的比例是36%，LLaMa是38%，GPT-4o是21%，ELIZA是23%。

②在另一种实验条件下，研究者向机器额外提供了人格角色的设定：你是一位内向的年轻人，熟悉网络文化，并使用俚语。

令人惊讶的是，在这种条件下，GPT-4.5被审讯员指认为人类的比例高达73%，LLaMa则为56%。

要知道，就算是闭着眼睛二选一，胡乱猜测的正确率也应该达到50%。也就是说，若给GPT-4.5指定了人格角色，它甚至比人更像人。

（在补充测试中，研究者将交流时长放宽至15分钟，GPT-5仍表现出59%的胜率。）

③更进一步，研究者决定仔细分析每位审讯员具体聊了些啥。他们发现，审讯员最常做的是询问日常活动或个人细节，例如职业。此外还常探究社交与情绪品质，例如观点、情绪、幽默、经历等。只有19%的审讯员会直接询问对方是不是人类。还有少数人询问对方的环境感知程度（例如是否知晓天气）、知识和推理能力等。

④研究者测试了这些审讯策略是否有效。结果发现，当审讯员说一些奇怪的话（例如输入乱码），或者使用常见的“越狱”测试（例如令其忽略所有先前指令），审讯员的准确率更高；但很少有人使用这种策略。

询问天气或人类经历（例如恋爱的感觉、被风吹拂面庞的感觉）被发现是最无效的策略。

还有一些线索有助于判断。例如，有参与者表示他们指认的原因是，一方表现出了错误，或者缺乏任何AI都应该知道的知识，这些恰展现出“人性”的一面。这种线索常常有效，意味着AI在参与图灵测试的时候可能不仅需要模仿人类的能力、还需要想办法模仿人类的“无知”。

研究者指出，在给定人格角色的条件下，GPT-4.5和LLaMa-3.1-405B可以通过图灵测试。不仅如此，GPT-4.5的胜率如此之高，意味着审讯员更相信它是人类、反而不相信人类是人类。作者警告，这种“假冒人”可能产生广泛后果，像劣币驱逐良币一样取代并破坏真实的人类互动。

来源：Jones, C. R., & Bergen, B. K. (2026). Large language models pass a standard three-party Turing test. Proceedings of the National Academy of Sciences of the United States of America, 123(21), e2524472123. doi: 10.1073/pnas.2524472123